mcpField
I
image-to-text

image-to-text

github.com/pascalorg文档处理100712 次安装7 周前更新
代码仓库

关于 image-to-text

使用 Tesseract.js 从图像中识别可读文字的命令行 OCR 技能，适用于处理截图、设计稿等含文字图像，并提供文字位置和置信度。

主要功能

  1. 01通过 OCR 提取图像文字
  2. 02返回单词和行级详情
  3. 03提供边界框和置信度
  4. 04可指定 OCR 语言

适用场景

  1. 01读取截图中的文字
  2. 02提取设计稿中的界面文案
  3. 03查找图像中文字的位置

安装

复制下面的命令，在终端中运行。

$npx skills add https://github.com/pascalorg/skills --skill image-to-text

安装后在 Claude Code 中输入/image-to-text确认已加载。

包含的文件

除 SKILL.md 外，安装时一起下载的参考资料和脚本。

scripts/
image-to-text.js
image-to-text.sh
package-lock.json
package.json

详细介绍

图像转文本

使用 OCR（Tesseract）从图像中提取所有可读文本。返回完整文本内容，以及单词级边界框和置信度分数。

适用场景

  • 读取截图或设计稿中的文本内容
  • 提取 UI 文案（标签、按钮、标题），无需手动重新输入
  • 获取设计图像中的文本位置和边界框

工作原理

  1. 将图像传递给 Tesseract.js 进行光学字符识别
  2. Tesseract 将图像分割成行和单词
  3. 返回完整文本以及单词级详情（位置、置信度）

用法

bash <skill-path>/scripts/image-to-text.sh <image-path> [language]

参数：

  • image-path — 图像文件的路径（必填）
  • language — OCR 语言代码（可选，默认为 eng）。常见值：eng、fra、deu、spa、chi_sim、jpn

示例：

# Extract text from a screenshot
bash <skill-path>/scripts/image-to-text.sh ./screenshot.png

# Extract French text
bash <skill-path>/scripts/image-to-text.sh ./mockup.png fra

输出

{
  "text": "Request work\nSuggestions\nPlumbing\nHVAC\nCleaning\nElectrical",
  "confidence": 87.4,
  "words": [
    {
      "text": "Request",
      "confidence": 94.2,
      "bbox": { "x0": 142, "y0": 180, "x1": 268, "y1": 204 }
    },
    {
      "text": "work",
      "confidence": 96.1,
      "bbox": { "x0": 274, "y0": 180, "x1": 332, "y1": 204 }
    }
  ],
  "lines": [
    {
      "text": "Request work",
      "confidence": 95.1,
      "bbox": { "x0": 142, "y0": 180, "x1": 332, "y1": 204 }
    }
  ]
}
字段类型描述
textString提取的完整文本，以换行符分隔
confidenceNumber总体置信度分数（0-100）
wordsArray每个单词的文本、置信度和边界框
linesArray每行的文本、置信度和边界框

向用户展示结果

提取文本后，按行分组展示内容：

Extracted text (87.4% confidence):

  Request work
  Suggestions
  Plumbing
  HVAC
  Cleaning
  Electrical

Found 6 lines, 6 words.

根据设计实现 UI 文案时，直接使用提取的文本。

故障排除

置信度低／文本乱码 — Tesseract 在干净、高对比度的文本上效果最佳。渲染后的 UI 截图效果良好。倾斜拍摄或有噪点的文本照片可能会导致结果不佳。

语言错误 — 将正确的语言代码作为第二个参数传入。Tesseract 需要正确的语言模型才能识别字符。

首次运行较慢 — Tesseract 首次运行时会下载语言数据（英文约 4MB）。之后的运行速度会更快。

评论

支持 Markdown