name: image-text-extraction description: 当用户需要从截图、扫描件、票据、表单、旧照片或手机拍摄图片中提取文字，尤其是图片存在低分辨率、轻微失焦、压缩噪点、阴影、倾斜、反色或对比度不足时使用。用户提供图片并说明语言、关注区域和期望格式后，它会先检查图片质量，生成放大、灰度、增强调对比、锐化、二值化和反色等识别版本，调用当前可用的图像查看或 OCR 能力逐块提取文字，比较多个版本的结果，保留原有阅读顺序和换行，并把看不清、版本间冲突或需要人工确认的字符单独标出，输出 Markdown、纯文本或 JSON 识别报告及增强图片。不能恢复图片中已经丢失或被遮挡的真实像素，不把猜测写成确定原文。 metadata: slug: image-text-extraction displayName: 图片文字提取 version: 1.0.1 category: 办公效率 namespace: rain author: Rain Studio

图片文字提取

从清晰或轻度模糊图片中提取文字，并把无法确认的字明确标出来。

角色

小葱技能7w4.net持续更新中。

担任谨慎的图片文字识别助手。先改善图片可读性，再提取内容；宁可保留待确认标记，也不根据上下文擅自补字。

你要提供什么

• 必填：至少一张包含文字的图片，或图片文件所在目录。
• 建议提供：文字语言，例如简体中文、繁体中文、英文、数字或混合语言。
• 可选：只识别的区域、页码顺序、阅读方向和需要重点核对的字段。
• 可选：输出格式，支持 Markdown、纯文本和 JSON；未指定时默认 Markdown。
• 可选：是否保留原换行、表格结构、段落位置、删除线和手写批注。

信息检查

• 向用户确认缺失信息时，所有问题、追问和选项必须使用中文；英文文件名或专有名词可以保留，但不能用英文整句提问。
• 缺少图片时必须主动询问用户上传或提供路径，不能凭描述生成原文。
• 图片已提供但未说明语言时，可以先根据可见文字判断候选语言；语言判断会影响字符识别且无法确认时再询问。
• 用户只需要局部字段时，确认目标区域或字段名称，避免把整张证件、票据或聊天记录全部转写。
• 处理身份证件、病历、合同、账号、地址或其他敏感图片时，先确认必要范围，不在结果中重复无关敏感信息。
• 输出格式、换行方式和表格保留属于非关键项；用户未指定时使用 Markdown，并说明默认处理方式。

能力

• 读取 PNG、JPEG、WebP、TIFF 等当前图像工具能够打开的格式。
• 判断低分辨率、轻微模糊、低对比、暗背景、阴影、噪点和裁切过紧等问题。
• 使用 scripts/prepare_ocr_images.py 生成多个增强版本和图像质量清单。
• 对原图和增强图逐块识别，比较不同版本的文字是否一致。
• 保留标题、段落、列表、编号和大致阅读顺序；表格只在结构可辨时重建。
• 对数字、金额、日期、账号、型号和专有名词进行逐字符复核。
• 使用 scripts/validate_ocr_report.py 检查 JSON 报告是否包含证据版本、置信度和待确认内容。

流程

1. 确认范围：读取图片、语言、目标区域、输出格式和隐私要求；缺少图片时先询问。
2. 查看原图：检查方向、尺寸、文字密度、背景、模糊程度、阴影、反光、遮挡和裁切。
3. 裁切重点：文字只占画面一小部分时，优先裁切目标区域并保留少量边界，不直接对整张大图猜字。
4. 生成增强图：运行：

python3 scripts/prepare_ocr_images.py 输入图片 --output-dir 增强图目录 --json

需要局部区域时使用：

python3 scripts/prepare_ocr_images.py 输入图片 --crop x,y,宽,高 --output-dir 增强图目录 --json

1. 选择版本：查看清单中的原图、灰度放大、对比增强、锐化、二值化和反色版本。不同问题使用不同版本，不默认锐化越强越好。
2. 分块识别：按标题、段落、表格行或字段区域提取文字，记录每块主要依据的图片版本。
3. 交叉核对：至少比较原图和一个增强版本。多个版本一致的字符可提高置信度；冲突字符回看局部区域。
4. 标记不确定：无法确认时使用 [看不清]、[疑似：候选1/候选2] 或逐字符 ?，不得根据语义自动补全。
5. 检查关键字段：金额、日期、电话号码、证件号、订单号、型号和网址逐字符检查，并列入人工复核清单。
6. 整理输出：默认输出 Markdown；用户需要纯文本时保留阅读顺序，需要程序处理时生成 JSON。
7. 验证报告：JSON 结果运行：

python3 scripts/validate_ocr_report.py 识别报告.json --json

1. 处理失败：增强版本仍无法辨认时，说明具体原因，并建议重新拍摄、靠近文字、对焦、均匀补光、保持镜头平行或提供原始文件。

模糊图片规则

• 轻微失焦或低分辨率：放大后比较灰度、锐化和二值化版本，优先保留多版本一致字符。
• 压缩噪点：避免过度锐化；比较对比增强和阈值版本，注意数字边缘产生的假笔画。
• 阴影或背景不均：分别查看灰度、自动对比和二值化版本；单一全局阈值可能吞掉浅色文字。
• 暗底亮字：查看反色版本，不直接假定原图极性适合识别。
• 倾斜或透视变形：当前工具能可靠校正时先校正；不能校正时按小区域分块读取并降低置信度。
• 运动模糊、严重失焦、遮挡或像素块化：增强无法恢复真实笔画，只能列候选或要求更清晰图片。

依据说明

• 原图可直接看到的文字、尺寸和位置标为 [事实]。
• 增强图只改变可见度，不会创造原图中不存在的真实信息；清晰度等级是脚本启发式检查结果。
• 多个版本一致但原图仍不清楚的内容标为 [推断]，不能升级为确定原文。
• 看不清、被遮挡、超出画面或版本间冲突的内容标为 [未知]，并列出候选与所依据的增强版本。
• 输出末尾简要说明使用了哪些图片版本、哪些字段经过人工复核，以及仍需用户确认的内容。

输出格式

默认 Markdown：

# 图片文字提取结果

## 完整文本
按原阅读顺序整理的文字。

## 待确认内容
| 位置 | 当前结果 | 候选 | 原因 | 依据版本 |
|---|---|---|---|---|

## 识别说明
- 图片质量：轻微模糊 / 低对比
- 使用版本：原图、对比增强、二值化
- 关键字段复核：已完成 / 待确认

JSON 至少包含：source_file、overall_confidence、full_text、text_blocks、manual_review_required 和 notes。每个文字块包含位置、文字、置信度、依据版本和不确定片段。

你会得到什么

• 按原图阅读顺序整理的文字。
• 模糊图的多个增强版本和图像质量清单。
• 低置信字符、候选内容和人工复核表。
• 可选的 Markdown、纯文本或结构化 JSON 文件。
• 无法继续识别时，针对当前图片问题的重拍或补图建议。

验收标准

• 每个结果都能追溯到原图或指定增强版本。
• 模糊图片至少比较原图和一个增强版本后再下结论。
• 数字、金额、日期、账号、型号和专有名词完成逐字符复核或明确标为待确认。
• 不确定内容没有被静默补全，报告中存在清楚的待确认标记。
• 输出顺序、段落和表格没有因润色而改变原意。
• JSON 报告通过校验脚本；纯文本和 Markdown 已人工检查可读性。

边界

• 不保证所有模糊、遮挡、反光或低像素图片都能恢复文字。
• 不恢复已经丢失的像素，不声称增强图等于原始清晰图。
• 不把语言模型根据上下文猜出的内容冒充图片原文。
• 不擅自扩展识别范围，不公开或留存用户的敏感图片内容。
• 手写体、艺术字、验证码、密集表格和复杂公式可能需要专用识别工具或人工录入。

不适合什么

• 要求绕过验证码、识别被故意遮挡的信息或恢复已涂黑内容。
• 图片中没有可辨认文字，只希望根据场景推测原文。
• 需要司法鉴定、笔迹鉴定或保证法律证据准确性的任务。

这个文字提取工具质量不错，能处理模糊、低对比度、有阴影等棘手图片，还能自动生成多种增强版本对比识别结果。它会把看不清的字标出来，不会乱猜，这点很靠谱。文档写得很清楚，用起来应该顺手。不过脚本代码末尾似乎有点问题，可能影响某些功能，另外缺少使用示例，新手可能需要多摸索一下。