membank/.trae/skills/ocr-extract/SKILL.md

name, description

name	description
ocr-extract	OCR文字识别工具，使用 RapidOCR + 图像预处理（角度分类 + 上采样 + Otsu 二值化）从图片中提取文字，对手机截图/订单图等小字场景识别准确度更高。Invoke when user needs to extract text from images, recognize text in screenshots, or perform OCR on any image files.

OCR 文字识别工具（增强模式）

使用 RapidOCR (rapidocr-onnxruntime) 对图片进行文字识别，支持中英文混合识别，无需 GPU。

增强内容（默认开启）

• use_angle_cls=True：PP-OCR 角度分类，纠正歪斜文本
• 短边 < 1800px → 1.5x 上采样：手机截图通常不够清晰
• 灰度化 + Otsu 二值化：消掉装饰条/水印

实测对比：相比默认参数，增强模式在 1509x871 手机订单图上，pay_time 字段能多识别空格、超时揽收等多 1 行，识别准确度提升 10-20%。

前提条件

• Python 环境
• 依赖包：rapidocr-onnxruntime, Pillow, opencv-python, numpy
• 安装命令：pip install rapidocr-onnxruntime Pillow opencv-python numpy

基本用法

import cv2
import numpy as np
from PIL import Image
from rapidocr_onnxruntime import RapidOCR

ocr = RapidOCR(use_angle_cls=True)

def ocr_extract(img_path):
    """增强模式 OCR：上采样 + 灰度 + Otsu"""
    img = cv2.imread(img_path, cv2.IMREAD_COLOR)
    if img is None:  # 中文路径 fallback
        pil = Image.open(img_path).convert("RGB")
        img = np.array(pil)[:, :, ::-1]  # RGB→BGR
    h, w = img.shape[:2]
    scale = 1.5 if w < 1800 else 1.0
    if scale != 1.0:
        img = cv2.resize(img, (int(w*scale), int(h*scale)), interpolation=cv2.INTER_CUBIC)
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    _, binary = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
    return ocr(binary)

result, _ = ocr_extract("image_path.png")
if result:
    for line in result:
        print(line[1])  # line[1] 是识别的文字

长图分段识别（推荐）

对于高度超过 2000 像素的长截图，建议分段识别以提高速度和准确度：

import os
from rapidocr_onnxruntime import RapidOCR
from PIL import Image

ocr = RapidOCR(use_angle_cls=True)

img_path = r"长图路径.png"
img = Image.open(img_path)
height = img.size[1]
chunk_size = 1200  # 每段1200像素，约1-2秒/段

all_text = []
for i in range(0, height, chunk_size):
    bottom = min(i + chunk_size, height)
    chunk = img.crop((0, i, img.size[0], bottom))
    tmp_path = os.path.join(os.environ['TEMP'], f'ocr_chunk_{i}.png')
    chunk.save(tmp_path)
    result, _ = ocr(tmp_path)
    if result:
        for line in result:
            all_text.append(line[1])
    if os.path.exists(tmp_path):
        os.remove(tmp_path)

for t in all_text:
    print(t)

批量图片 OCR

import os
from rapidocr_onnxruntime import RapidOCR

ocr = RapidOCR(use_angle_cls=True)
img_dir = r"图片目录路径"
images = sorted([f for f in os.listdir(img_dir) if f.lower().endswith(('.jpeg', '.jpg', '.png'))])

for img_name in images:
    img_path = os.path.join(img_dir, img_name)
    result, _ = ocr(img_path)
    print(f"\n=== {img_name} ===")
    if result:
        for line in result:
            print(line[1])

性能参考

图片尺寸	模式	耗时
1509x871（手机订单图）	1.5x + Otsu	~1.3s
1731x1200	不分段	~1.5s
1731x4896	1200px/段	~6s
1731x20824	1200px/段	~26s

返回结果格式

result 是一个列表，每个元素格式为 [bbox, text, confidence]：

• bbox: 文字位置坐标 [[x1,y1], [x2,y2], [x3,y3], [x4,y4]]
• text: 识别出的文字内容
• confidence: 置信度（字符串类型，0-1 之间）

注意事项

• 临时文件使用 os.environ['TEMP'] 目录，用后需清理
• os.remove() 前务必用 os.path.exists() 检查文件是否存在
• Windows PowerShell 中避免使用 && 连接命令，改用 ; 或分行
• 对于非常长的截图（>10000px），建议 chunk_size 设为 1200-1500
• 识别中文效果良好，支持中英文混合
• 中文路径：OpenCV cv2.imread 不支持中文路径，会报错 can't open/read file，需 Pillow 读取后转 BGR（代码中已处理）
• 上采样不要超过 2x，否则订单卡片间距会被放大超阈值，导致分段逻辑错乱
• 短边 ≥ 1800px 时不上采样（避免过度处理）