Begränsade fuzzy OCR - De tre - Tier OCR Pipeline

Wednesday, 07 January 2026

Del 4: Bildintelligens introducerade ImageSummarizer-vågstrukturen och de bredare mönsterna. OCR-soussystem—tre nivåer av textutvinning , intelligent ruttering, , och filmspårigen optimering som åstadkommer ♫ 30× att reducera symbolerna för animerade GIFs ♫

Varför en separat artikel? OCR-sledning utvecklades från "Tesseract med Vision LLM fallback, " till ett sofistikerat system på tre nivåer, med ML-baserade OCR, m.in. ,, multi, M SK5, bildröstning, ,, text, MSC7, bara skikt extraktion, Mska8 och kostnaderna, M Ska9, medveten ruttering, M ska10, det är tillräckligt komplext för att kunna ha en egen detaljerad nedbrytning.

Related articles:

Del 1: begränsad otydlighetsmönster - Grundmuten
Del 2: begränsad fuzzy MoM - Multiple model coordination
Del 3: Kontext dragning - minne och tid
Del 4: Bildintelligens - Full wave architecture overview
DocSummarizer - Dokumentanalys med liknande mönster
DataSummarizer - Dataprofilering with determinism -first approach

Problemet: Det är svårt att extrahera text

OCR på riktiga bilder

Stiliserade fonter: Tesseract tränats på standardfonter, misslyckas med dekorativ text
Skrämmande GIFs: Framkompressionsartefakter
låg kontrast: mörk text på mörka bakgrunder
Roterade text: icke- horisontella textvinkel
Blandad innehåll: Synkronisbilder med flera textregioner
API-kostnader: Vision LLM-sändningar är dyra

Traditionell tillvägagångssätt: "Run Tesseract , om det inte fungerar med Vision LLMM SK3

Problemet: Det missar antingen stiliserad text ( Tesseract misslyckas ) eller kostar för mycket

Lösningen: Lägg till ett mellanstadium (Florence-2 ONNXM SK3 som hanterar stiliserade fonter lokalt , och skalar upp till Vision LLM bara när båda lokala metoderna misslyckas

OCR-Architekturen för tre

Systemet kör vågor i prioritära ordning. (högare värden.

Wave Priority Order:
  40: TextLikelinessWave → Heuristic text detection
  50: OcrWave            → Tesseract OCR (if text-likely)
  51: MlOcrWave          → Florence-2 ML OCR (if Tesseract low confidence)
  55: Florence2Wave      → Florence-2 captions (optional)
  80: VisionLlmWave      → Vision LLM (escalation)

Tier 1: Tesseract (Traditionella OCRM SK2

Prioritet			Spod	МSK2	kostnaderna			bäst för			begränsningar
50	~50ms			Gratis	МSK3	Rent text	,	hög kontrast	,	standardfonts	m		stiliserade fonter	m,	låg kvalitet	M,	roterad text ♫

utsläppta signaler:

ocr.text - Utvunnet text
ocr.confidence - Tesseracts medelvärde förtroende poäng

Tier 2: Florence-2 ONNX (ML OCRM SK3

Prioritet			Spod	МSK2	kostnaderna			bäst för			begränsningar
51	~200ms			Gratis			Stiliserade fonter	,	memer	skämttext			komplexa diagram	,	roterad text

utsläppta signaler:

ocr.ml.text - Enkel -frame FlorenceM SK2 OCR
ocr.ml.multiframe_text - Multi
ocr.ml.confidence - Modellförtroende poäng

Tier 3: Vision LLM (Cloud Fallback)

Prioritet			Spod	МSK2	kostnaderna			bäst för			begränsningar
80	~1-5s			$0.001-0.01			Allting	,	särskilt komplexa scener

utsläppta signaler:

ocr.vision.text - Extraktion av text från Vision LLM OCR
ocr.vision.confidence - LLM-förtroende
caption.text - fakultativt beskrevs undertitel separat från OCR

The ONNX Arsenal: Lokala ML-modeller

Innan du dyker in i de tre OCR-våningarna deterministiska ML-modeller som driver systemet. Alla modeller kör lokalt via ONNX Runtime— inga API-sändningar

Varför ONNX?

kör lokalt: Inga API-kyler , ingen nätverks latens
Deterministisk: Samma ingång | = | Samma utgång*
Vinnig: hårdvara-accelererad (CPU
Portable: Fungerar på Windows
Auto-downloaded: Den första versionen laddas ned automatiskt

* Lite varning: GPU-implementeringsoperatörer kan introducera nedbrytligt floaterande - punkt icke-determinism M SK2 Signalkontraktet ( förtroendeschwellor MSC4 routinglogik ) är fullkomligt deterministiska МSK6

De fem ONNX-modellerna

Beteckning: Storleken är approximerade och varierar mellan varianter / kvantifiering M SK2 Typiska ladda-downa-storlekar som visas härunder .

Modell		Ungefär	.	Storleken	МSK3	Befunnen			Rymden ♫		Modelltyp
Öst	~100MB		Scentextdetektorn
KRATT	~150MB		Zeichen	-	regional textdetektor	МSK4	~30	ms ♫		Textdetektor
Florence-2	~250MB		OCR	МSK3	undertitelning			~200	ms	SSK6	syn	-	språk
Real-ESRGAN	~60MB		МSK3	super	-	uppskiljande av upplösning
CLIP		~600	MB	МSK2	Semantiska inbäddar

Hela diskens utrymme: ~1.0-1.5GB beroende på valsmodellvarianter

1. Öst- -: Scene Text Detection

Effektiv och korrekt scentextdetektor - hittar textregioner i naturen

// EAST detects text bounding boxes with confidence scores
var result = await textDetector.RunEastDetectionAsync(imagePath);

// Output: List of BoundingBox with coordinates + confidence
// Example: [BoundingBox(x1:50, y1:100, x2:300, y2:150, confidence:0.92)]

Hur det fungerar:

En djupinlärningsmodell tränad på scentextdataset
utgångsresultatskarta (förtroende) + geometrikarta | ( | boxkoordinater
Handler roterad text, multi- text i skala
Använder icke -Maximum Suppression (NMS) för att sammanfoga överlappande lådor

Varför deterministiskt?

Ingen slumpmässighet i slutsatsen (frozen weightsM SK1
Samma bild → samma bounding boxer
Trovärdighetstest är återskapbara
Escalations tröskeln är config-driven (eM SK2g., < 0.5 → escalate)

tekniska detaljer:

// EAST preprocessing (from implementation)
- Input size: 320×320 (must be multiple of 32)
- Format: BGR with mean subtraction [123.68, 116.78, 103.94]
- Output stride: 4 (downsampled 4×)
- Score threshold: 0.5
- NMS IoU threshold: 0.4

exempel utgång:

Input: meme.png (800×600)
EAST detection: 15 text regions found
  Region 1: (50, 480, 750, 580) - confidence 0.87 [bottom subtitle area]
  Region 2: (100, 50, 300, 90) - confidence 0.62 [top text]
  Region 3: ...
Route decision: ANIMATED (subtitle pattern in bottom 30%)

2. CRAFT: karaktär Regionsmedvetenhet

Karakter-nivån för detektor av text - presterar bra på böjda texter , konstnärliga M SK2 och stiliserad text

// CRAFT finds character-level regions, then groups into words
var result = await textDetector.RunCraftDetectionAsync(imagePath);

// Better than EAST for: decorative fonts, curved text, logos

Hur det fungerar:

Detektor för individuella teckenregioner (grannare än EASTM SK1
Användar likhetstest för att gruppa tecken till ord
Flood-fill-algoritmen hittar kopplade textkomponenter
Handler kurvad text som EAST missar

När CRAFT används:

EAST är inte tillgänglig eller misslyckats
Bild har konstnärliga skriftivor
Användaren väljer explicit CRAFT-detektor

tekniska detaljer:

// CRAFT preprocessing
- Max dimension: 1280px (maintains aspect ratio)
- Format: RGB normalized with ImageNet stats
- Mean: [0.485, 0.456, 0.406]
- Std: [0.229, 0.224, 0.225]
- Output stride: 2 (downsampled 2×)
- Threshold: 0.4 for character regions

Öst och CRAFT jämförelse:

Funktionen	Öst	KRAT
Detektornivån	Ordet M SK2 linje ♫	♫ Karakter ♫
Spod	♫ ♫ ~20 ♫ ms ♫
Som bäst för	Standardtext, undertitel	Dekorativa fonter, logotyper
Kvävande text	Begränsad	Utmärkt
Modellstorlek	100MB		4	MB	5

3. verkligt - ESRGAN: SuperM SK3Opscaling av lösning

Förhöjer låg---kvalitetsbilder före OCR -

// Upscale low-quality image before running OCR
if (quality.Sharpness < 30)  // Laplacian variance threshold
{
    var upscaled = await esrganService.UpscaleAsync(imagePath, scale: 4);
    // Now run OCR on the enhanced image
}

När ' används:

Bild skarphet < 30 ♫ ♫ ( ♫ Laplacians varians ♫
Textregioner upptäckta men väldigt små (< 20px höjd)
OCR-förtroende låg, men textregioner finns
Användaren begär explicit uppskiljande

exempel:

Input:  100×75 screenshot with tiny text
        Laplacian variance: 18 (very blurry)

ESRGAN: Upscale to 400×300 (~500ms)
        New Laplacian variance: 87 (sharp)

OCR:    Tesseract confidence: 0.92 (vs 0.42 before upscaling)
        Text: "Click here to continue" (vs garbled before)

tekniska detaljer:

// Real-ESRGAN processing
- Input: Any size (processed in 128×128 tiles if large)
- Output: 4× scaled (200×150 → 800×600)
- Model: x4plus variant (general photos)
- Processing: ~500ms for 800×600 image
- Memory: ~2GB peak (tiles reduce this)

Markekonomi:

Scenario: Screenshot with tiny text

Option 1: Send low-res to Vision LLM
  Image: 100×75 = ~20 tokens
  LLM can't read tiny text → fails
  Cost: $0.0002 (wasted)

Option 2: Upscale with ESRGAN, use Tesseract
  ESRGAN: Free (local), 500ms
  Tesseract: Free (local), 50ms
  Success: 92% confidence
  Cost: $0

Result: ESRGAN + local OCR beats Vision LLM for low-res images

4. CLIP: Semantiska inbäddar

Multimodella inbäddar för semantisk bildsökning - Projekterar bilder och text till en del av vektorn

// Generate embedding for semantic search
var embedding = await clipService.GenerateEmbeddingAsync(imagePath);
// Returns: float[512] vector

// Later: semantic search across thousands of images
var similarImages = await vectorDb.SearchAsync(queryEmbedding, topK: 10);

Hur det fungerar:

CLIP ViT-B /32 visuell kodare (350MBM SK3
Projekterar bilder till 512-dimensionella vektorer
Tränade för att passa ihop med textbeschreibunger
Aktiverar "find bilder som denna" utan nyckelord

Använd fall:

Semantisk bildsökning i RAG-system
Duplikat-detektorn ( även om redigerad
innehåll-baserad klustering
liknande bildbeveelningar

tekniska detaljer:

// CLIP visual encoder
- Model: ViT-B/32 (Vision Transformer)
- Input: 224×224 RGB (center crop + resize)
- Output: 512-dimensional embedding
- Normalized: L2 norm = 1.0
- Speed: ~100ms per image

exempel:

Input images:
  cat_on_couch.jpg → [0.23, -0.51, 0.88, ...]
  dog_on_couch.jpg → [0.19, -0.48, 0.91, ...]
  car_photo.jpg    → [-0.67, 0.33, -0.12, ...]

Query: "animals on furniture"
  Text embedding → [0.21, -0.50, 0.89, ...]

Cosine similarity:
  cat_on_couch: 0.94 (very similar!)
  dog_on_couch: 0.91 (similar)
  car_photo: 0.12 (not similar)

Result: Returns cat and dog images

5. Florensen -2: Vision-Longskapsmodell | ( | Kapt i skala |2)

Se sektionen Tier 2 för fulla detaljer om Florence -2 ONNX OCR och undertitelning.

Auto-Download System

Alla modeller laddas ned automatiskt på första användning:

$ imagesummarizer image.png --pipeline auto

[First run]
Downloading EAST scene text detector (~100MB)...
  Progress: ████████████████████ 100% (102.4 MB)
Downloading Florence-2 base model (~250MB)...
  Progress: ████████████████████ 100% (248.7 MB)
Downloading CLIP ViT-B/32 visual (~350MB)...
  Progress: ████████████████████ 100% (347.2 MB)

Models saved to: ~/.mostlylucid/models/
Total disk space: 1.16 GB

[Subsequent runs]
All models cached, analysis starts immediately

Glädjande nedbrytning:

// If ONNX model download fails, system falls back gracefully
EAST unavailable → Try CRAFT → Fall back to Tesseract PSM
Real-ESRGAN unavailable → Skip upscaling, use original image
CLIP unavailable → Skip embeddings, OCR still works
Florence-2 unavailable → Use Tesseract → Vision LLM escalation

Varje ONNX-modellers misslyckande registreras med fallbackpfad, vilket garanterar att systemet aldrig kraschar på grund av förlorade modeller.

Varför det här spelar roll

Beteckning om pris: Förklaringar till kostnaden härunder använder illustrationer av prissättningar (~$0.005/bild för Vision LLM ♫ ♫ ). Actuala API-kostnader varierar mellan leverantör och modell ♫

Utan ONNX-modeller (grundlinjen):

Every image → Send to Vision LLM
  Cost: ~$0.005/image (example pricing)
  Time: ~2s network + inference
  100 images = ~$0.50, ~200s

Med ONNX-modeller (lokalt-firstM SK2

85 images → EAST + Florence-2 (local)
  Cost: $0
  Time: ~200ms

10 images → EAST + Tesseract (local)
  Cost: $0
  Time: ~50ms

5 images → EAST + Vision LLM (escalation)
  Cost: ~$0.025 (5 × $0.005)
  Time: ~2s each

100 images = ~$0.025, ~30s total

besparingar: ~95% kostnadsförsägning, | | 3 | snabbare deterministisk vägledning.

De ONNX-modellerna omvandlar systemet från "probabilistiskt hela vägen ner " till ♫ "deterministisk grund ♫+ ♫ Probabilistisk upphöjning endast när det behövs ♫

Tier 1: Tesseract OCR

Den basnivån. FastM SK1 deterministiska , fungerar jättebra för ren text

public class OcrWave : IAnalysisWave
{
    public string Name => "OcrWave";
    public int Priority => 60;  // After color/identity

    public async Task<IEnumerable<Signal>> AnalyzeAsync(
        string imagePath,
        AnalysisContext context,
        CancellationToken ct)
    {
        var signals = new List<Signal>();

        // Get preprocessed image from cache
        var image = context.GetCached<Image<Rgba32>>("image");

        // Run Tesseract OCR
        using var engine = new TesseractEngine(@"./tessdata", "eng", EngineMode.Default);
        using var page = engine.Process(image);

        var text = page.GetText();
        var confidence = page.GetMeanConfidence();

        signals.Add(new Signal
        {
            Key = "ocr.text",  // Tesseract OCR result
            Value = text,
            Confidence = confidence,
            Source = Name,
            Tags = new List<string> { "ocr", "text" },
            Metadata = new Dictionary<string, object>
            {
                ["engine"] = "tesseract",
                ["mean_confidence"] = confidence,
                ["word_count"] = text.Split(' ').Length
            }
        });

        signals.Add(new Signal
        {
            Key = "ocr.confidence",
            Value = confidence,
            Confidence = 1.0,
            Source = Name
        });

        return signals;
    }
}

Nyckelsignaler:

ocr.full_text - Den extrahererade texten
ocr.early_exit - Signal för att hoppa över Niveau 2/3 om självförtroende är hög
Tilltrovärdighet driver eskalerande beslut

Tier 2: Florence-2 ONNX

Microsoft's Florence-2 är ett visionsmodell - språk som presterar bra på tätt skriftskapande och OCR . Versionen på ONNX kör lokalt utan API-kostnader

Varför Florence-2?

Bättre än Tesseract för stiliserade fonter: Handles dekorativ text , memer
snabbare än Vision LLM: ~200ms vs 1-5s
fri: kör lokalt , ingen API-kliv behövs
Multimodella förståelse: Kan extrahera text i sammanhanget

Implementering

public class MlOcrWave : IAnalysisWave
{
    private readonly Florence2OnnxModel _model;

    public string Name => "MlOcrWave";
    public int Priority => 51;  // Runs AFTER Tesseract (priority 50)

    public async Task<IEnumerable<Signal>> AnalyzeAsync(
        string imagePath,
        AnalysisContext context,
        CancellationToken ct)
    {
        var signals = new List<Signal>();

        // Check if Tesseract already succeeded with high confidence
        var tesseractConfidence = context.GetValue<double>("ocr.confidence");
        if (tesseractConfidence >= 0.95)
        {
            signals.Add(new Signal
            {
                Key = "ocr.ml.skipped",  // Consistent namespace: ocr.ml.*
                Value = true,
                Confidence = 1.0,
                Source = Name,
                Metadata = new Dictionary<string, object>
                {
                    ["reason"] = "tesseract_high_confidence",
                    ["tesseract_confidence"] = tesseractConfidence
                }
            });
            return signals;
        }

        // Run Florence-2 OCR
        var result = await _model.ExtractTextAsync(imagePath, ct);

        signals.Add(new Signal
        {
            Key = "ocr.ml.text",  // Florence-2 ML OCR text
            Value = result.Text,
            Confidence = result.Confidence,
            Source = Name,
            Tags = new List<string> { "ocr", "text", "ml" },
            Metadata = new Dictionary<string, object>
            {
                ["model"] = "florence2-base",
                ["inference_time_ms"] = result.InferenceTime,
                ["token_count"] = result.TokenCount
            }
        });

        // For animated GIFs, extract all unique frames
        if (context.GetValue<int>("identity.frame_count") > 1)
        {
            var frameResults = await ExtractMultiFrameTextAsync(
                imagePath,
                maxFrames: 10,
                ct);

            signals.Add(new Signal
            {
                Key = "ocr.ml.multiframe_text",
                Value = frameResults.CombinedText,
                Confidence = frameResults.AverageConfidence,
                Source = Name,
                Metadata = new Dictionary<string, object>
                {
                    ["frames_processed"] = frameResults.FrameCount,
                    ["unique_text_segments"] = frameResults.UniqueSegments,
                    ["deduplication_method"] = "levenshtein_85"
                }
            });
        }

        return signals;
    }
}

Multi-Form GIF-behandling

För animerade GIFs

private async Task<MultiFrameResult> ExtractMultiFrameTextAsync(
    string imagePath,
    int maxFrames,
    CancellationToken ct)
{
    // Load GIF and extract frames
    using var image = await Image.LoadAsync<Rgba32>(imagePath, ct);
    var frames = new List<Image<Rgba32>>();

    int frameCount = image.Frames.Count;
    int step = Math.Max(1, frameCount / maxFrames);

    for (int i = 0; i < frameCount; i += step)
    {
        frames.Add(image.Frames.CloneFrame(i));
    }

    // Process all frames in parallel (bounded concurrency to avoid thrashing)
    var semaphore = new SemaphoreSlim(4);  // Max 4 concurrent inferences
    var tasks = frames.Select(async frame =>
    {
        await semaphore.WaitAsync(ct);
        try
        {
            var result = await _model.ExtractTextAsync(frame, ct);
            return result;
        }
        finally
        {
            semaphore.Release();
        }
    });

    var results = await Task.WhenAll(tasks);
    semaphore.Dispose();

    // Deduplicate using Levenshtein distance
    var uniqueTexts = DeduplicateByLevenshtein(
        results.Select(r => r.Text).ToList(),
        threshold: 0.85);

    return new MultiFrameResult
    {
        CombinedText = string.Join("\n", uniqueTexts),
        FrameCount = frames.Count,
        UniqueSegments = uniqueTexts.Count,
        AverageConfidence = results.Average(r => r.Confidence)
    };
}

private List<string> DeduplicateByLevenshtein(
    List<string> texts,
    double threshold)
{
    var unique = new List<string>();

    foreach (var text in texts)
    {
        bool isDuplicate = false;
        foreach (var existing in unique)
        {
            var distance = LevenshteinDistance(text, existing);
            var maxLen = Math.Max(text.Length, existing.Length);
            var similarity = 1.0 - (distance / (double)maxLen);

            if (similarity >= threshold)
            {
                isDuplicate = true;
                break;
            }
        }

        if (!isDuplicate)
        {
            unique.Add(text);
        }
    }

    return unique;
}

exempel: 93-frame GIF | | → |

Frame 1-45:  "I'm not even mad."
Frame 46-93: "That's amazing."

Routering Beslutet

Detektorn av OpenCVs text (~5-20ms) bestämmer vilken väg man ska ta

public class TextDetectionService
{
    public TextDetectionResult DetectText(Image<Rgba32> image)
    {
        // Use OpenCV EAST text detector
        var (regions, confidence) = RunEastDetector(image);

        return new TextDetectionResult
        {
            HasText = regions.Count > 0,
            RegionCount = regions.Count,
            Confidence = confidence,
            Route = SelectRoute(regions, confidence, image)
        };
    }

    private ProcessingRoute SelectRoute(
        List<TextRegion> regions,
        double confidence,
        Image<Rgba32> image)
    {
        // No text detected
        if (regions.Count == 0)
            return ProcessingRoute.NoOcr;

        // Animated GIF with subtitle pattern
        if (image.Frames.Count > 1 && HasSubtitlePattern(regions))
            return ProcessingRoute.AnimatedFilmstrip;

        // High confidence, standard text
        if (confidence >= 0.8 && HasStandardTextCharacteristics(regions))
            return ProcessingRoute.Fast;  // Florence-2 only

        // Moderate confidence
        if (confidence >= 0.5)
            return ProcessingRoute.Balanced;  // Florence-2 + Tesseract voting

        // Low confidence, complex image
        return ProcessingRoute.Quality;  // Full pipeline + Vision LLM
    }

    private bool HasSubtitlePattern(List<TextRegion> regions)
    {
        // Subtitles are typically in bottom 30% of frame
        var bottomRegions = regions.Where(r =>
            r.BoundingBox.Y > r.ImageHeight * 0.7);

        return bottomRegions.Count() >= regions.Count * 0.5;
    }
}

Route-presterande

Router			Triglar när			Bearbetande			Timm	МSK4	kostnaderna
FAST	Högt tillförtroende	(>0.8),	standardtext			Florensen	МSK3	bara
BALANCED	Moderat självförtroende
QUALITY	lågt självförtroende	(<0.5),	komplex	МSK2	Multi	-	ram	+	Vision LLM
ANIMATED	GIF med subtitretsmönster			Text	-	bara filmspår		3	4	5	6	7

Text-Omnär Streck extraktion

Den genombrottsoptimeringen för GIF-字幕n: extrakt bara textregionen, inte hela bilder

Problemet

Ett traditionellt tillvägagångssätt för ett 93-frame GIF med undertitel

Option 1: Process every frame
  93 frames × 300×185 × ~150 tokens/frame = 13,950 tokens
  Cost: ~$0.14 @ $0.01/1K tokens
  Time: ~27 seconds

Option 2: Sample 10 frames
  10 frames × 300×185 × ~150 tokens/frame = 1,500 tokens
  Cost: ~$0.015
  Time: ~3 seconds
  Problem: Might miss subtitle changes

Lösningen

Ta bort bara textbubblade lådor, som eliminerar bakgrundspixlar:

2 text regions × 250×50 × ~25 tokens/region = 50 tokens
Cost: ~$0.0005
Time: ~2 seconds
Token reduction: 30×

Implementering

public class FilmstripService
{
    public async Task<TextOnlyStrip> CreateTextOnlyStripAsync(
        string imagePath,
        CancellationToken ct)
    {
        using var gif = await Image.LoadAsync<Rgba32>(imagePath, ct);

        // 1. Detect subtitle region (bottom 30% of frames)
        var subtitleRegion = DetectSubtitleRegion(gif);

        // 2. Extract frames with text changes
        var uniqueFrames = ExtractUniqueTextFrames(gif, subtitleRegion);

        // 3. Extract tight bounding boxes around text
        var textRegions = ExtractTextBoundingBoxes(uniqueFrames);

        // 4. Create horizontal strip of text-only regions
        var strip = CreateHorizontalStrip(textRegions);

        return new TextOnlyStrip
        {
            Image = strip,
            RegionCount = textRegions.Count,
            TotalTokens = EstimateTokens(strip),
            OriginalTokens = EstimateTokens(gif),
            Reduction = CalculateReduction(strip, gif)
        };
    }

    private Rectangle DetectSubtitleRegion(Image<Rgba32> gif)
    {
        // Analyze bottom 30% of frame for text patterns
        int subtitleHeight = (int)(gif.Height * 0.3);
        int subtitleY = gif.Height - subtitleHeight;

        return new Rectangle(0, subtitleY, gif.Width, subtitleHeight);
    }

    private List<Image<Rgba32>> ExtractUniqueTextFrames(
        Image<Rgba32> gif,
        Rectangle subtitleRegion)
    {
        var uniqueFrames = new List<Image<Rgba32>>();
        Image<Rgba32>? previousFrame = null;

        for (int i = 0; i < gif.Frames.Count; i++)
        {
            var frame = gif.Frames.CloneFrame(i);
            var subtitleCrop = frame.Clone(ctx =>
                ctx.Crop(subtitleRegion));

            // Compare with previous frame
            if (previousFrame == null ||
                HasTextChanged(subtitleCrop, previousFrame, threshold: 0.05))
            {
                uniqueFrames.Add(subtitleCrop);
                previousFrame = subtitleCrop;
            }
        }

        return uniqueFrames;
    }

    private bool HasTextChanged(
        Image<Rgba32> current,
        Image<Rgba32> previous,
        double threshold)
    {
        // Threshold bright pixels (white/yellow text on dark background)
        var currentBright = CountBrightPixels(current);
        var previousBright = CountBrightPixels(previous);

        // Calculate Jaccard similarity of bright pixels
        var intersection = currentBright.Intersect(previousBright).Count();
        var union = currentBright.Union(previousBright).Count();

        var similarity = union > 0 ? intersection / (double)union : 1.0;

        // Text changed if similarity drops below threshold
        return similarity < (1.0 - threshold);
    }

    // Helper type for bounding box + crop
    private record TextCrop
    {
        public required Image<Rgba32> CroppedImage { get; init; }
        public required Rectangle Bounds { get; init; }
    }

    private List<TextCrop> ExtractTextBoundingBoxes(
        List<Image<Rgba32>> frames)
    {
        var textCrops = new List<TextCrop>();

        foreach (var frame in frames)
        {
            // Threshold to get text mask
            var mask = ThresholdBrightPixels(frame, minValue: 200);

            // Find connected components (text regions)
            var components = FindConnectedComponents(mask);

            // Get tight bounding box around all components
            var bbox = GetTightBoundingBox(components);

            // Add padding
            bbox.Inflate(5, 5);

            // Clone the region (dispose properly in production!)
            var cropped = frame.Clone(ctx => ctx.Crop(bbox));

            textCrops.Add(new TextCrop
            {
                CroppedImage = cropped,
                Bounds = bbox
            });
        }

        return textCrops;
    }

    private Image<Rgba32> CreateHorizontalStrip(
        List<TextCrop> textCrops)
    {
        // Calculate strip dimensions
        int totalWidth = textCrops.Sum(c => c.Bounds.Width);
        int maxHeight = textCrops.Max(c => c.Bounds.Height);

        // Create blank canvas
        var strip = new Image<Rgba32>(totalWidth, maxHeight);

        // Paste text regions horizontally
        int xOffset = 0;
        foreach (var crop in textCrops)
        {
            strip.Mutate(ctx => ctx.DrawImage(
                crop.CroppedImage,
                new Point(xOffset, 0),
                opacity: 1.0f));

            xOffset += crop.Bounds.Width;

            // Dispose crop after use (important!)
            crop.CroppedImage.Dispose();
        }

        return strip;
    }
}

Ett visuellt exempel

Input: anchorman-not-even-mad.gif (93 frames, 300×185)

Bearbetande:

1. Detect subtitle region: bottom 30% (300×55)
2. Extract unique frames: 93 frames → 2 text changes
3. Extract tight bounding boxes:
   - Frame 1-45: "I'm not even mad." → 252×49 bbox
   - Frame 46-93: "That's amazing." → 198×49 bbox
4. Create horizontal strip: 450×49 total

Utgång: Text

Text-Omnär Stripp Exempla

Symbolekonomi:

Hela rader (10 provspelat): 300×185 | | × |
OCR-stripp (2 ramlar): 300×185 ♫ ♫ × ♫
Text- endast fläck: 450×49 ♫ ♫ = ♫

30× minskning medan all undertitel text bevaras.

Tier 3: Vision LLM Escalation

När både Tesseract och Florence misslyckas eller producerar låga resultat med - och , skalar upp till Vision LLM.

Kvalitets grind

public class OcrQualityWave : IAnalysisWave
{
    private readonly SpellChecker _spellChecker;

    public string Name => "OcrQualityWave";
    public int Priority => 58;  // After Florence-2 and Tesseract

    public async Task<IEnumerable<Signal>> AnalyzeAsync(
        string imagePath,
        AnalysisContext context,
        CancellationToken ct)
    {
        var signals = new List<Signal>();

        // Get best OCR result from earlier waves (priority order)
        string? ocrText =
            context.GetValue<string>("ocr.ml.text") ??  // Florence-2 (priority 51)
            context.GetValue<string>("ocr.text");        // Tesseract (priority 50)

        if (string.IsNullOrWhiteSpace(ocrText))
        {
            signals.Add(new Signal
            {
                Key = "ocr.quality.no_text",
                Value = true,
                Confidence = 1.0,
                Source = Name
            });
            return signals;
        }

        // Run spell check (deterministic quality assessment)
        var spellResult = _spellChecker.CheckTextQuality(ocrText);

        // Additional quality signals to avoid false positives
        var alphanumRatio = CalculateAlphanumericRatio(ocrText);  // Letters/digits vs junk
        var avgTokenLength = CalculateAverageTokenLength(ocrText);

        signals.Add(new Signal
        {
            Key = "ocr.quality.spell_check_score",
            Value = spellResult.CorrectWordsRatio,
            Confidence = 1.0,
            Source = Name,
            Metadata = new Dictionary<string, object>
            {
                ["total_words"] = spellResult.TotalWords,
                ["correct_words"] = spellResult.CorrectWords,
                ["garbled_words"] = spellResult.GarbledWords,
                ["alphanum_ratio"] = alphanumRatio,
                ["avg_token_length"] = avgTokenLength
            }
        });

        // Deterministic escalation threshold
        // NOTE: Spellcheck alone can false-trigger on proper nouns, memes, brand names.
        // Use additional signals (alphanum ratio, token length) to reduce false escalations.
        bool isGarbled = spellResult.CorrectWordsRatio < 0.5 &&
                         alphanumRatio > 0.7;  // Mostly valid characters, just not in dictionary

        signals.Add(new Signal
        {
            Key = "ocr.quality.is_garbled",
          Value = isGarbled,
            Confidence = 1.0,
            Source = Name
        });

        // Signal Vision LLM escalation
        if (isGarbled)
        {
            signals.Add(new Signal
            {
                Key = "ocr.quality.escalation_required",
                Value = true,
                Confidence = 1.0,
                Source = Name,
                Tags = new List<string> { "action_required", "escalation" },
                Metadata = new Dictionary<string, object>
                {
                    ["reason"] = "spell_check_below_threshold",
                    ["quality_score"] = spellResult.CorrectWordsRatio,
                    ["threshold"] = 0.5,
                    ["target_tier"] = "vision_llm"
                }
            });

            // Cache garbled text for Vision LLM to access
            context.SetCached("ocr.garbled_text", ocrText);
        }

        return signals;
    }
}

Escalation är deterministisk: spelkontrollsvärde <

Vision LLM med filmspårning

När eskalation aktiveras för animerade GIFs

public class VisionLlmWave : IAnalysisWave
{
    private readonly IVisionLlmClient _client;

    public string Name => "VisionLlmWave";
    public int Priority => 50;

    public async Task<IEnumerable<Signal>> AnalyzeAsync(
        string imagePath,
        AnalysisContext context,
        CancellationToken ct)
    {
        var signals = new List<Signal>();

        // Check if escalation is required
        var escalationRequired = context.GetValue<bool>(
            "ocr.quality.escalation_required");

        if (!escalationRequired)
        {
            signals.Add(new Signal
            {
                Key = "vision.llm.skipped",
                Value = true,
                Confidence = 1.0,
                Source = Name,
                Metadata = new Dictionary<string, object>
                {
                    ["reason"] = "no_escalation_required"
                }
            });
            return signals;
        }

        // For animated GIFs, use text-only strip
        string imageToProcess = imagePath;
        bool usedFilmstrip = false;

        if (context.GetValue<int>("identity.frame_count") > 1)
        {
            var filmstrip = await CreateTextOnlyStripAsync(imagePath, ct);
            imageToProcess = filmstrip.Path;
            usedFilmstrip = true;

            signals.Add(new Signal
            {
                Key = "vision.filmstrip.created",
                Value = true,
                Confidence = 1.0,
                Source = Name,
                Metadata = new Dictionary<string, object>
                {
                    ["mode"] = "text_only",
                    ["region_count"] = filmstrip.RegionCount,
                    ["token_reduction"] = filmstrip.Reduction,
                    ["original_tokens"] = filmstrip.OriginalTokens,
                    ["final_tokens"] = filmstrip.TotalTokens
                }
            });
        }

        // Build constrained prompt
        var prompt = BuildConstrainedPrompt(context);

        // Call Vision LLM
        var result = await _client.ExtractTextAsync(
            imageToProcess,
            prompt,
            ct);

        // Emit OCR text signal (Vision LLM tier)
        signals.Add(new Signal
        {
            Key = "ocr.vision.text",  // Vision LLM OCR result
            Value = result.Text,
            Confidence = 0.95,  // High but not 1.0 - still probabilistic
            Source = Name,
            Tags = new List<string> { "ocr", "vision", "llm" },
            Metadata = new Dictionary<string, object>
            {
                ["model"] = result.Model,
                ["used_filmstrip"] = usedFilmstrip,
                ["inference_time_ms"] = result.InferenceTime,
                ["token_count"] = result.TokenCount,
                ["cost_usd"] = result.Cost
            }
        });

        // Optionally emit caption if requested (separate from OCR)
        if (result.Caption != null)
        {
            signals.Add(new Signal
            {
                Key = "caption.text",  // Descriptive caption, not OCR
                Value = result.Caption,
                Confidence = 0.90,
                Source = Name,
                Tags = new List<string> { "caption", "description" }
            });
        }

        return signals;
    }

    private string BuildConstrainedPrompt(AnalysisContext context)
    {
        var sb = new StringBuilder();

        sb.AppendLine("Extract all text from this image.");
        sb.AppendLine();
        sb.AppendLine("CONSTRAINTS:");
        sb.AppendLine("- Only extract text that is actually visible");
        sb.AppendLine("- Preserve formatting and line breaks");
        sb.AppendLine("- If no text is present, return empty string");
        sb.AppendLine();

        // Add context from earlier waves
        var garbledText = context.GetCached<string>("ocr.garbled_text");
        if (!string.IsNullOrEmpty(garbledText))
        {
            sb.AppendLine("CONTEXT:");
            sb.AppendLine("Traditional OCR detected garbled text:");
            sb.AppendLine($"  \"{garbledText}\"");
            sb.AppendLine("Use this as a hint for stylized or unusual fonts.");
            sb.AppendLine();
        }

        sb.AppendLine("Return only the extracted text, no commentary.");

        return sb.ToString();
    }
}

Prioritetskedjan

När alla nivåer är färdiga, så använder den slutliga textselektionen en strikt prioritering

public static string? GetFinalText(DynamicImageProfile profile)
{
    // Priority chain (highest to lowest quality)
    // NOTE: This selects ONE source, but the ledger exposes ALL sources
    // with confidence scores for downstream inspection

    // 1. Vision LLM OCR (best for complex/garbled text)
    var visionText = profile.GetValue<string>("ocr.vision.text");
    if (!string.IsNullOrEmpty(visionText))
        return visionText;

    // 2. Florence-2 multi-frame GIF OCR (best for animations)
    var florenceMultiText = profile.GetValue<string>("ocr.ml.multiframe_text");
    if (!string.IsNullOrEmpty(florenceMultiText))
        return florenceMultiText;

    // 3. Florence-2 single-frame ML OCR (good for stylized fonts)
    var florenceText = profile.GetValue<string>("ocr.ml.text");
    if (!string.IsNullOrEmpty(florenceText))
        return florenceText;

    // 4. Tesseract OCR (reliable for clean standard text)
    var tesseractText = profile.GetValue<string>("ocr.text");
    if (!string.IsNullOrEmpty(tesseractText))
        return tesseractText;

    // 5. Fallback (empty)
    return string.Empty;
}

Varje nivå har kända egenskaper:

källa			Signal nyckeln	МSK2	bäst för		självförtroende
Vision LLM OCR	`ocr.vision.text`	Kompleksa diagram , roterad text
Florensen-2 (GIF `ocr.ml.multiframe_text`	animerade GIFs med undertitel			0.85-0.92
Florensen `ocr.ml.text`	Stiliserade fonterM SK1 memer, dekorativ text	0.85-0.90		5	Gratis		МSK7	ms
Tesseract	`ocr.text`	Rent standardtext, hög kontrast	Variationer	Gratis		~50 ms

kostnadsanalys

Innan Three-Tier System

100 bilder , alla med Vision LLM

100 images × $0.005/image = $0.50
Total time: 100 × 2s = 200 seconds

Efter Three-Tier System

Trafikfördelning (typiskt):

60 bilder
25 bilder
10 bilder | → | QUALITÄTS-Rotta ♫ (+ | Vision LLM ♫
5 bilder

Cost:
  60 × $0 = $0
  25 × $0 = $0
  10 × $0.005 = $0.05
  5 × $0.002 = $0.01
  Total: $0.06

Time:
  60 × 0.1s = 6s
  25 × 0.3s = 7.5s
  10 × 2s = 20s
  5 × 2.5s = 12.5s
  Total: 46 seconds

Savings:
  Cost: 88% reduction ($0.50 → $0.06)
  Time: 77% reduction (200s → 46s)

Den mellansta nivån (Florence-2) hanterar 85% av bilder till noll kostnad

Att sätta allt samman

Här är den fulla strömmen för ett meme-GIF med undertitel.

1. Load image: anchorman-not-even-mad.gif (93 frames)

2. IdentityWave (priority 10):
   → identity.frame_count = 93
   → identity.format = "gif"
   → identity.is_animated = true

3. TextLikelinessWave (priority 40, ~10ms):
   → Heuristic text detection: 15 regions in bottom 30%
   → Subtitle pattern: DETECTED
   → text.likeliness = 0.85

4. OcrWave (priority 50, ~60ms):
   → Run Tesseract OCR on first frame
   → ocr.text = "I'm not emn mad."  (garbled)
   → ocr.confidence = 0.62

5. MlOcrWave (priority 51, ~180ms):
   → Tesseract confidence < 0.95, run Florence-2
   → Sample 10 frames (animated GIF)
   → Run Florence-2 on each frame (parallel)
   → Deduplicate: 10 results → 2 unique texts
   → ocr.ml.multiframe_text = "I'm not even mad.\nThat's amazing."
   → ocr.ml.confidence = 0.91

6. OcrQualityWave (priority 58, ~5ms):
   → Check Florence-2 result
   → Spell check: 6/6 words correct (100%)
   → ocr.quality.is_garbled = false
   → ocr.quality.escalation_required = false

7. VisionLlmWave (priority 80, SKIPPED):
   → No escalation required (Florence-2 succeeded)

Final output:
  Text: "I'm not even mad.\nThat's amazing."
  Source: ocr.ml.multiframe_text
  Confidence: 0.91
  Cost: $0 (local processing)
  Time: ~250ms total (Tesseract + Florence-2)

Om Florence hade misslyckats, skulle flödet fortsätta.

6. OcrQualityWave:
   → Spell check: 2/6 words correct (33%)
   → ocr.quality.is_garbled = true
   → ocr.quality.escalation_required = true

7. VisionLlmWave:
   → Create text-only filmstrip (2 regions, 450×49)
   → Send to Vision LLM: "Extract all text from this strip"
   → vision.llm.text = "I'm not even mad.\nThat's amazing."
   → Confidence: 0.95
   → Cost: ~$0.002 (30× token reduction vs full frames)
   → Time: ~2.3s

Konfiguration

Systemet med tre nivåer är fullt konfigurierbart

{
  "DocSummarizer": {
    "Ocr": {
      "Tesseract": {
        "Enabled": true,
        "DataPath": "/usr/share/tesseract-ocr/4.00/tessdata",
        "Languages": ["eng"],
        "EarlyExitThreshold": 0.95
      },
      "Florence2": {
        "Enabled": true,
        "ModelPath": "models/florence2-base",
        "ConfidenceThreshold": 0.85,
        "MaxFrames": 10,
        "DeduplicationMethod": "levenshtein",
        "LevenshteinThreshold": 0.85
      },
      "Quality": {
        "SpellCheckThreshold": 0.5,
        "EscalationEnabled": true
      }
    },
    "VisionLlm": {
      "Enabled": true,
      "Provider": "ollama",
      "OllamaUrl": "http://localhost:11434",
      "Model": "minicpm-v:8b",
      "MaxRetries": 3,
      "TimeoutSeconds": 30
    },
    "Filmstrip": {
      "TextOnlyMode": true,
      "SubtitleRegionPercent": 0.3,
      "BrightPixelThreshold": 200,
      "TextChangeThreshold": 0.05
    },
    "Routing": {
      "FastRouteConfidence": 0.8,
      "BalancedRouteConfidence": 0.5,
      "TextDetectionEnabled": true
    }
  }
}

Misslyckande former

Misslyckanden	Detektorn ♫ ♫	♫ Reaktionen ♫
Tesseract misslyckas	Förtroende <		0.7 Eller stavningskontroll ♫ ♫ < ♫
Florence-2 misslyckas	Förtroende <		0.5 Eller stavningskontroll ♫ ♫ < ♫
Vision LLM avbrott	begäran överträffar 30s	Gå tillbaka till det bästa tillgängliga OCR-resultatet
Alla steg misslyckas	Alla resultat är tomma eller stökiga	Ge tillbaka den tomma raden med självförtroende
API-kostnadsgränsen	Den dagliga budgeten överträffade			Oskalig syn LLM	,	använda Florenz	-2	bara
Modell inte tillgängligt	FlorenceM SK1Vision LLM offline	Gå över nivån, gå vidare till nästa

Varje misslyckande är deterministiskt och registrerad med full provenance.

jämförelse med andra metoder

Traditionell: Tesseract + Handfallback

For each image:
  1. Run Tesseract
  2. If looks wrong, manually fix or skip

Problems:
- No middle tier (binary: works or doesn't)
- Manual intervention required
- No cost optimization

Cloud-First: Använd alltid Vision LLM

For each image:
  1. Send to GPT-4o/Claude
  2. Pay $0.005-0.01 per image

Problems:
- Expensive (85% of images could be free)
- Slow (network latency)
- Still hallucinates without constraints

Tre-TierM SK1 Lokalt- Först med Smart Escalation

For each image:
  1. OpenCV text detection (5-20ms, free)
  2. Route to appropriate tier
  3. Florence-2 handles 85% locally (200ms, free)
  4. Vision LLM only for complex cases (2-5s, $0.001-0.01)

Benefits:
- 88% cost reduction
- 77% faster (most images process locally)
- Deterministic escalation (auditable)
- Filmstrip optimization (30× token reduction)
- Constrained by deterministic signals

Slutsatsen

Den treste OCR-tunneln bevisar att kostnad- medveten riktning och lokal-first bearbetande kan dramatiskt förbättra både kvaliteten och ekonomin utan att ge upp på kvalitet.

Nyckelinsikter

Florence-2 ONNX är det bästa stället: Bättre än Tesseract för stiliserade fonter , snabbare och billigare än Vision LLMs
Texten-only strips uppnår M SK1 tokenreduktion: Extrahera bångboxar , inte fulla ramar
Routing är deterministiskt: OpenCV-detektorn + tillförtroende tröskeln
Escalation är kontrollbar: Varje nivå släpper ut signaler med provenance
Misslyckanden är graciös.: Prioritetskedjan försäkrar återfall till den bästa tillgängliga källan

Patterns skalor: lokal deterministisk analys → lokal ML-modell → molnesckalation, varenda nivå med kända egenskaper och kostnadshandel

Detta är begränsad fuzziness som tillämpas på OCR: deterministiska signaler ( spelkontroll M SK2 textdetektorn ) begränsande probabilistiska modeller | ( | Florence |-2, | Vision LLM | МSK6 | och den slutgiltiga utgången aggregerar källor efter kvalitet |

resurser

LucidRAG Dokumentation

ImageSummarizer Library - källkod
Vision OCR-integration -
Architecture Guide -vågor,signalerM SK2 eskalation
Pipelinedokumentation - Automatiska , balanserade M SK2 kvalitetvägar
Referens för signaler - Komplett signalkatalog

CLI Tools

ImageSummarizer CLI - Kommando
CLI README - Användning och konfiguration
Demobilder - Prover GIFs och ramsträngar

Forskningsdokument

Florence-2 Papier - Microsofts vision
East Text Detector - Effektiv scentextdetektion
CRAFT Papier - kännetecken om karaktärsregioner
Real-ESRGAN - Praktisk super
Slippa Papier - Att lära sig överförbara visuella modeller

Del 4: Bildintelligens - Wave architecture overview
DocSummarizer - Dokumentanalyskedjor
DataSummarizer - Dataprofileringsmetod

Serien

del	mönster ♫ ♫	♫ Fokus ♫
1	Begränsad otydighet	Enkel komponent
2	Begränsad Fuzzy MoM	Flera komponenter
3	Kontext dragning	tid / minne
4	Bildintelligens	Wave-Architektur
4.1	Den tre- --- -Tier OCR-pipelinen. (- -den här artikeln	OCR, ONNX-modeller

Nästa: Del 5 visar hur ImageSummarizer DocSummarizer, och DataSummarizer komponera till multi-modal graf RAG med LucidRAG.

Alla delar följer samma invariant sannolikhetskomponenter föreslår ; deterministiska system förblir kvar.

Begränsade fuzzy OCR - De tre - Tier OCR Pipeline

Problemet: Det är svårt att extrahera text

OCR-Architekturen för tre

Tier 1: Tesseract (Traditionella OCRM SK2

Tier 2: Florence-2 ONNX (ML OCRM SK3

Tier 3: Vision LLM (Cloud Fallback)

The ONNX Arsenal: Lokala ML-modeller

Varför ONNX?

De fem ONNX-modellerna

1. Öst- -: Scene Text Detection

2. CRAFT: karaktär Regionsmedvetenhet

3. verkligt - ESRGAN: SuperM SK3Opscaling av lösning

4. CLIP: Semantiska inbäddar

5. Florensen -2: Vision-Longskapsmodell | ( | Kapt i skala |2)

Auto-Download System

Varför det här spelar roll

Tier 1: Tesseract OCR

Tier 2: Florence-2 ONNX

Varför Florence-2?

Implementering

Multi-Form GIF-behandling

Routering Beslutet

Route-presterande

Text-Omnär Streck extraktion

Problemet

Lösningen

Implementering

Ett visuellt exempel

Tier 3: Vision LLM Escalation

Kvalitets grind

Vision LLM med filmspårning

Prioritetskedjan

kostnadsanalys

Innan Three-Tier System

Efter Three-Tier System

Att sätta allt samman

Konfiguration

Misslyckande former

jämförelse med andra metoder

Traditionell: Tesseract + Handfallback

Cloud-First: Använd alltid Vision LLM

Tre-TierM SK1 Lokalt- Först med Smart Escalation

Slutsatsen

resurser

LucidRAG Dokumentation

CLI Tools

Forskningsdokument

Related Articles

Serien