正如标题所说的那样。
严格来说，我定义为灰度图像的“文本”边界框是一组 4 个坐标（x、y、x+width、y+height），它们必须在该图像中定义一个矩形区域，该区域具有最大数量非白色像素，同时尽可能少的白色像素（不改变非白色像素的最大数量）。我有引号中的文本，因为图像实际上不包含文本，因为图像只包含带颜色的像素。
在我的 Ubuntu 中安装 ImageMagick 并在终端中输入命令：$convert input.png -trim ouput.png，我得到：
在 Web 浏览器的新选项卡中打开这两个图像，您将了解它们之间的区别，您还将了解我定义为“文本”边界框的内容。output.png 实际上具有我正在寻找的宽度和高度。我不知道如何获取 x 和 y 坐标。
此处为pdf页面提供的答案 （1）不符合我的标准，因为gs给我的“文本”边界框有很大的白边距（实际上据我所知，gs定义为“文本”边界框pdf 与我对图片的“文本”边界框的定义不同）。
我不理解您描述中的所有单词，我认为图表会有所帮助，但如果您只想知道-trim示例代码所暗示的内容：
identify -format "%@" image.png
200x100+10+20
所以，对于你的形象，你得到
identify -format "%@" paper.png
406x620+38+68
这意味着您的框在左上角右侧 38 像素，从左上角向下 68 像素，宽 406 像素，高 620 像素。
如果我用红色画出那个矩形，我会得到：
convert paper.png -stroke red -fill none -draw "rectangle 38,68 444,688" result.png
获得相同结果但使用convert代替的另一种方法identify是：
convert -format %@ paper.png info:
406x620+38+68
图像没有“文本边界框”，因为显然没有文本。
PDF 文件中的图像本身可能包含白色像素，如果它们是从书本上扫描的，那么它们几乎肯定会包含白色像素。这些像素计入图像的边界框，因为它们是白色不透明的，并且会遮挡在它们下方绘制的任何内容。
将“文本边界框”定义为“该图片中没有白边且只有文本的区域”也是相当荒谬的。如果它在图像中，则没有文本，只有定义像素的图像样本。那是文字的图片，而不是真正的文字。为了区分包含文本的图像区域和包含非文本的区域，您将需要 OCR 软件，因为只有 OCR 软件能够检测文本和非文本之间的差异，所以没有其他方法可以做到这一点。