Business Insight： 我们处于教育领域，我们需要将标记图像(EPS) 自动转换为学生使用的交互式练习（使用 HTML/SVG/JavaScript）。
技术见解： 分层 EPS 文件是我们从出版商那里得到的。EPS 文件应转换为两个 PNG 文件：[1.png]只有标签文本[2.png]除标签文本外的所有其他文件。
然后[1.png]应该通过一些高级 OCR (?) 程序运行，该程序应该输出标签文本及其在图像中的位置（X，Y 坐标）。然后可以使用 HTML/JavaScript 将标签文本覆盖在[ 2.png] 上，以及使用 JavaScript 进行拖放等交互。
到目前为止尝试过： 手动将 EPS 转换为 PNG，并使用 ImageMagick 和 Tessaract OCR 单独获取标签文本。
问题： 图像处理的上述要求（EPS->PNG+带有坐标的文本标签）可以自动化到什么程度，可以使用哪些最佳工具？提前感谢帮助。
PS：我是一名 UI 开发人员，可以处理 HTML/JavaScript 部分，如果只为标签提供坐标。