我的问题与此类似，但范围更具体。
在我的纸牌游戏应用程序中，我希望用户能够单击扫描的 jpeg 图像中的单词。请参阅此口袋妖怪交易卡示例。
在这种情况下，用户应该能够将鼠标悬停在文本“Scratch”上，文本周围会出现一个脉动的矩形边框，表明它是可点击的。问题是如何检测文本的边界。将有一组用户可以点击的事先知道的单词（这些单词将逐张从数据库中检索）。继续我们的示例，本例中的数组将是 ["Scratch", "Live Coal"]。一旦用户点击“Scratch”，应用程序必须通过回调知道选择了“Scratch”而不是“Live Coal”。
我正在考虑使用光学字符识别库来解决这个问题，但是开源选项质量很差（例如 GOCR）和/或在多个平台（例如 Tesseract）上没有经过良好测试。我只关心 Windows 和 Mac 的兼容性。我是否缺少不需要 OCR 的明显/更简单的解决方案/算法？我不能简单地在每张卡片的边界框中手动编码，因为我的数据库中将有数千张扫描的卡片。用户还可以上传他自己的自定义卡片扫描，并附带一系列可点击的文本。
文本颜色并不总是黑色。查看允许的不同卡片和文本样式的全景图。黑卡有白色文字，倒数第三张卡（捷克罗姆）有黑色文字和白色轮廓。
任何编程语言的解决方案都值得赞赏。但是，请注意，我正在寻找开源算法和/或库。如果有 Ruby 或 Java 的解决方案，那就更好了，因为我的代码主要使用这两种语言。
编辑：我忘了提到数组中单词/短语的顺序与卡片上的顺序相同。因此，数组将是 ["Scratch", "Live Coal"] 而不是 ["Live Coal", "Scratch"]。我之所以提到这一点，是因为它可能会简化任务。因此，对于这个例子，我可以简单地寻找黑色像素（尽管我必须注意白色圆圈中的黑色星星）。但是，在攻击名称下方以较小字体显示描述性文本的情况会更加困难（同样，请参见全景图示例）。