convez.ai
SkillAutomaçãoIntermediário
njjbwl

Claude Code Read Image - Análise e OCR de Imagens

njjbwl/claude-skill-read-image

Análise completa de imagens com OCR local e Vision API

Ver no GitHub
InicialPluginScore · de 0 a 100

Skill que permite ao Claude Code analisar imagens localmente através de metadados, OCR (Tesseract) e Vision API (Qwen3-VL-32B). Extrai cores dominantes, realiza reconhecimento de texto em inglês e chinês, classifica tipos de screenshot e compreende conteúdo visual com IA.

Instalação

$npx convez-ai njjbwl/claude-skill-read-image

1 comando no terminal: detecta o formato do repositório (marketplace ou plugin avulso) e instala via Claude Code. Requer Node 18+ e o Claude Code instalado.

Métricas

Estrelas
0
Forks
0
Acompanhando
0
Saúde
28%
Último commit
há 5 meses
Versão
—
Issues abertas
0
Contribuidores
1

Casos de uso

  • Extrair texto de screenshots e documentos digitalizados
  • Analisar cores, luminância e metadados de imagens
  • Classificar automaticamente tipos de imagem (terminal, código, documento, foto)
  • Compreender conteúdo visual com Vision API em português

Veredito

Skill robusto e bem-estruturado com fallback para degradação graciosa. Combina análise local (Pillow, Tesseract) com Vision API opcional, cobrindo desde OCR até compreensão semântica de imagens. Ideal para automação de workflows que envolvem processamento visual.

README

A tradução para o português deste README ainda está na fila.

🖼️ Claude Code Read Image Skill v2.1 — Claude Code 看图技能

让 Claude Code 真正「看懂」图片——通过本地 Python 工具(Pillow + Tesseract OCR)+ SiliconFlow Qwen3-VL-32B 视觉 API,实现图片元数据提取、颜色分析、OCR 文字识别和图像内容理解。 Let Claude Code truly "see" images — local Python analysis (Pillow + Tesseract OCR) plus SiliconFlow Qwen3-VL-32B vision API for comprehensive image understanding.

能力 / Capabilities

能力说明v2.1 改进
📐 元数据图片格式、尺寸、宽高比、DPI、EXIF
🎨 颜色分析k-means 主色调聚类,含 RGB/Hex/占比%⬆️ 从 quantize(6) 升级为 k-means
🔦 亮度分析平均亮度、标准差、明暗比例
🖥️ 截图分类多维启发式判断(终端截图/代码截图/文档/照片/图表/手机截图)⬆️ 从二元判断升级为 7 类
📝 OCR 英文Tesseract 提取文字,含 bounding box + 置信度⬆️ 新增结构化输出
🀄 OCR 中文支持 chi_sim+eng 双语识别⬆️ 新增
📷 EXIF 数据拍摄设备、GPS 信息等
🧠 Vision APISiliconFlow Qwen3-VL-32B 真正理解图片内容⬆️ 从 DeepSeek 更换为 Qwen3-VL
✅ 自检模式--check 一键验证所有依赖⬆️ 新增
📦 一键安装--install-deps 自动补全 Python 依赖⬆️ 新增
🛡️ 依赖容错缺库自动降级,不崩⬆️ 新增

安装 / Installation

前置要求 / Prerequisites

  • Claude Code
  • Python 3.8+ with pip
  • Tesseract OCR(可选,仅 OCR 需要)

步骤 / Steps

# 1. 克隆本仓库到技能目录
git clone https://github.com/njjbwl/claude-skill-read-image.git ~/.claude/skills/read-image

# 2. 一键安装 Python 依赖
cd ~/.claude/skills/read-image
python analyze_image.py --install-deps

# 3. 验证安装
python analyze_image.py --check --pretty

Vision API 配置(可选但推荐)

  1. 注册 SiliconFlow(硅基流动) → 免费送 ¥14 额度
  2. 在 API Key 管理 新建密钥
  3. 配置到 Claude Code 全局设置:
// ~/.claude/settings.json
{
  "env": {
    "SILICONFLOW_API_KEY": "sk-你的密钥"
  }
}

中文 OCR(可选)

已内置在技能目录中,无需额外操作。 如需手动更新语言包:

curl -L -o ~/.tesseract/tessdata/chi_sim.traineddata \
  https://github.com/tesseract-ocr/tessdata_fast/raw/main/chi_sim.traineddata

并进行设置:

// ~/.claude/settings.json
{
  "env": {
    "TESSDATA_PREFIX": "C:/Users/你的用户名/.tesseract/tessdata"
  }
}

使用方法 / Usage

# 基础分析(英文OCR)
python ~/.claude/skills/read-image/analyze_image.py image.png

# 中文 OCR
python ~/.claude/skills/read-image/analyze_image.py image.png --ocr-lang chi_sim+eng

# Vision API 看图
python ~/.claude/skills/read-image/analyze_image.py image.png --vision

# 自检依赖
python ~/.claude/skills/read-image/analyze_image.py --check --pretty

在 Claude 会话中说:

  • 「帮我看这张图」
  • 「OCR 这个截图」
  • 「这张图里有什么」
  • 「用 vision 看一下这张图」
  • 「这是什么类型的图片」

输出示例 / Output Example

{
  "metadata": { "format": "PNG", "width": 1920, "height": 1080 },
  "colors": {
    "dominant": [
      { "hex": "#1e1e28", "percentage": 94.1 },
      { "hex": "#00ff64", "percentage": 2.6 }
    ],
    "method": "kmeans"
  },
  "luminance": { "mean": 32.0, "std": 10.1 },
  "heuristics": {
    "terminal_screenshot": true,
    "text_screenshot": true
  },
  "ocr": {
    "text": "Hello World!",
    "lines": 4,
    "words": 15,
    "avg_confidence": 82.7,
    "word_details": [
      { "text": "Hello", "confidence": 95, "bbox": { "x": 20, "y": 20, "w": 40, "h": 15 } }
    ]
  },
  "vision": {
    "description": "这张图片是一张深色背景的终端截图...",
    "model": "Qwen/Qwen3-VL-32B-Instruct"
  }
}

启发式分类 / Heuristics

脚本自动识别图片类型,帮助 AI 聚焦关键信息:

分类说明聚焦字段
terminal_screenshot深色终端截图ocr.text
code_screenshot亮色代码截图ocr.text + colors
document_scan白底文档扫描ocr.text
photo自然照片colors + luminance + exif
chart_diagram图表/示意图ocr.text + colors
mobile_screenshot手机截图ocr.text
text_screenshot含文字的截图(综合)ocr.text

文件结构 / File Structure

~/.claude/skills/read-image/
├── SKILL.md              # 技能定义(给 AI 的指令)
├── analyze_image.py      # Python 分析脚本(690 行)
└── README.md             # 本文档

架构 / Architecture

┌─ analyze_image.py ─────────────────────────────────┐
│                                                     │
│  1. Metadata & EXIF  ← Pillow                      │
│  2. Downscale (if >2000px)  ← Pillow LANCZOS       │
│  3. Color Analysis  ← k-means/sklearn or quantize  │
│  4. Luminance  ← numpy                             │
│  5. OCR  ← Tesseract (with preprocessing)          │
│  6. Heuristics  ← multi-signal classification      │
│  7. Vision API  ← SiliconFlow Qwen3-VL-32B         │
│                                                     │
│  Fallback: every module degrades gracefully         │
└─────────────────────────────────────────────────────┘

版本历史 / Changelog

版本日期变更
v2.12026-06-07多维启发式判断、--install-deps、改进图片分类
v2.02026-06-06Vision API 集成、k-means 颜色、OCR 预处理、降级容错
v1.02026-06-05初始版本:Pillow + Tesseract 基础分析

许可 / License

MIT — 随意使用、修改、分发。

Ver o original no GitHub

Bom para

Relacionados