クラウドビジョンを使用して、画像内の「メイン」テキストを認識して分離したいと思います (たとえば、パッケージの最大の書き込みなど)。フォントサイズ/各文字が占めるピクセル数を確認することで、クラウドビジョンがバックエンドでそれを行うことができると思いますが、APIにその出力があるかどうかはわかりません.
この情報がドキュメントのどこにあるかについての私の最善の推測は、次のリンクにありますが、これに関連するものは何も表示されませんでした: https://cloud.google.com/natural-language/reference/rest/v1beta1/documents/注釈テキスト