Как использовать существующие функции Windows для извлечения текста из пользовательского интерфейса

Я немного осмотрелся и нашел различные фрагменты, относящиеся к этому, но ничего конкретного.

Мне нужно найти метод извлечения элементов пользовательского интерфейса, отличный от метода Инструмент Spy ++. Я могу найти элементы экрана и их текстовые подписи на основе HWND, однако сторонние приложения, такие как Firefox, создают дополнительные проблемы, поскольку у них есть только одно большое окно для отображения. Если у кого-то есть идеи, как получить координаты экрана для распознавания текста или управления распознаванием элементов пользовательского интерфейса, скажем, на веб-странице, я хотел бы услышать от вас.