如何使用pdfimages从简历中仅提取证件照片

Question

嗨，我尝试使用pdfimages从我的pdf简历文件中提取ID图像。但是，对于某些文件，它们还返回完全不相关的图标，表格行，边框图像。 无论如何，我可以将其限制为仅提取人物照片吗？我在想是否可以在输出中定义一定的尺寸限制？

Answer 1

您需要一种区分PDF中找到的图像的方法，以便提取感兴趣的图像。

我相信您可以考虑：

1. 图像特征，例如宽度，高度，每个组件的位数，ColorSpace
2. 有关图像的元数据信息（例如感兴趣的XMP标签）
3. 照片中人的面部识别或ID本身结构的形式识别。
4. 提取所有图像，然后使用一些图像处理代码来分析图像以识别感兴趣的图像。

我认为2）如果PDF的作者将带有照片ID的信息包括在内，则可能是最可靠的方法。 3）可能难以实施，并且无法始终如一地获得可靠的结果。 1）仅在为您的PDF文档标识出此类照片ID的可靠方法时才有效。

然后，您可以使用提取工具（如果它允许您这样做）来注销该信息。否则，您将需要使用PDF库编写自己的提取工具。