使用tesseract提取输出文本中引用的文本和图片（照片，图表和表格）

Question

我有一个由扫描图像组成的pdf，包括图片和文字。 用图片表示，我的意思是照片，图表和表格。

作为最终输出，我希望有一个可从电子阅读器读取的epub，以便：

• 可以选择文本，并且突出显示的字体是可缩放的，我可以应用注释（如果设备支持），有TOC引用
• 保留图片图像

要处理TOC引用和文本属性， 我获得了一个好的文本，可以手动编辑并应用标记，然后最终将其处理到Epub中。

对于图片图像，我找不到一种方法来维护它们，例如将它们提取到图像目录中并在txt中引用它们

我要避免手动创建和引用图像，而是要使其自动化：我是否在tesseract文档中缺少对属性的使用？

• 我可以使用tesseract提取和引用图片吗？
• 作为替代方案，可以使用以下步骤-或脚本（Python的首选项）或工具-提取和 图片参考，来自使用tesseract创建的可搜索pdf？

我查看了tesseract文档，但找不到此用例：

https://github.com/tesseract-ocr/tesseract/blob/master/doc/tesseract.1.asc

tesseract mybook.tif mybookImages get.images

未生成图像。

---

STEPS

1. 使用ghostscript将源pdf处理为tiff

gs -q -r600x600 -dNOPAUSE -sDEVICE=tiffg4 -dBATCH -sOutputFile=mybook.tif sourcePDF.pdf -c quit

1. 处理txt中的tiff：我可以将标记应用于txt并对其进行编辑，但是我丢失了图片图像！

tesseract -o -l eng mybook.tif mybook

1. 在可搜索的pdf中处理tiff：可搜索pdf，但是字体呈现为嘈杂的声音，我无法编辑文本和应用标记

tesseract -o -l eng mybook.tif mybook pdf

1. 最终使用asciidoc进行精简处理来编辑文本上的标记和图像引用，然后转换为epub ...但是如何从tiff或可搜索的pdf中提取图像，并将引用保留在最终的txt中？

https://asciidoctor.org/docs/asciidoctor-epub3/#working-with-images