Question

我正在尝试将pdfs转换为tiff图像以用于跟随OCR。我使用“-density 300x300 -depth 8”作为参数。第一个问题是从500 KB pdf文件我得到72 MB的tiff文件。第二个问题是导致OCR失败的结果图像质量差。在这里你可以自己看。 Adobe Acrobat reader生成（打印）tiff图像： enter image description here

ImageMaggick tiff图片： enter image description here

差异很大。如何使用ImageMaggick获得与Adobe生成的图像一样好的效果？不是必要的，其他格式也会很好。

UPD：我发现'antialias'选项。现在它好多了。但是OCR结果仍然不如Adobe版本那么准确。

Answer 1

我的建议是：使用Ghostscript命令行。因为ImageMagick无论如何都在后台使用Ghostscript（技术IM术语是：Ghostscript是某些转换的“委托”，例如PDF-＆gt; TIFF）。

这是一个适用于多页PDF文件的字母大小页面的命令行：

gswin32c.exe ^
   -o page_%03d.tif ^
   -sDEVICE=tiffg4 ^
   -r720x720 ^
   -g6120x7920 ^
    input.pdf

-g...参数使用“设备点”控制输出页面的绝对宽度+高度...（在720dpi时使用6120x7920，这恰好是字母大小）。

这些TIFF页面......

...将是黑+白，
...的分辨率为720dpi，
...将进行G4压缩和
...将远远小于IM命令行中未压缩的300dpi

-depth 8的IM参数不适合从p.o.v中获得好的结果。后来的OCR，因为它会在字母周围产生灰色阴影，但对此没有帮助。

您的OCR结果现在应该比以前好很多。

如果您的OCR无法处理TIFF G4格式（我怀疑），那么您可以在Ghostscript的帮助下生成其他TIFF子格式。例如：

gswin32c.exe ^
   -o page_%03d.tif ^
   -sDEVICE=tiffgray ^
   -r720x720 ^
   -g6120x7920 ^
   -sCompression=lzw ^
    input.pdf

gswin32c.exe ^
   -o page_%03d.tif ^
   -sDEVICE=tiff24nc ^
   -r720x720 ^
   -g6120x7920 ^
   -sCompression=lzw ^
    input.pdf

tiffgray设备创建8位灰度输出。 tiff24nc设备创建8位RGB颜色输出。两种类型的TIFF当然都会大于tiffg4输出。

Answer 2

对于欧洲纸张格式A4和unix / linux使用：

gs -o output.tif -sDEVICE=tiffg4 -r720x720 -sPAPERSIZE=a4 input.pdf

PDF to tiff ImageMagick问题

2 个答案: