Question

我正在开展一个项目，我需要从多页PDF中提取每页TIFF。 PDF仅包含图像，每页有一个图像（我相信它们是在某种复印机/扫描仪上制作的，但尚未证实）。然后使用TIFF创建文档的其他衍生版本，因此分辨率越高越好。

我发现了两个有用的方面，但都不是理想的。希望有人可以帮助我调整其中一个，或提供第三个选项。

食谱1 ，pdfimages和ImageMagick：

首先：

$ pdfimages $MY_PDF.pdf foo"

这导致多个.pbm个文件（名为foo-000.pbm，foo-001.pbm）等。

然后为每个*.pbm做：

$ convert $each -resize 3200x3200\> -quality 100 $new_name.tif

Pro：结果TIFF在长维上是健康的3300+像素（-resize只用于规范所有内容）

Con：页面的方向丢失，它们以不同的方向旋转（它们遵循逻辑模式，所以它们可能是它们被送到扫描仪的方向？）。

食谱2 Imagemagick独奏：

convert +adjoin $MY_PDF.pdf pages.tif

这为我提供了每页TIFF（pages-0.tif，pages-1.tif等）。

专业：定位停留！

Con：结果文件的长尺寸是＆lt; 800 px，太小而无法使用，看起来好像有一些压缩。

如何在PDF中放弃图像流的缩放，但保留方向？我错过了ImageMagick中的一些魔法吗？还有其他什么呢？

Answer 1

我想分享我的解决方案......它可能对每个人都不起作用，但因为没有别的东西可能会帮助别人。我最后选择了我的问题中的第一个选项，即使用pdfimages来获取每个方向旋转的大图像。然后我找到了一种方法来使用OCR和字数来猜测方向，这使我从（估计）25％精确旋转到90％以上。

流程如下：

使用pdfimages（apt-get install poppler-utils）获取一组pbm 文件（未在下面显示）。
对于每个文件：
1. 制作四个版本，旋转0度，90度，180度和270度（我在代码中将它们称为“北”，“东”，“南”和“西”）。
2. 每个OCR。字数最低的两个可能是右侧向上和向上颠倒的版本。在我迄今处理的图像集中，这个准确率超过99％。
3. 从具有最低字数的两个字中，通过拼写检查运行OCR输出。具有最少拼写错误的文件（即最可识别的单词）可能是正确的。对于我的设置，基于500的样本，这大约是93％（从25％开始）。

YMMV。我的文件是双色的和高度文字的。源图像长边平均为3300像素。我不能说灰度或颜色，或者有大量图像的文件。我的大多数源PDF都是对旧复印件的不良扫描，因此使用更清晰的文件可能会更好。在旋转期间使用-despeckle没有任何区别，并且显着减慢了事情（~5×）。我选择了ocrad的速度而不是准确性，因为我只需要粗略的数字而且扔掉了OCR。 Re：性能，我没什么特别的Linux台式机可以运行整个脚本大约2-3个文件/秒。

这是一个简单的bash脚本中的实现：

#!/bin/bash
# Rotates a pbm file in place.

# Pass a .pbm as the only arg.
file=$1

TMP="/tmp/rotation-calc"
mkdir $TMP

# Dependencies:                                                                 
# convert: apt-get install imagemagick                                          
# ocrad: sudo apt-get install ocrad                                               
ASPELL="/usr/bin/aspell"
AWK="/usr/bin/awk"
BASENAME="/usr/bin/basename"
CONVERT="/usr/bin/convert"
DIRNAME="/usr/bin/dirname"
HEAD="/usr/bin/head"
OCRAD="/usr/bin/ocrad"
SORT="/usr/bin/sort"
WC="/usr/bin/wc"

# Make copies in all four orientations (the src file is north; copy it to make 
# things less confusing)
file_name=$(basename $file)
north_file="$TMP/$file_name-north"
east_file="$TMP/$file_name-east"
south_file="$TMP/$file_name-south"
west_file="$TMP/$file_name-west"

cp  $file $north_file
$CONVERT -rotate 90 $file $east_file
$CONVERT -rotate 180 $file $south_file
$CONVERT -rotate 270 $file $west_file

# OCR each (just append ".txt" to the path/name of the image)
north_text="$north_file.txt"
east_text="$east_file.txt"
south_text="$south_file.txt"
west_text="$west_file.txt"

$OCRAD -f -F utf8 $north_file -o $north_text
$OCRAD -f -F utf8 $east_file -o $east_text
$OCRAD -f -F utf8 $south_file -o $south_text
$OCRAD -f -F utf8 $west_file -o $west_text

# Get the word count for each txt file (least 'words' == least whitespace junk
# resulting from vertical lines of text that should be horizontal.)
wc_table="$TMP/wc_table"
echo "$($WC -w $north_text) $north_file" > $wc_table
echo "$($WC -w $east_text) $east_file" >> $wc_table
echo "$($WC -w $south_text) $south_file" >> $wc_table
echo "$($WC -w $west_text) $west_file" >> $wc_table

# Take the bottom two; these are likely right side up and upside down, but 
# generally too close to call beyond that.
bottom_two_wc_table="$TMP/bottom_two_wc_table"
$SORT -n $wc_table | $HEAD -2 > $bottom_two_wc_table

# Spellcheck. The lowest number of misspelled words is most likely the 
# correct orientation.
misspelled_words_table="$TMP/misspelled_words_table"
while read record; do
    txt=$(echo $record | $AWK '{ print $2 }')
    misspelled_word_count=$(cat $txt | $ASPELL -l en list | wc -w)
    echo "$misspelled_word_count $record" >> $misspelled_words_table
done < $bottom_two_wc_table

# Do the sort, overwrite the input file, save out the text
winner=$($SORT -n $misspelled_words_table | $HEAD -1)
rotated_file=$(echo $winner | $AWK '{ print $4 }')

mv $rotated_file $file

# Clean up.
if [ -d $TMP ]; then
    rm -r $TMP
fi

Answer 2

对于这个老话题的噪音感到抱歉，但谷歌把我带到这里作为最好的结果之一，它可能需要其他人，所以我想我会发布我在这里找到的TO问题的解决方案：{{3 }}

简而言之：您必须告诉ImageMagick它应扫描PDF的密度。

所以convert -density 600x600 foo.pdf foo.png会告诉ImageMagick将PDF视为具有600dpi分辨率，从而输出更大的PNG。在我的例子中，生成的foo.png大小为5000x6600px。您可以选择添加-resize 3000x3000或您需要的任何尺寸，它将按比例缩小。

请注意，只要您的PDF文件中只有矢量图像或文本，密度就可以根据需要设置为高。如果PDF包含光栅化图像，如果将其设置为高于那些图像的dpi，则效果会不会很高！：）

克里斯

来自PDFS的高分辨率图像

2 个答案: