来自 PDFS 的高分辨率图像

Question

我正在开发一个项目，需要从多页 PDF 中提取每页 TIFF。 PDF 只包含图像，每页有一个图像（我相信它们是用某种复印机/扫描仪制作的，但尚未证实这一点）。然后，TIFF 用于创建文档的其他几个衍生版本，因此分辨率越高越好。

我找到了两个食谱，两者都有有用的方面，但都不是理想的。希望有人可以帮助我调整其中之一，或者提供第三种选择。

配方 1，pdfimages 和 ImageMagick：

首先执行以下操作：

$ pdfimages $MY_PDF.pdf foo"

生成多个 .pbm 文件（名为 foo-000.pbm、foo -001.pbm) 等。

然后对于每个 *.pbm 执行以下操作：

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

优点：生成的 TIFF 的长边长度为 3300+ 像素尺寸，（-调整大小只是为了标准化所有内容）

缺点：页面的方向丢失了，并且它们旋转了不同的方向（它们遵循逻辑模式，所以它们可能是送入扫描仪的方向？ ）。

秘诀 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）。

优点：方向保持不变！

缺点：生成的文件的长尺寸 < 800 px，太小了，没有什么用处，而且看起来好像应用了一些压缩。

如何放弃 PDF 中图像流的缩放，但保留方向？ ImageMagick 中是否还缺少一些我所缺少的魔法？完全是别的什么吗？

Answer 1

很抱歉这个老话题的噪音，但谷歌把我这里作为最重要的结果之一，它可能需要其他结果，所以我想我应该发布我在这里找到的TO问题的解决方案：http://robfelty.com/2008/03/11/convert-pdf-to-png-with-imagemagick

简而言之：你必须告诉 ImageMagick 它应该以什么密度扫描PDF。

因此 convert -密度 600x600 foo.pdf foo.png 将告诉 ImageMagick 将 PDF 视为具有 600dpi 分辨率，从而输出更大的 PNG。就我而言，生成的 foo.png 的大小为 5000x6600px。您可以选择添加 -resize 3000x3000 或您需要的任何尺寸，它将被缩小。

请注意，只要 PDF 文件中只有矢量图像或文本，密度就可以根据需要设置得尽可能高。如果 PDF 包含光栅化图像，如果将其设置为高于这些图像的 dpi，那么它看起来会不太好，令人惊讶！ :)

克里斯

Answer 2

我想分享我的解决方案......它可能并不适合每个人，但由于没有其他任何解决方案，也许它会对其他人有所帮助。我最终选择了问题中的第一个选项，即使用 pdfimages 来获取各个方向旋转的大图像。然后，我找到了一种使用 OCR 和字数统计来猜测方向的方法，这使我从（估计的）25% 准确旋转到了 90% 以上。

流程如下：

1. 使用pdfimages（apt-get install poppler-utils）获取一组pbm
   文件（下面未显示）。
2. 对于每个文件：
   1. 制作四个版本，旋转 0、90、180 和 270 度（我在代码中将它们称为“北”、“东”、“南”和“西”）。
   2. 每个 OCR。字数最少的两个版本可能是正面朝上和颠倒的版本。在我迄今为止处理的一组图像中，准确率超过 99%。
   3. 从字数最少的两个中，通过拼写检查运行 OCR 输出。拼写错误最少（即最容易识别的单词）的文件可能是正确的。对于我的设置，基于 500 个样本，准确率约为 93%（高于 25%）。

。YMMV。我的文件是双调且高度文本化的。源图像的长边平均为 3300 像素。我无法谈论灰度或彩色或包含大量图像的文件。我的大多数源 PDF 都是旧影印件的不良扫描件，因此使用更干净的文件，准确性可能会更好。在旋转过程中使用 -despeckle 没有任何区别，而且速度显着减慢 (~5×)。我选择 orad 是为了速度而不是准确性，因为我只需要粗略的数字并且放弃了 OCR。回复：性能，我的没什么特别的 Linux 台式机每秒可以运行整个脚本大约 2-3 个文件。

下面是一个简单的 bash 脚本的实现：

#!/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