来自 PDFS 的高分辨率图像

Question

我正在做一个项目，我需要从多页 PDF 中提取每页的 TIFF。 PDF 仅包含图像，每页只有一张图像（我相信它们是在某种复印机/扫描仪上制作的，但尚未证实这一点）。然后使用 TIFF 来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，都有帮助，但都不是理想的。希望有人可以帮助我调整其中一个，或提供第三种选择。

配方 1、pdfimages 和 ImageMagick：

先做：

$ pdfimages $MY_PDF.pdf foo"

这会导致多个.pbm 文件（命名为foo-000.pbm、foo-001.pbm）等

然后对每个*.pbm 做：

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

专业人士：生成的 TIFF 在长维度上是健康的 3300+ 像素，（-resize 仅用于标准化所有内容）

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

配方 2 Imagemagick 独奏：

convert +adjoin $MY_PDF.pdf pages.tif

这给了我每页的 TIFF（pages-0.tif、pages-1.tif 等）。

专业人士：方向不变！

缺点：生成文件的长尺寸

如何放弃 PDF 中图像流的缩放，但保留方向？ ImageMagick 中是否还有一些我缺少的魔法？完全不同的东西？

Answer 1

对于这个老话题的噪音，很抱歉，但谷歌将我列为最佳结果之一，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：http://robfelty.com/2008/03/11/convert-pdf-to-png-with-imagemagick

简而言之：您必须告诉 ImageMagick 它应该以何种密度扫描 PDF。

所以convert -density 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 大小为 5000x6600px。您可以选择添加-resize 3000x3000 或您需要的任何大小，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，就可以根据需要将密度设置为高。如果 PDF 包含光栅化图像，如果您将其设置为高于这些图像的 dpi，它看起来并不好，令人惊讶！ :)

克里斯

Answer 2

我想分享我的解决方案...它可能不适用于所有人，但由于没有其他方法出现，也许它会对其他人有所帮助。我最终选择了我的问题中的第一个选项，即使用pdfimages 来获取以各种方式旋转的大图像。然后我找到了一种使用 OCR 和字数来猜测方向的方法，这让我从（估计的）25% 准确旋转到 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，分别旋转 0、90、180 和 270 度（我在我的代码中将它们称为“北”、“东”、“南”和“西”）。
   2. OCR 每个。字数最少的两个可能是正面朝上和上下颠倒的版本。这在我迄今为止处理的一组图像中的准确率超过 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。对于我的数据集，基于 500 个样本，准确率约为 93%（高于 25%）。

YMMV。我的文件是双色调且高度文本的。源图像的长边平均为 3300 像素。我不能说灰度或彩色，或者有很多图像的文件。我的大多数源 PDF 都是旧复印件的错误扫描，因此使用更干净的文件可能会更好。在旋转期间使用-despeckle 没有任何区别，并且大大减慢了速度（~5×）。我选择 ocrad 是为了速度而不是准确性，因为我只需要粗略的数字并且正在丢弃 OCR。回复：性能，我没什么特别的 Linux 桌面机器可以以每秒 2-3 个文件的速度运行整个脚本。

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