如何识别扫描的 PDF 文件中的图像？

Question

我正在尝试识别扫描的 PDF 文件中的图像（而不是文本），最好使用 python。有没有办法做到这一点？举个简单的例子，假设您浏览了一本书的一章。页面有三种可能的选项：

1. 仅包含文字
2. 仅包含一张（或多张）图片
3. 包含文字和图片

我想输出属于类别 2 或 3 的页面列表。

Answer 1

我的想法是寻找普通文本中不存在的特征——可能是跨越多行的垂直黑色元素。我选择的工具是 ImageMagick，它安装在大多数 Linux 发行版上，可用于 macOS 和 Windows。我会在终端的命令提示符下运行它。

所以，我会使用这个命令 - 请注意，我将原始页面添加到右侧已处理页面的左侧，并在其周围放置了一个红色边框，仅用于说明：

magick page-28.png -alpha off +dither -colors 2 -colorspace gray -normalize -statistic median 1x200 result.png

我明白了：

page-25.png

page-26.png

page-27.png

page-28.png

上面命令的解释...

在上面的命令中，不是阈值化，而是将颜色减少到 2 种颜色，然后转换为灰度，然后进行归一化 - 基本上应该选择黑色和背景色作为两种颜色，它们将变为黑色和转换为灰度并归一化时为白色。

然后我正在使用一个 200 像素高的结构元素进行中值过滤，该结构元素比几行高 - 所以它应该识别高特征 - 垂直线。

解释结束

继续……

所以，如果我反转图像，使黑色变为白色，白色变为黑色，然后取平均值并将其乘以图像中的像素总数，这将告诉我有多少像素是垂直特征的一部分：

convert page-28.png -alpha off +dither -colors 2 -colorspace gray -normalize -statistic median 1x200 -negate -format "%[fx:mean*w*h]" info:
90224

convert page-27.png -alpha off +dither -colors 2 -colorspace gray -normalize -statistic median 1x200 -negate -format "%[fx:mean*w*h]" info:
0

所以第 28 页不是纯文本，第 27 页是。

---

这里有一些提示...

提示

您可以像这样查看 PDF 中有多少页 - 尽管可能有更快的方法：

convert -density 18 book.pdf info:

提示

您可以像这样提取 PDF 的页面：

convert -density 288 book.pdf[25] page-25.png

提示

如果您正在编写多本书，您可能希望对图像进行归一化处理，以使它们都（例如，1000 像素高）结构元素的大小（用于计算中位数）应该相当一致。