我有大约 4000 万个 TIFF 文档，都是 1 位单页双面打印。在大约 40% 的情况下，这些 TIFF 的背面图像是“空白”的，我想在加载到 CMS 之前删除它们以减少空间需求。
是否有一种简单的方法可以查看每个页面的数据内容，如果它低于预设阈值，例如 2% '黑色'，则将其删除？
我对这个技术不了解，但 C# 解决方案可能是最容易支持的。问题是，我没有图像处理经验，所以真的不知道从哪里开始。
编辑添加：这些图像是旧扫描件，因此“脏”，所以这不是一门精确的科学。需要设置阈值以避免误报。
【问题讨论】：
你可能应该：
Bitmap.GetFrameCount / Bitmap.SelectActiveFrame 方法）Bitmap.LockBits方法）Bitmap.LockBits 和循环）此任务不是特别复杂，但需要编写一些代码。该站点包含一些示例，您可以使用方法名称作为关键字进行搜索）。
附：我假设所有图像都可以成功加载到System.Drawing.Bitmap。
【讨论】：
您可以使用DotImage 执行类似的操作（免责声明，我为 Atalasoft 工作，并且编写了您将使用的大部分基础类）。执行此操作的代码如下所示：
public void RemoveBlankPages(Stream source stm)
{
List<int> blanks = new List<int>();
if (GetBlankPages(stm, blanks)) {
// all pages blank - delete file? Skip? Your choice.
}
else {
// memory stream is convenient - maybe a temp file instead?
using (MemoryStream ostm = new MemoryStream()) {
// pulls out all the blanks and writes to the temp stream
stm.Seek(0, SeekOrigin.Begin);
RemoveBlanks(blanks, stm, ostm);
CopyStream(ostm, stm); // copies first stm to second, truncating at end
}
}
}
private bool GetBlankPages(Stream stm, List<int> blanks)
{
TiffDecoder decoder = new TiffDecoder();
ImageInfo info = decoder.GetImageInfo(stm);
for (int i=0; i < info.FrameCount; i++) {
try {
stm.Seek(0, SeekOrigin.Begin);
using (AtalaImage image = decoder.Read(stm, i, null)) {
if (IsBlankPage(image)) blanks.Add(i);
}
}
catch {
// bad file - skip? could also try to remove the bad page:
blanks.Add(i);
}
}
return blanks.Count == info.FrameCount;
}
private bool IsBlankPage(AtalaImage image)
{
// you might want to configure the command to do noise removal and black border
// removal (or not) first.
BlankPageDetectionCommand command = new BlankPageDetectionCommand();
BlankPageDetectionResults results = command.Apply(image) as BlankPageDetectionResults;
return results.IsImageBlank;
}
private void RemoveBlanks(List<int> blanks, Stream source, Stream dest)
{
// blanks needs to be sorted low to high, which it will be if generated from
// above
TiffDocument doc = new TiffDocument(source);
int totalRemoved = 0;
foreach (int page in blanks) {
doc.Pages.RemoveAt(page - totalRemoved);
totalRemoved++;
}
doc.Save(dest);
}
您应该注意，空白页检测并不像“所有像素都是白色的（-ish）吗？”那么简单。因为扫描引入了各种有趣的伪影。要获取 BlankPageDetectionCommand，您需要 Document Imaging 包。
【讨论】：
您是否对缩小文件感兴趣，或者只是想避免人们浪费时间查看空白页？您只需将第二个 IFD 修补为 0x00000000，即可对文件进行快速而肮脏的编辑，以摆脱已知的空白页。这就是我的意思 - 如果您只是浏览页面，TIFF 文件的布局很简单：
TIFF 标头（4 个字节） 第一个 IFD 偏移量（4 个字节 - 通常指向 0x00000008）
IFD：
标签数量（2字节）
{单个 TIFF 标签}（每个 12 字节）
下一个 IFD 偏移量（4 个字节）
只需将“下一个 IFD 偏移量”修补为 0x00000000 值即可“取消链接”当前页面之外的页面。
【讨论】：