来自PDFS的高分辨率图像

2 回答

• 2

  我想分享我的解决方案......它可能不适用于所有人，但因为没有其他任何东西可能会帮助其他人 . 我在我的问题中选择了第一个选项，即使用 pdfimages 来获取每个方向都旋转的大图像 . 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（下面未显示） .

  • 对于每个文件：

  • 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"north"，"east"，"south"和"west"） .
    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％ .

  • 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，根据500的样本，这个准确率约为93％（从25％上调） .

  因人而异 . 我的文件是双色的和高度文本的 . 源图像的长边平均为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都是对旧复印件的错误扫描，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，并且显着减慢了速度（~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
  

  回复于 2024-05-04T13:21:11+08:00
• 2

  很抱歉这个老主题的噪音，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，所以我想我在这里找到的问题：http://robfelty.com/2008/03/11/convert-pdf-to-png-with-imagemagick

  简而言之：您必须告诉ImageMagick它应扫描PDF的密度 .

  因此 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，密度可能会根据需要设置为高 . 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，则效果会不理想！ :)

  克里斯

  回复于 2024-05-04T13:21:11+08:00