9

我有几个低质量的pdf。我想使用 OCR——更准确地说是Ocropus 从他们那里获取文本。为了使用，我首先使用ImageMagick—— 一个将 pdf 转换为图像的命令行工具——将这些 pdf 转换为 jpg 或 png。

然而 ImageMagick 产生的图像质量非常低，而 Ocropus 几乎无法识别任何东西。我想了解处理低质量 pdf 以向 OCR 提供尽可能高质量的图像的最佳参数是什么。

我找到了这个页面，但我不知道从哪里开始。

4

3 回答 3

15

您可以通过键入了解 ImageMagick 的“委托”（IM 使用的外部程序，例如 Ghostscript）的详细设置

convert -list delegate

（在我的系统上，这是一个包含 32 个不同命令的列表。）现在要查看哪些命令用于转换为 PNG，请使用以下命令：

convert -list delegate | findstr /i png

好的，这是针对 Windows 的。你没有说你使用哪个操作系统。[*]如果你在 Linux 上，试试这个：

convert -list delegate | grep -i png

您会发现 IM 确实只从 PS 或 EPS 输入生成 PNG。那么 IM 如何从您的 PDF 中获取 (E)PS 呢？简单的：

convert -list delegate | findstr /i PDF
convert -list delegate | grep -i PDF

啊! 它使用 Ghostscript 进行 PDF => PS 转换，然后再次使用 Ghostscript 进行 PS => PNG 转换。有效，但如果您知道 Ghostscript 可以一次性完成 PDF => PNG，这不是最有效的方法。而且速度更快。而且质量要好得多。

关于 IM 通过 Ghostscript 委托处理 PDF 到图像的转换，您首先应该知道两件事：

  1. 默认情况下，如果您不提供额外参数，Ghostscript 将输出分辨率为 72dpi 的图像。这就是为什么 Karl 的回答建议添加-density 600告诉 Ghostscript 使用 600 dpi 分辨率进行图像输出的原因。
  2. IM绕道两次调用Ghostscript先转换PDF => PS再转换，PS => PNG实在是大错特错。因为你永远不会在第一步中获胜并且很难保持质量，但经常会失去一些。原因：
    • PDF 可以处理透明胶片，而 PostScript 则不能。
    • PDF 可以嵌入 TrueType 字体，而 Ghostscript 不能。等。方向的转换PS => PDF并不那么关键....）

这就是为什么我建议您直接使用 Ghostscript 将 PDF 一次性转换为 PNG（或 JPEG）。并使用 Ghostscript 的最新版本 8.71（即将发布：9.01）！以下是示例命令：

gswin32c.exe ^
  -sDEVICE=pngalpha ^
  -o output/page_%03d.png ^
  -r600 ^
  d:/path/to/your/input.pdf

（这是 Windows 的命令行。在 Linux 上，使用gs代替gswin32c.exe，而\不是^。）此命令期望找到一个output子目录，它将为每个 PDF 页面存储一个单独的文件。要生成高质量的 JPEG，请尝试

gs \
  -sDEVICE=jpeg \
  -o output/page_%03d.jpeg \
  -r600 \
  -dJPEGQ=95 \
  /path/to/your/input.pdf

（Linux 命令版本）。这种直接转换避免了中间 PostScript 格式，该格式可能会丢失原始 PDF 文件中的 TrueType 字体和透明度对象信息。

[*]哦！一开始我错过了看到你的“linux”标签......

于 2010-08-31T22:37:40.657 回答
6

-density 600左右应该给你你需要的东西。

于 2010-08-31T21:28:17.217 回答
0

您可能需要考虑至少两个其他工具：

  • pdfimages，随包一起提供poppler-utils，可以很容易地从 PDF 中提取图像而不会降级它们。
  • pdfsandwich，它可以通过简单地运行为您提供 OCR 文件pdfsandwich inputfile.pdf。您可能需要调整选项以获得不错的结果。有关更多信息，请参见官方页面。
于 2015-10-08T11:50:25.703 回答