来自PDF的高分辨率图像

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，但尚未确认这一点）。然后使用TIFF创建文档的其他几个衍生版本，因此分辨率越高越好

我发现了两个食谱，都有帮助的方面，但都不理想。希望有人能帮我调一个，或者提供第三个选择

配方1，PDF图像和ImageMagick：

首先要做：

$ pdfimages $MY_PDF.pdf foo"

这会产生几个

.pbm

文件（名为

foo-000.pbm

，

foo-001.pbm

），等等

然后针对每个

*.pbm

执行以下操作：

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

赞成：最终的TIFF是一个健康的3300多像素的长尺寸，（-resize只是用来规范一切）

缺点：页面的方向丢失了，它们会旋转到不同的方向（它们遵循逻辑模式，所以可能就是它们被送入扫描仪的方向？？）

配方2Imagemagick solo：

convert +adjoin $MY_PDF.pdf pages.tif

这为我提供了每页的TIFF（

pages-0.tif

，

pages-1.tif

，等等）

赞成者：方向保持不变

缺点：结果文件的长维度<800 px，太小了，没有用处，看起来好像应用了一些压缩

---

如何放弃PDF中图像流的缩放，但保留方向？在ImageMagick中还有我没有的魔法吗？完全是别的吗？

我想分享我的解决方案……它可能不适用于所有人，但既然没有其他办法，也许它会帮助其他人。最后，我选择了我问题中的第一个选项，那就是使用

pdfimages

来获得向各个方向旋转的大图像。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，分别旋转0度、90度、180度和270度（我在代码中称它们为“北”、“东”、“南”和“西”）

光学字符识别。字数最少的两个版本可能是右侧向上和倒置版本。这是超过99%的准确率在我的一套图像处理到目前为止

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。在我的实验组中，基于500个样本，准确率约为93%（高于25%）

YMMV。我的文件是双音的，文本性很强。长边上的源图像平均为3300像素。我不能谈论灰度或彩色，或者有很多图像的文件。我的大部分源PDF文件都是旧影印件的不良扫描，因此使用更干净的文件可能会更准确。在旋转过程中使用

-despeckle

不会产生任何影响，会大大降低速度（~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，我正在扔掉OCR。Re：性能方面，我的没有什么特别的Linux桌面机器可以每秒运行大约2-3个文件的整个脚本

下面是一个简单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

#/bin/bash
#原地旋转pbm文件。
#将.pbm作为唯一参数传递。
文件=$1
TMP=“/TMP/旋转计算”
mkdir$TMP
#依赖项：
#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”
#在所有四个方向上进行复制（src文件为北；复制它以进行复制
#事情不那么令人困惑）
文件名=$（basename$文件）
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$文件$north_文件
$CONVERT-旋转90$文件$east_文件
$CONVERT-旋转180$文件$south\u文件
$CONVERT-旋转270$文件$west_文件
#OCR每个（只需将“.txt”附加到图像的路径/名称）
north_text=“$north_file.txt”
east_text=“$east_file.txt”
south_text=“$south_file.txt”
west_text=“$west_file.txt”
$OCRAD-f-f utf8$north\u文件-o$north\u文本
$OCRAD-f-f utf8$east\u文件-o$east\u文本
$OCRAD-f-f utf8$south\u文件-o$south\u文本
$OCRAD-f-f utf8$west\u文件-o$west\u文本
#获取每个txt文件的字数（最少的“字”==最少的空白垃圾）
#由应为水平的垂直文本行生成。）
wc_table=“$TMP/wc_table”
echo“$（$WC-w$north\u text）$north\u file”>$WC\u表
echo“$（$WC-w$east\u text）$east\u file”>>$WC\u表
echo“$（$WC-w$south\u text）$south\u file”>>$WC\u表
echo“$（$WC-w$west_text）$west_file”>>$WC_表
#以最下面的两个为例；这些可能是正面朝上和颠倒的，但是
#一般来说，距离太近了，不能再叫了。
bottom_two_wc_table=“$TMP/bottom_two_wc_table”
$SORT-n$wc_table |$HEAD-2>$bottom_two_wc_table
#拼写检查。拼写错误的单词数量最少的可能是
#方向正确。
拼写错误的单词表=“$TMP/拼写错误的单词表”
读取记录时；做
txt=$（echo$record |$AWK'{print$2}'）
拼写错误的单词计数=$（cat$txt |$ASPELL-l en list | wc-w）
echo“$misspelled\u words\u count$record”>>$misspelled\u words\u表
完成<$bottom\u two\u wc\u表格
#进行排序，覆盖输入文件，保存文本
获胜者=$（$SORT-n$拼写错误的单词|$HEAD-1）
旋转的_文件=$（echo$winner |$AWK'{print$4}'）
mv$rot