Python 如何识别扫描的PDF文件中的图像？

我试图在扫描的PDF文件中识别图像（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，假设你扫描了一本书的一章。页面有三种可能的选项：

仅包含文本

仅包含一个图像（或多个）

包含文本和图像

---

我想输出属于第2类或第3类的页面列表。

我的想法是寻找普通文本中没有的功能-可能是垂直的、跨越多行的黑色元素。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

因此，我将使用此命令-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

以上命令说明…

在上面的命令中，我没有设置阈值，而是将颜色减少为2种颜色，然后转换为灰度，然后进行归一化-基本上，这应该选择黑色和背景色作为两种颜色，当转换为灰度并进行归一化时，它们将变为黑色和白色

然后我用一个200像素高的结构元素做了一个中值滤波器，这个结构元素比几条线还要高，所以它应该能识别高的特征——垂直线

解释结束

继续

因此，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，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

您可以看到PDF中有多少页，如下所示-尽管可能有更快的方法：

convert -density 18 book.pdf info:

提示

您可以按如下方式提取PDF页面：

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

提示

---

如果你正在写多本书，你可能会希望对图像进行归一化处理，使它们都有1000像素高，那么结构元素的大小（用于计算中值）应该相当一致。

这在很大程度上取决于你的图像和文本。您需要查看数据集。可能是图像有很多颜色。文本可以有颜色，但通常颜色不多。它也可能是你可以在比角色大的东西周围画的最大的白色边框。在这种情况下，“白色”需要“足够的白色，以允许传感器噪声”。。。但仍然如此。这将识别方形图片。也许没有那么多图表。提供一些例子，让我们都在同一页上如何？对于案例2，pdf有任何文本吗？比如页码或标题之类的？只有在两种情况之间有明确的界限时，才能应用机器学习。为了给你一个抽象的想法，pdf需要转换成图像。然后将图像转换为灰度，然后转换为矢量形式，其中每个像素都表示为一个数组。如果根本没有文本，向量将与包含文本和图像的向量具有不同的模式。这个模式是由神经网络拾取的，因此它会学习。@MarkSetchell关于这个标记有一个可下载的PDF担忧-你的答案似乎很有效！你的方法似乎需要2-3秒。有没有更快的方法？I@Dhruva谁知道呢？这取决于很多事情！您的CPU、RAM、操作系统、PDF的大小、PDF的数量、PDF中图像的分辨率、您实际想要确定的内容。。。如果您有特定的问题，请随时询问新问题（免费），并可能包含一个指向此问题的链接以供参考-通过单击

共享
@Mark Setchell获取链接您为什么不直接计算黑色像素<代码>numpy
库通常能够快速完成此类任务。