Python和OpenCV

Question

有没有Python原生支持从PDF中提取图片或创建某种对象来包含PDF中的图像，以便使用OpenCV进行访问？我查看了一些脚本将PDF的图像转储到我的目录中，但我更希望访问PDF并将数据（即图像）转储为一些可以用OpenCV访问的对象。我自己的探索没有产生任何结果，因此我想问一下。另外，添加一个使用PyMuPDF的示例，基于@Ghilas BELHADJ的示例。

import fitz
import cv2
import numpy as np
from tkinter import Tk
from tkinter.filedialog import askopenfilename


class AccessPDF:

    def __init__(self):
        self.filepath = ""
        self.doc = None

    def openPDF(self):
        Tk().withdraw()
        self.filepath = askopenfilename()
        self.doc = fitz.open(self.filepath)

    def pixel2np(self,pix):
        im = np.frombuffer(pix.samples, dtype=np.uint8).reshape(pix.h, pix.w, pix.n)
        im = np.ascontiguousarray(im[..., [2, 1, 0]])  # rgb to bgr
        return im

    def displayKey(self):  
        pixobj = self.doc.getPagePixmap(0, alpha=False)
        im = self.pixel2np(pixobj)
        cv2.imwrite("testimg.png",im)
        cv2.imshow("Key" im)

- Rob

---

搜索 pdf2image - Kinght 金

我遇到了那个模块，但是我无法让它工作，由于时间紧迫，我选择不再追求弄清楚如何使用它。如果在使用OpenCV和图像PDF时有帮助，我会重新考虑。因此，我想问：它会对我有帮助吗？您是否推荐使用它而不是OpenCV？ - Rob

我理解您的意思是，您想要提取PDF中嵌入的图像，而不是将整个PDF页面呈现为图像。您有一些样本PDF文件吗？ - Dan Mašek

是的，我有一份扫描文件的PDF，我想使用tkinter抓取我的文件，然后显示第一页，它本身只是一个单独的图像。 - Rob

Answer 1

编辑：我已根据@Dan Mašek的评论对代码进行了修改

您可以使用PyMuPDF和Numpy实现此操作（在不编写中间对象到磁盘的情况下，加载 PDF 中嵌入的图像到 OpenCV）。

在这个例子中，我正在使用这个 pdf 文件。

import fitz
import cv2
import numpy as np


def pix2np(pix):
    im = np.frombuffer(pix.samples, dtype=np.uint8).reshape(pix.h, pix.w, pix.n)
    im = np.ascontiguousarray(im[..., [2, 1, 0]])  # rgb to bgr
    return im


doc = fitz.open('NGM_2018_Media_Kit.pdf')

# entire page
# pix = doc.getPagePixmap(0, alpha=False)

# first page , 5th image, xref element
pix = fitz.Pixmap(doc, doc.getPageImageList(0)[4][0])  
im = pix2np(pix)

cv2.putText(im, 'Azul fellawen', (100, 100),
            cv2.FONT_HERSHEY_SIMPLEX, 1.,
            (18, 156, 243), 2, cv2.LINE_AA)
cv2.imwrite('sample_0.png', im)

- Ghilas BELHADJ

---

很好。谢谢你指引我使用[Py]MuPDF，看起来它是解析和处理PDF文件最好的库。（在你回答之前，我尝试过PyPDF2，但那需要很多代码，并且获取最新版本的库似乎已经被放弃了 :( -- 你的更加优雅 :) ） - Dan Mašek

哇，这比我最初想的要更有帮助。现在检查一下openCV，我只需要使用cv2.imshow(im)对吗？ - Rob

几乎就是这样 cv2.imshow('some_title',im); cv2.waitKey(0) - Ghilas BELHADJ

好的，谢谢。请问一下，我不熟悉numpy库，pix2np这段代码是做什么用的？我猜它把PyMuPDF的Pixmap对象转换成了什么东西？ - Rob

pix2np将Pixmap对象转换为numpy.ndarray，这是cv2用于处理图像的默认格式。 - Ghilas BELHADJ

Answer 2

我从包含图像和文本的pdf中提取了图像。

您可以使用pix.writePNG()保存图像，或者使用cv2.imshow()显示它，哪个更适合您。

import fitz    #pymupdf
from cv2 import cv2
import numpy as np

def pix2np(pix):
    im = np.frombuffer(pix.samples, dtype=np.uint8).reshape(pix.h, pix.w, pix.n)
    im = np.ascontiguousarray(im[..., [2, 1, 0]])  # rgb to bgr
    return im

def convertPdf(filename):  
    doc = fitz.open(filename)
    #count = 0
    for i in range(len(doc)):
        for img in doc.getPageImageList(i):
            xref = img[0]
            pix = fitz.Pixmap(doc, xref)

            #if pix.n < 5:       # this is GRAY or RGB
            # To save it to the disk
            #pix.writePNG(f"p{count}.png")

            im = pix2np(pix)
            cv2.imshow("image",im)
            cv2.waitKey(0)
            #count += 1
            pix = None

if __name__ == "__main__":
    filename = "sample.pdf"
    convertPdf(filename)

- Yash Soni