ImageMagick转换低质量PDF以进行OCR的最佳参数是什么？

Question

我有几个质量很差的pdf文件，想使用OCR技术——更确切地说是 Ocropus，从中获取文本。为此，我首先使用命令行工具ImageMagick将这些pdf转换成jpg或png格式的图像。

然而，ImageMagick生成的图像质量非常低，而Ocropus几乎无法识别任何内容。我想了解处理低质量pdf以提供尽可能好的图像给OCR所需的最佳参数。

我找到了这个页面，但不知道从哪里开始。

- Skarab

Answer 1

您可以通过输入命令来了解ImageMagick的“代理”（IM使用的外部程序，如Ghostscript）的详细设置。

convert -list delegate

（在我的系统上，这是32个不同命令的列表。）现在要查看用于转换为PNG的命令，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。[*] 如果你使用Linux，请尝试以下方法：

convert -list delegate | grep -i png

你会发现IM只能从PS或EPS输入产生PNG。那么IM如何从你的PDF获取(E)PS呢？很简单：

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。虽然可行，但不是最有效的方法，如果您知道Ghostscript可以一次完成PDF => PNG转换，并且更快，质量更好。 关于IM通过Ghostscript委托处理PDF转换为图像，您首先应该了解两件事：

1. 默认情况下，如果您不提供额外参数，则Ghostscript将以72dpi的分辨率输出图像。这就是为什么Karl的答案建议添加-density 600，这告诉Ghostscript在其图像输出中使用600dpi的分辨率。
2. IM调用Ghostscript两次进行转换首先是PDF => PS，然后是PS => PNG，这是一个真正的错误。因为在第一步中你几乎从来没有赢过并且很难保持质量，而经常会失去一些。原因：
   • PDF可以处理透明度，PostScript无法处理。
   • PDF可以嵌入TrueType字体，Ghostscript无法处理等等。 方向PS => PDF的转换并不那么重要....)

因此，我建议您使用Ghostscript直接将PDF一次性转换为PNG（或JPEG）。并且使用最新版本8.71（即将发布：9.01）的Ghostscript！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，请使用gs而不是gswin32c.exe，并使用\而不是^。）此命令期望找到一个名为output的子目录，在其中它将存储每个PDF页面的单独文件。要生成质量良好的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的PostScript格式，该格式可能会丢失原始PDF文件中的TrueType字体和透明对象的信息。

---

[*] 哎呀！我一开始没看到你的“linux”标签...

- Kurt Pfeifle

Answer 2

-density 600左右可以满足您的需要。

- Karl Bielefeldt

Answer 3

至少还有两个工具值得考虑：

• pdfimages，它随着poppler-utils软件包一起提供，可以轻松地从PDF中提取图像而不会降低其质量。
• pdfsandwich，只需运行pdfsandwich inputfile.pdf即可为您提供OCR文件。您可能需要调整选项以获得良好的结果。请参阅官方页面获取更多信息。

- Brian Z