PDF to tiff ImageMagick 问题

Posted 2023-02-25

【中文标题】PDF to tiff ImageMagick 问题

【英文标题】：PDF to tiff ImageMagick problem

【发布时间】：2011-05-14 13:54:50

【问题描述】：

我正在尝试将 pdf 转换为 tiff 图像以进行 OCR。我使用“-density 300x300 -depth 8”作为参数。 第一个问题是我从 500 KB 的 pdf 文件中得到 72 MB 的 tiff 文件。 第二个问题是导致 OCR 失败的结果图像质量差。 在这里你可以自己看看。 Adobe acrobat 阅读器生成（打印）tiff 图像：

ImageMagick tiff 图像：

差别很大。 如何使用 ImageMagick 获得与 Adob​​e 生成的图像一样好的效果？ 不需要tiff，其他格式也可以。

UPD：我找到了“antialias”选项。现在好多了。 但是 OCR 结果仍然不如 Adob​​e 版本准确。

【问题讨论】：

其实 Adob​​e 的更差，因为它没有抗锯齿，而且看起来像素化了很多。

对于人类 - 是的。但是对于 Tesseract，Adobe 版本是最好的。

为什么要将双层图像转换为 8 位灰度（-depth 8）？如果您只需要将格式从 PDF 更改为 TIFF 并且不更改图像数据，请将位深度保留为原始。

这是为 Tesseract 准备的。否则它将失败，说不支持图像格式。

为什么要将文本转换为图像，然后将生成的图像转换为文本？也许从 PDF 中提取文本会更适合您的需求？

【参考方案1】：

我的建议是：使用 Ghostscript 命令行。因为 ImageMagick 无论如何都在后台使用 Ghostscript（对此的技术 IM 术语是：Ghostscript 是某些转换的“代表”，例如 PDF->TIFF）。

下面是一个命令行，它应该适用于多页 PDF 文件的信纸大小的页面：

gswin32c.exe ^
   -o page_%03d.tif ^
   -sDEVICE=tiffg4 ^
   -r720x720 ^
   -g6120x7920 ^
    input.pdf

-g... 参数使用“设备点”控制输出页面的绝对宽度+高度...（对于 6120x7920 和 720dpi，这恰好是字母大小）。

这些 TIFF 页面...

...将是黑+白， ...分辨率为 720dpi， ...将被 G4 压缩和 ...将比您在 IM 命令行中未压缩的 300dpi 小得多

-depth 8 的 IM 参数不适合从 p.o.v 中获得好的结果。后来的 OCR，因为它会在字母周围产生灰色阴影，这无济于事。

您的 OCR 结果现在应该比以前好得多。

如果您的 OCR 无法处理 TIFF G4 格式（我对此表示怀疑），那么您可以借助 Ghostscript 生成其他 TIFF 子格式。例如：

gswin32c.exe ^
   -o page_%03d.tif ^
   -sDEVICE=tiffgray ^
   -r720x720 ^
   -g6120x7920 ^
   -sCompression=lzw ^
    input.pdf

.

gswin32c.exe ^
   -o page_%03d.tif ^
   -sDEVICE=tiff24nc ^
   -r720x720 ^
   -g6120x7920 ^
   -sCompression=lzw ^
    input.pdf

tiffgray 设备创建 8 位灰度输出。 tiff24nc 设备创建 8 位 RGB 颜色输出。两种类型的 TIFF 当然都会比tiffg4 输出大。

【讨论】：

非常感谢，看起来棒极了！最后一个问题：你知道让它从多页 pdf 生成一个多页 tiff 文件吗？

@dumpter：对于多页 TIFF，只需使用 -o output.tif。如果输出没有%03d 名称部分，则不会有单页 TIFF....

谢谢。现在它看起来像我想要的。

【参考方案2】：

对于欧洲纸张格式 A4 和 unix/linux 使用：

gs -o output.tif -sDEVICE=tiffg4 -r720x720 -sPAPERSIZE=a4 input.pdf 

【讨论】：

根据post，对于彩色图像必须使用-sDEVICE=tiffscaled24。