为 Tesseract 准备 PDF 时的文本质量答案

【问题标题】：Text quality when preparing a PDF for Tesseract为 Tesseract 准备 PDF 时的文本质量
【发布时间】：2017-07-17 15:41:13
【问题描述】：

我有一个扫描的文档，我想使用 Tesseract 从中获取文本。

这是我的 PDF 质量示例：

正如您在“维护”中看到的，“c”上方有一个小点。 Tesseract 使用以下命令将这个词翻译成：“mafintenanée”：

tesseract 1.pdf final -l eng --oem 2
tesseract 1.pdf final -l eng --oem 1
tesseract 1.pdf final -l eng

我负担不起这种检测，所以我尝试使用 imagemagick 改进我的 PDF。

我已经尝试了以下所有命令：

convert 1.pdf -resize 400% outResize400.tif
convert 1.pdf -quality 100 out.tif
convert 1.pdf -quality 100 outquality100.tif
convert 1.pdf  -background white backgroundwhite.tif
convert 1.pdf -density 200x200 density200x200.tif
convert 1.pdf -density 200x200 density200.jpg
convert 1.pdf -antialias antialias.tif
convert 1.pdf  -background white -density 800 backgroundwhitewithdensity800.tif
convert 1.pdf -density 400% density400percent.tif

我得到的最好结果之一是：

如您所见，imageMagick 完全破坏了文本。

您知道我应该使用哪些设置来改进我的结果吗？

【问题讨论】：

您是否尝试过此站点上的任何其他想法？搜索“imagemagick text pdf”会出现 193 个其他线程。
请发布您的实际 PDF 文件。在读取 PDF 等矢量文件之前，您通常需要指定 -density XXX。所以通常可以转换 -density 288 1.pdf -resize 25% 1.tiff。标称密度为 72 dpi，因此 288=4*72 且 25% 为 1/4。因此，这会以高密度读取此 PDF，然后将大小调整回输入大小。如果您想要更大的字符，则将更改为更大的字符或删除 -resize。如果扫描不干净，那么我们需要查看实际的 PDF 以建议进一步处理，这可能取决于分配的密度。
你应该发表你的评论作为答案，你是对的，我只需要把密度放在文件名之前:)
@fmw42 将此添加为答案。通过简单地调整图像大小，您的评论帮助我将 OCR 率从 ~1% 提高到 >90%。谢谢

标签： pdf imagemagick tesseract

【解决方案1】：

根据 Vico 的要求：

在读取 PDF 等矢量文件之前，您通常需要指定 -density XXX。所以通常情况下，一个人可以做到

convert -density 288 1.pdf -resize 25% 1.tiff

标称密度为 72 dpi，因此 288=4*72 且 25% 为 1/4。因此，它会以高密度读取此 PDF，然后将大小调整回输入大小。如果您想要更大的字符，则将密度更改为更大的值或删除 -resize。如果扫描不干净，那么我们需要查看实际的 PDF 以建议进一步处理，这可能取决于分配的密度。

【讨论】：