Утилита для получения всевозможной информации из PDF файла.
Все извлечённые данные каждого PDF документа (а так же картинки и прочее) складываются в отдельные каталоги, для их последующего сравнения в WinMerge.
Основное назначение - сравнение версий журналов с разных сайтов и выбор документа наилучшего качества.
Так же можно использовать для извлечения ресурсов из PDF.
- Poppler - альтернатива XPDF. Вики
- mutool - достаточно бестолковая утилита.
- PDFtk Server
Утилиты для обработки отсканированных страниц книги
Сканирование страницы редко проходит идеально. Если у сканера чёрная крышка, то у изображения могут появиться чёрные границы.
А некоторые страницы могут иметь ещё и небольшой наклон, который можно исправить, например, с помощью ImageMagick. Вот пример кода, который запускается из BAT файла:
SET dir="result"
if not exist %dir% mkdir %dir%
for /f %%f in ('dir /b *.bmp') do "C:\Documents and Settings\user\Documents\convert.exe" %%f -filter catrom -deskew 40%% +repage ./%dir%/%%f
Пример изображения после такой обработки (белая окантовка плохо видна, поэтому для наглядности добавлена синяя рамка):
BorderFix устраняет белую окантовку, затем чёрные полосы и затем растягивает изображение до требуемых размеров. Поскольку фон не всегда идеально белый, происходит аккуратное копирование соседнего фона с растягиванием.
После обрезки белых и чёрных полей:
После подгонки габаритов и финальный вариант:
BorderFix не подходит для случаев, когда информативная часть примыкает к краю страницы.
В этом случае надо отключать метод fixBlack(), либо, как вариант, можно отключить код, обрезающий эту сторону страницы. Так же этот метод следует выключать, если у сканера белая крышка.
Поле debug позволяет экспериментировать с картинкой и смотреть все этапы её обработки.
Это инструмент для оптимизации палитры отсканированных страниц, с целью уменьшения занимаемого места на диске. Например, если захочется хранить исходники для последующего распознавания текста.
Размер PNG изображений после такой оптимизацции соизмерим с размером JPG файлов с качеством 90%. Впрочем, на практике я всё-таки храню всё в JPG 90%, потому что кодировать в PNG долго, а выигрыш не такой большой, как хотелось бы...
Идея проста - максимально уменьшить количество цветов, в особенности светлого фона, без видимой потери качества.
Исходные данные: отсканированные страницы с градациями одного цвета (белый, светло-коричневый, или любой другой).
PaletteOptimize работает только с изображениями в BMP формате с палитрой.
Количество цветов в палитре может быть и 256, и меньше.
Алгоритм обработки следующий:
- Пакетно преобразовать все страницы в BMP 256 (Irfan View)
- Оптимизировать палитру с помощью PaletteOptimize
- Пакетно преобразовать все страницы в PNG с 32 цветами в палитре (Irfan View)
Результирующий размер в 2-3 раза меньше, чем у PNG без аналогичного сжатия.
Результирующий размер соизмерим с JPEG изображением с качеством 90-95, но при этом в нём не будет искажений, присущих формату JPEG.
Что делает код для каждого цвета в палитре:
- Вычисляет усреднённый цвет по трём каналам
- Приводит цвет к ближайшему доступному
- Если усреднённый цвет меньше 120, то доступны цвета через 4 (0, 4, 8, ...)
- Если усреднённый цвет больше 120, то доступны цвета через 8 (120, 128, ...)
- Далее на цвет накладывается оттенок, который был в оригинале.
| Книга | BMP | JPG 90% | PNG (32 цвета) | PNG (32 цвета, оптимизация) |
|---|---|---|---|---|
| Большая книга кодов и головоломок | 8860 | 1379 | 3004 | 840 |
| Лучшие игры для IBM PC (600 DPI) | 7416 | 460 | 976 | 549 |
| Лучшие игры для IBM PC (300 DPI) | 619 | 145 | 275 | 155 |
| 1500 игр Sega (600 DPI) | 28033 | 1432 | 3063 | 1563 |
| 1500 игр Sega (300 DPI) | 7011 | 462 | 604 | 426 |
Чем чище и равномернее фон страницы, тем сильнее проявляется оптимизация.
- threshold = 120; Разделитель между тёмными и светлыми цветами
- whiteGroup = 8; Диапазон группировки светлых цветов; если тёмный фон, то 8, если белый, то 16. Бывает, что приходится ставить 8, потому что видны слишком резкие переходы цветов фона.