Qual é a resolução de um arquivo pdf digitalizado?

Question

1. Eu digitalizei alguns documentos usando um scanner da Canon, com resolução especificado para ser 300.

   Eu salvei em um arquivo pdf Então eu verifiquei a resolução do pdf arquivo, por ImageMagick

   identify -verbose my.pdf
   

   Na saída, ele retorna para cada página que ele diz

   Resolution: 72x72
   

   que não é 300 que eu especifiquei com o scanner anteriormente. Porque é é diferente? Nota: O mesmo problema se eu salvá-lo como um arquivo JPG e se eu usar um centro de trabalho da Xerox.

2. Quando uso o Adobe Premium Pro para OCR meu arquivo pdf, ele me permite especificar qual resolução que irá diminuir o arquivo pdf para a partir de várias opções (72, 300, 600). Se eu não quiser o arquivo PDF oculto para ter menos resolução do que o arquivo pdf original, como devo descobrir a resolução do arquivo pdf, e qual resolução opção devo escolher para OCR no Adobe Premium Pro?

Obrigado.

    

Answer 1

PDF é um documento gráfico vetorial. Pode ser renderizado em qualquer resolução.

Uma imagem raster incorporada em um documento PDF (como é típico de um documento digitalizado básico) normalmente terá uma resolução (quantos pixels em uma polegada do documento quando impressa em papel). Um desses documentos em PDF pode ter várias dessas imagens (se for um documento de várias páginas), possivelmente com diferentes resoluções e orientações.

Não é isso que os relatórios identify -v do ImageMagick. Esse 72dpi é a resolução que ele usa para converter o PDF em uma imagem rasterizada, de modo a relatar informações de pixel sobre ele.

Você notará que ele realmente é executado: gs ... -r72x72 ... para isso.

pdfimages pode relatar todas as imagens rasterizadas em um documento PDF:

$ pdfimages -list scan.pdf
page   num  type   width height color comp bpc  enc interp  object ID
---------------------------------------------------------------------
   1     0 image    1219  1707  rgb     3   8  jpeg   no         8  0
$ qpdf --show-pages --with-images scan.pdf
page 1: 3 0 R
  images:
    /Im0: 8 0 R, 1219 x 1707
  content:
    4 0 R

Isso lhe dá o tamanho em pixel, mas não o tamanho (em mm ou inch ) da caixa em que a imagem seria impressa, então você não obterá a resolução disso.

No ID do objeto ( 8 0 acima), você pode descobrir a dimensão do contêiner:

$ mutool show scan.pdf grep | grep 'Im0 8 0'
scan.pdf:3: <</Contents 4 0 R/CropBox[0 0 595 842]/MediaBox[0 0 595 842]/Parent 2 0 R/Resources<</XObject<</Im0 8 0 R>>/ProcSet 6 0 R>>/Thumb 11 0 R/Type/Page>>

Então, aqui, sabemos que a imagem é renderizada em 595x842 pt (um ponto sendo 1/72 de polegada).

Assim, podemos derivar a resolução xey:

$ echo "$((1219 * 72 / 595))dpi" "$((1707 * 72 / 842))dpi"
147dpi 145dpi

Observe que, quando incorporado como JPG, as imagens podem ter um cabeçalho EXIF que especifica a resolução.

Você pode extrair as imagens para descobrir:

$ exiftool -XResolution -YResolution <(qpdf --show-object=8 --raw-stream-data scan.pdf)
X Resolution                    : 72
Y Resolution                    : 72

Aqui eles não combinam.

Você também pode extrair as imagens e com pdfimages e passá-las para o seu OCR para que não precise decidir sobre uma resolução antes de converter-se em uma imagem rasterizada.