Qual é a resolução de um arquivo pdf digitalizado?

1. Eu digitalizei alguns documentos usando um scanner 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. Por que 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 eu uso o Adobe Premium Pro para OCR meu arquivo pdf, ele me permite especificar qual resolução que irá diminuir a quantidade do arquivo pdf para várias opções (72, 300, 600). Se eu não quiser o arquivo PDF OCRed para ter menos resolução do que o arquivo original em pdf, como devo descobrir a resolução do arquivo pdf, e qual resolução opção devo escolher para OCR no Adobe Premium Pro?

Obrigado.

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

Uma imagem rasterizada 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 o ImageMagick identify -v relatórios. Esse 72dpi é a resolução usada para converter o PDF em uma imagem rasterizada, de modo a relatar informações de pixel sobre ele.

Você notará que realmente é executado: gs ... -r72x72 ... por 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 pixels, mas não o tamanho (em mm ou inch ) da caixa em que a imagem seria impressa, para que você não obtenha a resolução disso.

Do ID do objeto ( 8 0 acima), você pode descobrir a dimensão do container:

$ 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).

Então, 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 isso:

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

Aqui eles não correspondem embora.

Você também pode extrair as imagens e com pdfimages e passe isso para o seu OCR para que ele não tenha que decidir sobre uma resolução antes de se converter em uma imagem rasterizada.