PDF Hintergrund säubern

[liekendeeler]

Hallo, und schönen Feiertag denen, die davon betroffen sind

Ich bekomme viele Text-Scans als PDF, die fälschlicherweise als Bild gescannt wurden.
Nicht nur, dass beim Ausdrucken irre viel Tinte/Toner verbraucht wird, weil ja der Hintergrund auch "Farbe" enthält, die Dokumente sind oft auch viel zu groß zum Abspeichern.

Ich suche nach einem "Editor", mit dem ich ein solches "Bild" in eine Textkopie oder Strichgrafik rein schwarz-weiß umwandeln, oder den "farbigen" Hintergrund entfernen kann.

Ich danke schon mal vorweg.

Avi

Ach ja, die Technik: X201 Thinkpad mit 4 MB RAM und OCZ 260 GB, XFCE4 Deb 8_Jessie

[KBDCALLS]

Liefert ein Scanner was anderes ? Das gescannte Bild wird in ein PDF verpackt. Falls der Scan gut genug ist mit OCR tesseract-ocr oder cuneiform . Tesseract kann auch das PDF lesen. Falls es unbedingt dedruckt werden muß ocrmypdf . Anschließend ist das PDF durchsuchbar. Kann auch mit den poppler-utils das Bild aus dem PDF extrahieren.

• https://github.com/jbarlow83/OCRmyPDF

[BenutzerGa4gooPh]

Noch eine Idee aber wahrscheinlich umständlicher:
pdf in jpg umwandeln und dann mittels Bildverarbeitung filtern, in schwarz-weiss umwandeln, "kleinrechnen". Mehrseitige PDF ergeben mehrere jpg.
http://www.linux-community.de/Internal/ ... it-convert
http://www.imagemagick.org/script/convert.php
PDFs kann man m. E. auch direkt in Gimp laden und bearbeiten, filtern, umrechnen.

[debianoli]

Richtig "säubern" kannst du einen Hintergrund nur umständlich per Grafikbearbeitung mit Gimp. Und da sollten die gescannten Buchstaben möglichst eine einheitliche Farbe haben, sonst wird es wieder schwer.

Du kannst aber die Größe der Scans recht problemlos kleinrechnen lassen, indem du sie in JPGs mit niedriger Qualität (zB 75%) umwandelst. Musst dabei aber testen, ob sich das dann noch lesen lässt. Eine hohe Auflösung beim Scannen verbessert schließlich die Lesbarkeit bei großen Dateien. Umwandeln kannst du sie mit pdftoppm aus den poppler-utils oder mit convert aus imagemagick

[geier22]

Ich benutze zum Scannen gscan2pdf und als OCR - Software tesseract. Das funktioniert ganz gut. Du kannst mit diesem Programm auch Bild- Dateien importieren und eine Texterkennung durchführen. Ausserdem gibt es noch eine Editor, mit dem man ein grundlegende
Dinge tun kann (Bereiche auswählen, löschen usw)

[liekendeeler]

Moin, und Danke zunächst für Eure Anregungen.

Melde mich, wenn ich das Problem lösen konnte.

[Canaglie]

Ich habe eine ähnliche herangehensweise (muss das auch regelmäßig machen): Extrahieren der Bilder mit pdfimages (aus poppler-utils); Stapelverarbeitung mit Gimp o.ä.: umwandeln in Graustufen, Farbwerte anpassen (Weiß meistens auf ca. 210, Schwarz ca. 30), umwandeln in S/W; zusammenfügen zu neuem PDF-Dokument mit convert (aus imagemagick).

[Revod]

Befindet sich leider nicht in Debian Repos

https://wiki.ubuntuusers.de/Tamanoir/

Getestet habe ich es nicht, doch wie es in der Wiki steht....

[guennid]

Wenn der Text nicht editierbar sein muss:
"PDF" in gimp öffnen (die [einzige] Ebene gegebenenfalls auf DIN-A4 skalieren), Menu "Bild/Modus/Indiziert" und dort "Schwarz/Weiß-Palette" anschließend wieder als PDF speichern, äh... "exportieren". Fertig.

Ansonsten (editierbar) bleibt nur tesseract.

Grüße, Günther

[edit]
Nachdem ich mein Vorgehen nochmal getestet habe, will ich noch Folgendes hinzufügen:
Die Umwandlung in den indizierten Modus mit Schwarz/Weiß-Palette vermindert die Bildqualität spürbar. Bei einer Graustufen-Umwandlung habe ich keinen Qualitätsverlust festgestellt. Dürfte dann allerdings für die Reduzierung der Dateigröße nicht mehr viel bringen (vielleicht greift hier Canaglies Tipp bezüglich der Farbwerte).

Umwandlung in editierbaren Text:
mit xpdf kann man Blöcke im PDF mit der Maus markieren und mit mittlerer Maustaste in ein Editorfenster kippen. Da erscheint dann aber jede PDF-Zeile mit Absatzmarke. Außerdem können Zeichensatzprobleme auftreten. Mit evince oder qpdfview ist mir das Markieren/Kopieren nicht gelungen.

Dank an TRex!

[debianoli]

Die Umwandlung in den indizierten Modus mit Schwarz/Weiß-Palette vermindert die Bildqualität spürbar. Bei einer Graustufen-Umwandlung habe ich keinen Qualitätsverlust festgestellt. Dürfte dann allerdings für die Reduzierung der Dateigröße nicht mehr viel bringen (vielleicht greift hier Canaglies Tipp bezüglich der Farbwerte).

Graustufe nutz den gleichen Farbraum wie bunt, bringt also nix bzgl der Datei-Größe. Was auf Anhieb immer geht ist mehr Kompression bei JPG

[Emess]

Ich scanne erst mal jpg und mach den Hintergrund mit gimp weiss.
Einfach etwas mit dem Schwellenwert (o. ä.) spielen.