linux - 给定一个 PDF，如何从命令行提取图像*及其在页面上的位置*？

Question

我有一个包含文本和图像的 PDF。我想使用 linux 命令行从 PDF 中提取图像。我可以使用 pdfimages 来提取图像，但我还想在每个页面上找到该图像所在的位置。 pdfimages 可以告诉我每个图像的页面(来自文件名)，但这就是它给我的全部内容。有没有其他 FLOSS 工具可以做到这一点？

Answer 1

嗯，我认为 PDF 必须包含放置它们的信息，所以这应该是可能的。另一方面，解决方案可以是例如:

1. 使用 pdftoppm 将每个 pdf 页面转换为图像
2. 使用 pdfimages 从每个页面中提取图像
3. 使用 cvCvtColor 将图像转换为单个 8 位灰度 channel (以加快分析速度)
4. 使用 matchTemplate 进行对象检测

第 1 步可能类似于第 2 步:

for i in {0..99} ; do pdfimages -f $((i)) -l $((i+1)) file.pdf page$((i)); done

这里是第 3 步*一个简单的例子

在第 4 步中，您应该不会遇到训练问题，因为图像将完全匹配。 matchTemplate(imageToSearch, pdfPageImg, outputMap, 'CV_TM_SQDIFF')

(* - 链接已删除，因为它现在似乎指向一个勒索软件站点)