2013

スキャンしたPDFの後処理

sukarabe 2013年8月25日 (日) コメントはまだありません

以前から懸案ではあったのだが，Windowsマシンも買ったことだし，画像処理関係のツールをいろいろ集めて実験してみた。実は，Mac上でもImageMagickなどで実験していたのだが，Windowsだと専用のツールが豊富にあるようなので，それがWindowsマシン購入の理由の1つだったりするのだ。

自分でスキャンするものについては，スキャンの段階で白黒2値とか選べるが，Bookscanなどのスキャン代行業者に依頼したものは，そういうわけにもいかず，黄色く紙焼けした本など，そのまんまカラーでスキャンされているものが，けっこうある。それをきれいに脱色して，白黒2値あるいは16階調グレースケールあたりに変換するのが目的である。

いくつか試してみた結果，画像梱包，Ralpha Image Resizer, XnView の3つを使って，とりあえず目的を果たした。XnViewはMac版やLinux版もあるが，あとの2つはWindows専用のプログラムである。

まず，画像梱包(pic2pdf)を使って，PDFの画像を抽出する。ソフトの注意書きには，画像梱包でPDFにしたものに対してのみ抽出可能とあったが，スキャンした本のPDFでも大丈夫のようだった。要するに，複雑な構造のPDFもあるから，それは無理ということなのだろう。本をスキャンして作ったPDFは，たいていの場合，単にJPEGのデータにヘッダー(XMLとか)を付加しただけであるから，問題ないのだと思う。抽出のスピードも非常に速い。AcrobatでJPEG出力するよりもずっと速いのだ。しかもJPEGのヘッダーを外すだけなので，基本的に無劣化で画像が取り出せるらしい。

次は，Ralpha Image Resizer を使っての画像処理。紙焼けは，周辺部がとくにひどいので，文字がないことを確認してから，上下左右をトリミングする。そして，同じ分量だけ付け加える。こうすると，紙の周囲が真っ白になる。次に，2倍に拡大する。これで，600dpi相当にオーバーサンプリングしたことになる。最後に白黒2値化するので，解像度を上げておきたいから。続いて，トーンカーブを調節する。ここのところは，ImageMagickのlevel処理のように，high, low, gamma の3つで簡単に処理しても良いと思うのだが，まあ，似たようなもの。プレビュー出来るので，結果を見ながら調節できる。最後に，赤チャンネルのみを抽出してグレースケールにする。

このあと，白黒2値でCCITT FAX G4圧縮のTIFFにしたいのだが，Ralphaでは白黒2値というメニューがない。グレースケールで色数を2色にすれば，白黒2値と同じなのかもだが，それでもJPEGになってしまうのは嫌なので，Ralphaだけで済ますのはあきらめた。結局，Ralphaでは，グレースケールにしてPNGとして出力させて終了。

Ralphaで出力したPNGファイルをXnViewで一括変換する。一気に白黒2値とどれくらい違うが疑問だが，段階を踏むことにして，グレースケールの色数を4bit, 3bit, 2bitと下げていき，最後に1bitつまり白黒2値にする。白黒2値にする際には，閾値(しきいち，threshold)というパラメーターがあるはずなのだが。何故か見当たらない。ここが謎なのだが，ともかく白黒2値にする。出力はCCITT FAX G4圧縮のTIFFファイルとする。

最後に，再び画像梱包を使う。解像度を600dpiと指定して，PDFに固める。解像度の指定をしておくと，Acrobatで見るとき，100％でもそれほど巨大にならないし，それに，表紙と裏表紙(これはPDFから抽出したままで，2倍にしていない)を後からAcrobatで加えるとき，同じ大きさで表示されるので，ちょうど良い。

以上で作業は終了。これをバッチ処理できるスクリプトがあればよいのだが。書式は，
mypdf2pdf hoge.pdf -level high low gamma -color 1-2 143-144 -resize 2 hoge2.pdf
とかいった感じで。