galaxyman 09.02.2010 18:46
How-to`s — Улучшение качества DJVU книг
Очень часто попадаются интересные книги в формате djvu. Но к сожалению качество некоторых книг не очень хорошее. К основным дефектам можно отнести:серый фон на страницах;
некоторые страницы перевернуты на 90-180 град;
страницы идут попарно - разворотами, такие неудобно читать на небольшом экране нетбука.
Как исправить такую книгу расскажу под катом.
Перед началом работы убедитесь, что установлены пакеты:
libtiff-tools, djvulibre-bin и imagemagick.
Итак имеем файл книги inputfile.djvu. Примерно такого качества:
Преобразуем его сначала в многостраничный tiff:
Сжатие без компрессии (размер файла может достичь до нескольких Гб! в зависимости от количества страниц и качества книги)
ddjvu -v -format=tiff inputfile.djvu output.tiff
Сжатие с компрессией (размер файла до 500 Мб)
ddjvu -v -format=tiff -quality=80 inputfile.djvu output.tiff
Если книга небольшая, до 200 стр., то параметр качества -quality=80 можно не указывать, при этом tiff получиться без компрессии, а значит, с меньшей потерей качества при преобразовании. У меня с книгой более 500 стр не получилось разрезать с помощью tiffsplit созданный без компрессии 2 Гб-ый tiff.
Теперь преобразуем многостраничный тиф в множество одностраничных - каждую страницу в отдельный файл:
tiffsplit inputfile.tiff outputdir/
Еще одно преобразование, на этот раз из tiff в png. Для чего? Объясняю чуть ниже.
for f in *; do convert $f png/$f.png; done
На следующем этапе нам понадобиться Scan Tailor - программа для подготовки электронных книг. В Ubuntu 9.10 она есть в репозитории. Для пользователей других дистрибутивов: ищите в своих репозиториях, если нет, то Scan Tailor легко собирается из исходников, предварительно почитайте, что нужно установить по зависимостям. Есть версия для Windows.
sudo apt-get install scantailor
Вот теперь нам и понадобятся png файлы, так как tiff Scan Tailor не читает.
Запускаем Scan Tailor, добавляем все png файлы в проект и проходим по нужным пунктам оптимизации. Поскольку программа локализована, не вижу смысла подробно останавливаться на всех пунктах оптимизации. Scan Tailor позволяет: исправлять ориентацию страниц, разрезать развороты отсканированных страниц, корректировать угол наклона страниц, выделять полезную область страниц, при этом очищая поля, поменять разрешение документа, выбрать способ компресии для изображения: черно-белое, цветное-оттенки серого, смешанное. Наиболее важный и интересный пункт это "Разрезка страниц". Насколько я знаю, есть еще одна программа для обработки отсканированных изображений под nix системы, позволяющая разрезать развороты книг - unpaper. Однако добиться ее корректной работы у меня не получилось (страницы не резались, если кто то работает с unpaper оставьте в коментах рабочие опции при разрезании разворотов страниц). Наилучший, самый чистый результат получается при выборе в пункте "Вывод" режима "Черно-белый". Однако этот способ коррекции не подходит, если в книге есть фотографии, тут нужно подбирать режим: "Цветной-серый" либо "Смешанный".
После завершения работы результаты складываются в папку "out".
В консоли переходим в папку out и запускаем скрипт сборки djvu файла.
На выходе получаем такой результат (файл output.djvu):
Разница в качестве исходного и обработанного файла заметна невооруженным глазом.
Эта статья кросспост из моего блога.
Похожие
Поделиться
galaxyman
нельзя,текстовый слой это каша после osr с минимальным форматированием
если нужен текст, извлек картинки и в cuniform или http://finereader.abbyyonline.com/ + finereader работает под wine
если нужен текст, извлек картинки и в cuniform или http://finereader.abbyyonline.com/ + finereader работает под wine
ZaWertun
вытащить текст из такого djvu - как раз не проблема (например с помощью djvutxt из djvulibre),
проблема в том как к этому тексту потом в нужных местах привязать соответствующие картинки
хотя еще можно взять вывод от djvutoxml и преобразовать его к нужному виду,
но XML-конструкции которые он генерирует мне не очень нравятся:
проблема в том как к этому тексту потом в нужных местах привязать соответствующие картинки
хотя еще можно взять вывод от djvutoxml и преобразовать его к нужному виду,
но XML-конструкции которые он генерирует мне не очень нравятся:
<LINE>
<WORD coords="259,4794,397,4757">реальным</WORD>
<WORD coords="424,4794,688,4756">опытом.</WORD>
<WORD coords="716,4794,864,4745">Если</WORD>
<WORD coords="893,4794,973,4757">вы</WORD>
<WORD coords="998,4811,1115,4757">уже</WORD>
<WORD coords="1142,4811,1488,4758">проделали</WORD>
<WORD coords="1516,4796,1617,4758">все</WORD>
<WORD coords="1644,4806,1765,4758">это,</WORD>
<WORD coords="1790,4805,2018,4757">данная</WORD>
<WORD coords="2046,4795,2230,4757">книга</WORD>
<WORD coords="2258,4795,2359,4757">все</WORD>
<WORD coords="2386,4811,2579,4757">равно</WORD>
<WORD coords="2607,4794,2905,4756">окажется</WORD>
<WORD coords="2932,4794,3046,4756">вам</WORD>
<WORD coords="3075,4795,3282,4756">полез-</WORD>
</LINE>
хотя что это я, парсить как раз просто будет
спать надо больше..
спать надо больше..
predator
спасибо автору. мне обязательно пригодится, т.к. много читаю за компом.
exelens
chemikadze
DjVu (от фр. d?j? vu — «уже виденное») — технология сжатия изображений с потерями, разработанная специально для хранения сканированных документов — книг, журналов, рукописей и прочее, где обилие формул, схем, рисунков и рукописных символов делает чрезвычайно трудоёмким их полноценное распознавание. Также является эффективным решением, если необходимо передать все нюансы оформления, например, исторических документов, где важное значение имеет не только содержание, но и цвет и фактура бумаги; дефекты пергамента: трещинки, следы от складывания; исправления, кляксы, отпечатки пальцев; следы, оставленные другими предметами.
Имелось в виду "сканы часто попадаются в djvu". Интернеты сломали мой русский язык, пойду сопру у младшего брата учебник по риторике.
Daria
ещё нужны как минимум пакеты: libtiff-tools, djvulibre-bin и imagemagick
sergicus
возможно ли переконвертировать djvu с текстовым слоем в pdf, но не как набор картинок ?
хотя даже не обязательно в pdf, в тот же html например.