Zašto se slike izvađene iz PDF-a razlikuju od onih koje se vide na stranici?

Slike s prozirnošću mogu se pohraniti odvojeno kao glavna slika i meka maska. Zatim upotrijebite Pillow za izradu RGBA PNG-a, umetnite PDF u memoriji i provjerite glavnu sliku i SMask. Izdvajanje bajtova glavne slike nije jednako dobivanju potpunog efekta prozirnosti, niti je jednako rekonstruiranju svih instanci prikaza na stranici.

Slike koje izdvojite iz PDF-ova često izgledaju drugačije od onoga što vidite na stranici: ili su potpuno crne, pogrešne veličine ili im nedostaje pozadina ili vodeni žig. Problem obično nije u samom kodu, već u činjenici da čitate izvorni slikovni objekt unutar PDF-a i propuštate upute za kompoziciju prilikom renderiranja stranice.

Ovaj je članak napisan za programere i obrađivače dokumenata koji trebaju koristiti skripte za analizu PDF slika. Pogodan je za scenarije kao što je pretprocesiranje OCR-a i reorganizacija sadržaja. Nakon čitanja možete razumjeti razliku između izvornog objekta i prikaza stranice, znati zašto SMask (meka maska) uzrokuje gubitak prozirnih područja i ovladati skupom metoda samotestiranja pomoću sintetičkih uzoraka.

Ovaj članak koristi sintetičke uzorke za demonstraciju metode obrade. Kôd je provjeren s primjerima u izoliranom okruženju i nije jamstvo svih stvarnih datoteka ili performansi proizvoda. Prije obrade važnih dokumenata, molimo vas da sačuvate izvornike i pregledate ih prema granicama i stavkama prihvaćanja u tekstu.

Rezultati ekstrakcije PDF slike nisu u skladu sa stranicom? Zaključak jedne rečenice

Bajtovi izdvojene glavne slike nisu jednaki cjelokupnom učinku na stranici. SMask se mora obraditi u isto vrijeme, a stvarni rezultat renderiranja čitača koristi se kao mjerilo prihvaćanja.

vaša situacijaPreporučene prakserazlog
Rezultat ekstrakcije je jednobojni pravokutnik, a prozirno područje postaje crno ili bijeloProvjerite je li smask_xref 0 i spojite SMask kao Alpha kanal u glavnu slikuSlike s prozirnošću mogu se pohraniti odvojeno kao glavna slika i meka maska. Izdvajanjem samo glavne slike izgubit ćete informacije o transparentnosti.
Izdvojena je cijela velika slika, a samo dio je prikazan na stranici.Očitajte CTM matricu i /BBox, obrežite prema području prikazaIsta osnovna karta može se ponovno koristiti na više stranica, a svaka stranica prikazuje samo svoje djelomično područje.
Orijentacija slike je obrnuta ili deformiranaOčitajte parametre matrice za geometrijsku korekciju i ručno provjerite tekst i licaTransformacijska matrica može sadržavati negativne skalirane ili neuniformne transformacije
Izdvajanje je uspješno, ali se stranica ne može vidjetiUpitajte status OCG-a i usporedite s CropBoxomSlika može biti skrivena izbornom grupom sadržaja ili izvan područja obrezivanja
Slika je mutna ili niske rezolucijeZabilježite DPI metapodatke i označite ih kao niske kvalitete, ponovno skenirajte izvorne datoteke ako je potrebnoIzvorna ugrađena slika sama po sebi može biti minijatura niske rezolucije

Razlika između originalnih objekata i cjevovoda renderiranja

PDF datoteke strukturirane su poput skladišta resursa. `Document.extract_image(xref)` Ono što ova metoda čini je vađenje dijelova iz skladišta kakvi jesu. Prikaz na stranici također treba proći kroz višestruke procese: skaliranje transformacijske matrice (CTM), rezanje putanje isječka (Clip Path), miješanje grupe prozirnosti (Transparency Group) i prekrivanje meke maske (Soft Mask).

Najtipičnija razlika dolazi od SMaska. Mnogi PNG-ovi s kanalom prozirnosti podijeljeni su u dva dijela unutar PDF-a: tok RGB slike i odvojeni tok sive maske. Ako izdvojite samo glavnu sliku i odbacite pridruženi SMask objekt, dobit ćete pravokutnik bez prozirnosti, a izvorno prozirno područje postat će crno ili bijelo.

Osim toga, kako bi se uštedio volumen, ista osnovna karta visoke rezolucije može se ponovno koristiti na više stranica, a svaka stranica prikazuje samo dio toga kroz različite /BBox i matrice. Izravna ekstrakcija rezultirat će kompletnom velikom slikom, a ne izrezanim fragmentima koje korisnik vidi. Ovo "ono što vidite nije ono što dobivate" je inherentna karakteristika PDF-a kao formata za razmjenu i nije nedostatak biblioteke za analizu.

Tablica u nastavku uspoređuje dvije perspektive:

📊 Osnovna usporedba

Kontrastne dimenzijeEkstrahirajte izvorni objekt izravnoRezultati renderiranja stranice
Dobijte sadržajIzvorni dijelovi u skladištu resursa, kao što je glavni tok slikeVizualni efekti nakon obrade uputama sinteze
prozirnostGlavna slika i SMask mogu se pohraniti odvojeno i potrebno ih je ručno povezati.Meke maske se preklapaju, a prozirna područja prikazuju se normalno.
Veličina i opsegMože biti osnovna karta u punoj veličiniOgraničeno CTM-om, /BBox i stazama odsijecanja
Situacija ponovne upotrebeIstu osnovnu kartu može dijeliti više stranicaSvaka stranica predstavlja samo svoj dio

Sintetičko testno okruženje i rukovanje graničnim slučajevima

Kako bi se provjerila logika izdvajanja bez oslanjanja na vanjske datoteke, potrebno je izraditi sintetički PDF koji sadrži SMask. Sljedeći kod koristi PyMuPDF za stvaranje testnog dokumenta u memoriji, u kojem objekt slike ima neovisnu meku masku, simulirajući situaciju u stvarnoj sceni gdje "ikona ima prozirnu pozadinu, ali je temeljni sloj pohranjen u zasebnom toku".

from io import BytesIO
from PIL import Image
import pymupdf
im = Image.new("RGBA", (16, 16), (255, 0, 0, 128))
raw = BytesIO()
im.save(raw, format="PNG")
with pymupdf.open() as doc:
    page = doc.new_page(width=100, height=100)
    page.insert_image(pymupdf.Rect(10, 10, 70, 70), stream=raw.getvalue())
    images = page.get_images(full=True)
    assert len(images) == 1
    xref, smask = images[0][:2]
    assert xref > 0 and smask > 0
    assert doc.extract_image(xref)["width"] == 16
    assert doc.extract_image(smask)["image"]

Očekivanje ispravnog izlaza: Program bi trebao moći prepoznati da je slika povezana sa SMaskom i uspješno izdvojiti glavne podatke slike.

Kod je potpuno samostalan i ne zahtijeva nikakve vanjske ulazne datoteke. Sintetizira PDF sa SMaskom u memoriji i zatim provjerava prepoznaje li logika ekstrakcije ispravno povezanost maske. Kod sadrži dvije ključne tvrdnje: jednu koja provjerava integritet ekstrahiranih podataka i drugu koja provjerava svijest o stanju pridruženom SMasku.

Ovaj kod se fokusira na provjeru integriteta na razini metapodataka. U stvarnoj proizvodnji, ako se koristi smask_xref != 0, potrebno je koristiti biblioteke kao što je Pillow za lijepljenje doc.extract_image(smask_xref) rezultata na glavnu sliku kao alfa kanal. Dvije tvrdnje pokrivaju dva temeljna ugovora "podaci se mogu ekstrahirati" i "vidljiva je povezanost maske", što može spriječiti lažne uspjehe kada se prazni dokumenti ili API promjene.

Prihvaćanje rezultata ekstrakcije i granice ručnog pregleda

Automatsko vađenje ne može u potpunosti zamijeniti vizualnu potvrdu. Sljedeća tablica sažima uobičajene anomalije, strategije rukovanja i situacije koje moraju biti prepuštene ljudskoj prosudbi.

Promatrajte pojaveMogući razloziAutomatizirana obrada odlukaUvjeti pokretanja ručnog pregleda
Slika je potpuno crna ili potpuno bijelaSMask je ekstrahiran kao samostalna slika; dekodiranje prostora boja nije uspjeloProvjerite asocijaciju SMask; isprobajte rezervni prostor bojaSadržaj se i dalje ne može prepoznati nakon vraćanja; uključene su spot boje ili boje povezane s uređajem
Orijentacija slike obrnuta ili rastegnutaCTM matrica sadrži negativno skaliranje ili neuniformnu transformacijuOčitajte parametre matrice za geometrijsku korekcijuTekst ili lica očito su deformirani nakon korekcije; složeni vektorski isječak
Više malih slika spojenih u jednu veliku slikuUzorak popločavanja ili prugasta pohranaIzrežite ili spojite prema BBox koordinatamaRaspon za spajanje je očit; logično bi trebala biti samostalna semantička jedinica
Izdvajanje je uspješno, ali stranica nije vidljivaHidden by OCG (neobavezna grupa sadržaja); izvan područja usjevaFiltar statusa upita OCG; usporedite CropBoxSložena logika slojeva, kao što je ugniježđeni OCMD; dinamička polja obrasca
Vrlo niska rezolucija ili mutna slikaIzvorno ugrađivanje je minijatura niske razlučivostiZabilježite DPI metapodatke, označite kao niske kvaliteteKljučna grafika ili tekst su nečitljivi zbog zamućenja; potrebno je ponovno skenirati izvorni dokument.

Treba napomenuti da "demonstracija koda" samo provjerava povezanost API poziva i protoka podataka, a ne znači da je učinak od kraja do kraja na standardu. Kada naiđete na OCG ugniježđenu logiku, prilagođene shadere ili šifrirane dokumente, izlaz skripte služi samo kao referenca i mora se prihvatiti u odnosu na stvarno iscrtavanje PDF čitača.

🎯 Koja je metoda prikladna za vas?

Ako trebate sačuvati učinak prozirnosti

Prvo provjerite postoji li SMask, spojite ga u Alpha kanal, a zatim izvršite naknadnu obradu.

Ako trebate samo djelomičnu sliku na stranici

Pročitajte CTM i /BBox i obrežite prema području prikaza umjesto izravnog spremanja osnovne slike.

Ako je vaša slika skenirana ili ugrađena u nisku razlučivost

Najprije snimite DPI metapodatke i označite kvalitetu. Ako ključni sadržaj nije jasan, vratite se na izvornu datoteku i ponovno skenirajte.

Ako dokument sadrži slojeve, enkripciju ili složeno obrezivanje

Tretirajte izlaz skripte kao preliminarni rezultat, a konačni učinak renderiranja u PDF čitaču će prevladati.

❓ Često postavljana pitanja (FAQ)

1. Zašto prozirno područje izdvojene slike postaje crno?

Uobičajeni razlog je taj što se informacije o prozirnosti pohranjuju u SMask, a izdvaja se samo glavna slika bez uključivanja maske.

2. Izdvojena slika je puno veća od onoga što vidite na stranici. Što se događa?

Ista osnovna karta može se ponovno koristiti na više stranica. Svaka stranica prikazuje samo dio kroz /BBox i matricu. Izravna ekstrakcija rezultirat će potpunom osnovnom kartom.

3. Kod prolazi. Znači li to da se izdvojeni rezultati mogu izravno koristiti?

ne može. Demonstracija koda samo provjerava povezanost API poziva i protoka podataka, a stvarni rezultati prikazivanja čitača moraju se koristiti za konačno prihvaćanje.

4. Izdvajanje je uspješno, ali slika se ne vidi na stranici. Što može biti razlog?

Slika može biti skrivena izbornom grupom sadržaja (OCG) ili izvan područja izrezivanja. OCG status se može ispitati i usporediti s CropBoxom.

📝 Sažetak

Objekt izvorne slike u PDF-u i efekt prikaza stranice dvije su razine stvari, a odnos između njih mora se razjasniti prije ekstrakcije. Zajedno obradite SMask, matricu i informacije o izrezivanju i koristite rezultate renderiranja za prihvaćanje, tako da rezultati budu pouzdani.

Isprobajte sada: prenesite dokument za početak prijevoda, zadržavajući izvorni izgled

Ažurirano 2026-11-17