Prečo sa obrázky vyňaté z PDF líšia od obrázkov na stránke?

Obrázky s priehľadnosťou môžu byť uložené oddelene ako hlavný obrázok a mäkká maska. Potom pomocou vankúša vytvorte RGBA PNG, vložte súbor PDF do pamäte a urobte prehľad o hlavnom obrázku a maske SMask. Extrahovanie bajtov hlavného obrázka sa nerovná získaniu úplného efektu priehľadnosti, ani sa nerovná rekonštrukcii všetkých inštancií zobrazenia na stránke.

Obrázky, ktoré vytiahnete z PDF, často vyzerajú inak, ako to, čo vidíte na stránke: sú buď úplne čierne, majú nesprávnu veľkosť, alebo im chýba pozadie či vodoznak. Problém väčšinou nie je v samotnom kóde, ale skôr v tom, že vo vnútri PDF čítate pôvodný obrazový objekt a pri vykresľovaní stránky vám chýba návod na zloženie.

Tento článok je napísaný pre vývojárov a spracovateľov dokumentov, ktorí potrebujú použiť skripty na analýzu obrázkov PDF. Je vhodný pre scenáre, ako je predspracovanie OCR a reorganizácia obsahu. Po prečítaní pochopíte rozdiel medzi pôvodným objektom a zobrazením stránky, viete, prečo SMask (mäkká maska) spôsobuje stratu priehľadných oblastí a osvojíte si súbor metód samotestovania pomocou syntetických vzoriek.

Tento článok používa syntetické vzorky na demonštráciu spôsobu spracovania. Kód bol skontrolovaný pomocou príkladov v izolovanom prostredí a nie je zárukou všetkých skutočných súborov alebo výkonu produktu. Pred spracovaním dôležitých dokumentov si uschovajte originály a skontrolujte ich podľa hraníc a akceptačných položiek v texte.

Výsledky extrakcie obrázkov PDF nie sú konzistentné so stránkou? Záver jednou vetou

Extrahované bajty hlavného obrázka sa nerovnajú úplnému efektu na stránke. SMask je potrebné spracovať súčasne a skutočný výsledok vykresľovania čítačky sa používa ako meradlo akceptácie.

vaša situáciaOdporúčané postupydôvod
Výsledkom extrakcie je plný farebný obdĺžnik a priehľadná oblasť bude čierna alebo bielaSkontrolujte, či je smask_xref 0 a zlúčte SMask ako alfa kanál do hlavného obrazuObrázky s priehľadnosťou môžu byť uložené oddelene ako hlavný obrázok a mäkká maska. Extrahovaním iba hlavného obrázka sa informácie o priehľadnosti stratia.
Extrahuje sa celý veľký obrázok a na stránke sa zobrazí iba jeho časť.Prečítajte si maticu CTM a /BBox, orežte podľa oblasti zobrazeniaTá istá podkladová mapa môže byť opätovne použitá viacerými stránkami a každá stránka zobrazuje iba svoju čiastočnú oblasť.
Orientácia obrazu je obrátená alebo deformovanáPrečítajte si parametre matice pre geometrickú korekciu a manuálne skontrolujte text a plochyTransformačná matica môže obsahovať záporné škálovanie alebo nerovnomerné transformácie
Extrakcia bola úspešná, ale stránka sa nezobrazujeDopytujte stav OCG a porovnajte ho s CropBoxomObrázok môže byť skrytý vo voliteľnej skupine obsahu alebo mimo oblasti orezania
Obrázok je rozmazaný alebo má nízke rozlíšenieZaznamenajte metadáta DPI a označte ich ako nízku kvalitu, v prípade potreby znova skontrolujte zdrojové súboryPôvodný vložený obrázok môže byť samotný miniatúrou s nízkym rozlíšením

Rozdiel medzi pôvodnými objektmi a renderovacími kanálmi

Súbory PDF sú štruktúrované ako sklad zdrojov. `Document.extract_image(xref)` Táto metóda umožňuje vybrať diely zo skladu tak, ako sú. Zobrazenie na stránke tiež musí prejsť viacerými procesmi: škálovanie transformačnej matice (CTM), orezanie orezovej cesty (Clip Path), zmiešanie skupiny priehľadnosti (Transparency Group) a prekrytie mäkkou maskou (Soft Mask).

Najtypickejší rozdiel pochádza od SMask. Mnoho PNG s kanálom priehľadnosti je v PDF rozdelených na dve časti: prúd obrázkov RGB a samostatný prúd sivej masky. Ak vytiahnete iba hlavný obrázok a zahodíte súvisiaci objekt SMask, získate obdĺžnik bez priehľadnosti a pôvodne priehľadná oblasť bude čierna alebo biela.

Okrem toho, aby sa ušetril objem, rovnakú základnú mapu s vysokým rozlíšením môže znova použiť viacero stránok a každá stránka zobrazuje iba jej časť prostredníctvom rôznych /BBox a matíc. Výsledkom priamej extrakcie bude úplný veľký obrázok, a nie orezané fragmenty, ktoré používateľ vidí. Toto „to, čo vidíte, nie je to, čo dostanete"je prirodzenou vlastnosťou formátu PDF ako výmenného formátu a nie je chybou knižnice na analýzu.

Nasledujúca tabuľka porovnáva tieto dva pohľady:

📊 Základné porovnanie

Kontrastné rozmeryExtrahujte pôvodný objekt priamoVýsledky vykresľovania stránky
Získajte obsahPôvodné diely v sklade zdrojov, ako napríklad hlavný tok obrázkovVizuálne efekty po spracovaní podľa pokynov syntézy
transparentnosťHlavný obrázok a SMask môžu byť uložené oddelene a je potrebné ich manuálne spojiť.Mäkké masky sú prekryté a priehľadné oblasti sa zobrazujú normálne.
Veľkosť a rozsahMôže byť základná mapa v plnej veľkostiObmedzené CTM,/BBox a orezovými cestami
Situácia opätovného použitiaRovnakú základnú mapu môže zdieľať viacero stránokKaždá stránka predstavuje iba svoju časť

Syntetické testovacie prostredie a spracovanie hraničných prípadov

Aby bolo možné overiť logiku extrakcie bez spoliehania sa na externé súbory, je potrebné vytvoriť syntetické PDF obsahujúce SMask. Nasledujúci kód používa PyMuPDF na vytvorenie testovacieho dokumentu v pamäti, v ktorom má objekt obrázka nezávislú mäkkú masku, simulujúcu situáciu v reálnej scéne, kde „ikona má priehľadné pozadie, ale podkladová vrstva je uložená v samostatnom prúde".

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"]

Správne očakávanie výstupu: Program by mal byť schopný rozpoznať, že obrázok je spojený s SMask a úspešne extrahovať hlavné údaje obrázka.

Kód je úplne samostatný a nevyžaduje žiadne externé vstupné súbory. Syntetizuje PDF s SMask v pamäti a potom overí, či extrakčná logika správne rozpoznáva spojenie masky. Kód obsahuje dve kľúčové tvrdenia: jedno, ktoré overuje integritu extrahovaných údajov, a druhé, ktoré overuje informovanosť o stave spojenom s SMask.

Tento kód sa zameriava na overenie integrity na úrovni metadát. Ak sa v skutočnej produkcii použije smask_xref != 0, na prilepenie výsledku doc.extract_image(smask_xref) na hlavný obrázok ako alfa kanál je potrebné použiť knižnice, ako je Pillow. Tieto dve tvrdenia pokrývajú dve základné zmluvy „dáta možno extrahovať"a „priradenie masky je viditeľné", čo môže zabrániť falošným úspechom pri prázdnych dokumentoch alebo zmenách API.

Hranice prijatia výsledkov extrakcie a manuálnej kontroly

Automatická extrakcia nemôže úplne nahradiť vizuálne potvrdenie. Nasledujúca tabuľka sumarizuje bežné anomálie, stratégie riešenia a situácie, ktoré musia byť ponechané na ľudské posúdenie.

Pozorovať javyMožné dôvodyRozhodovanie o automatizovanom spracovaníPodmienky spúšťania manuálnej kontroly
Obraz je celý čierny alebo celý bielySMask bol extrahovaný ako samostatný obrázok; dekódovanie farebného priestoru zlyhaloSkontrolujte asociáciu SMask; skúste záložný farebný priestorObsah nie je možné rozpoznať ani po vrátení späť; sú zahrnuté priame farby alebo farby súvisiace so zariadením
Orientácia obrazu je obrátená alebo roztiahnutáMatica CTM obsahuje negatívne škálovanie alebo nerovnomernú transformáciuPrečítajte si parametre matice pre geometrickú korekciuText alebo tváre sú po korekcii zjavne zdeformované; komplexná vektorová orezová cesta
Viacero malých obrázkov spojených do jedného veľkého obrázkaVzor obkladu alebo pruhované úložiskoStrihajte alebo spájajte podľa súradníc BboxSpojovacia medzera je zrejmá; logicky by malo ísť o nezávislú sémantickú jednotku
Extrakcia bola úspešná, ale stránka nie je viditeľnáSkryté OCG (voliteľná skupina obsahu); mimo oblasti plodínFilter stavu dotazu OCG; porovnajte CropBoxKomplexná logika vrstvy, ako napríklad vnorené OCMD; dynamické polia formulárov
Veľmi nízke rozlíšenie alebo rozmazanéPôvodné vloženie je miniatúra s nízkym rozlíšenímZaznamenať metadáta DPI, označiť ako nízku kvalituKľúčová grafika alebo text sú nečitateľné kvôli rozmazaniu; zdrojový dokument je potrebné znova naskenovať.

Treba poznamenať, že „demonštrácia kódu"iba overuje konektivitu volaní API a dátových tokov a neznamená, že end-to-end efekt je na úrovni. Keď narazíte na vnorenú logiku OCG, vlastné shadery alebo šifrované dokumenty, výstup skriptu slúži len ako referencia a musí byť akceptovaný oproti skutočnému vykresľovaniu pomocou čítačky PDF.

🎯 Ktorá metóda je pre vás vhodná?

Ak potrebujete zachovať efekt priehľadnosti

Najprv skontrolujte, či existuje SMask, zlúčte ju do alfa kanála a potom vykonajte následné spracovanie.

Ak potrebujete iba čiastočný obrázok na stránke

Prečítajte si CTM a/BBox a orežte podľa oblasti zobrazenia namiesto priameho uloženia základného obrázka.

Ak je váš obrázok naskenovaný alebo vložený s nízkym rozlíšením

Najprv zaznamenajte metadáta DPI a označte kvalitu. Ak obsah kľúča nie je jasný, vráťte sa k zdrojovému súboru a znova naskenujte.

Ak dokument obsahuje vrstvy, šifrovanie alebo zložité orezanie

S výstupom skriptu zaobchádzajte ako s predbežným výsledkom a rozhodujúci bude konečný efekt vykreslenia v čítačke PDF.

❓ Často kladené otázky (FAQ)

1. Prečo sa priehľadná oblasť extrahovaného obrázka zmení na čiernu?

Bežným dôvodom je, že informácie o priehľadnosti sú uložené v SMask a bez začlenenia masky sa extrahuje iba hlavný obrázok.

2. Extrahovaný obrázok je oveľa väčší ako ten, ktorý vidíte na stránke. čo sa deje?

Rovnakú základnú mapu môže znova použiť viacero stránok. Každá stránka zobrazuje iba jej časť prostredníctvom /BBox a matice. Výsledkom priamej extrakcie bude úplná základná mapa.

3. Kód prebehne. Znamená to, že extrahované výsledky možno použiť priamo?

nemôže. Ukážka kódu iba overuje konektivitu volaní API a dátových tokov a na konečné prijatie je potrebné použiť skutočné výsledky vykresľovania čítačky.

4. Extrakcia bola úspešná, ale na stránke nie je vidieť obrázok. Aký môže byť dôvod?

Obrázok môže byť skrytý pomocou voliteľnej skupiny obsahu (OCG) alebo mimo oblasti orezania. Stav OCG je možné zistiť a porovnať s CropBoxom.

📝 Zhrnutie

Pôvodný obrazový objekt v PDF a efekt zobrazenia stránky sú dve úrovne vecí a pred extrakciou je potrebné objasniť vzťah medzi nimi. Spracujte spoločne SMask, maticu a informácie o orezaní a použite výsledky vykresľovania na prijatie, aby boli výsledky spoľahlivé.

Skúste to teraz: Odovzdajte dokument a spustite preklad, pričom sa zachová pôvodné rozloženie

Aktualizované 2026-11-17