基于PyMuPDF和Azure Form Recognizer提取PDF图片遇多边形坐标问题

一、确认英寸坐标解析是否正确 #

Azure Form Recognizer返回的边界多边形以页面左上角为原点，单位为英寸，PyMuPDF（Fitz）的默认坐标单位是点（1点 = 1/72英寸），正确的转换公式应为：

# 单个坐标点转换：英寸转点
pdf_x = az_inch_x * 72
pdf_y = az_inch_y * 72

如果代码中用了96（屏幕DPI）而非72进行转换，必然会导致坐标超出页面范围——因为PDF的标准分辨率是72DPI，96的缩放比例会让坐标放大1.33倍，直接超出页面尺寸。

二、确保坐标正确映射到页面尺寸 #

1. 获取页面实际尺寸：先用PyMuPDF获取当前页面的点单位尺寸：

   page = doc.load_page(page_num)
   page_rect = page.rect  # 返回fitz.Rect对象，包含x0,y0（左上角）和x1,y1（右下角）
   page_width = page_rect.width
   page_height = page_rect.height
   

2. 校验转换后的坐标范围：转换后的所有多边形坐标必须满足 0 ≤ x ≤ page_width 且 0 ≤ y ≤ page_height。如果超出，要么是Azure返回的坐标有误（比如相对于整个文档而非单页），要么是转换逻辑错误。
3. 构建有效裁剪矩形：不要直接用多边形的所有点来裁剪，而是取多边形的极值构建矩形（PyMuPDF的裁剪只需要左上角和右下角坐标）：

   # 假设polygon是Azure返回的[[x1,y1], [x2,y2], ...]英寸坐标列表
   x_coords = [p[0] for p in polygon]
   y_coords = [p[1] for p in polygon]
   x0 = min(x_coords) * 72
   y0 = min(y_coords) * 72
   x1 = max(x_coords) * 72
   y1 = max(y_coords) * 72
   # 确保矩形有效（避免x0 >=x1或y0 >=y1）
   if x0 >= x1 or y0 >= y1:
       raise ValueError("Invalid polygon coordinates after conversion")
   clip_rect = fitz.Rect(x0, y0, x1, y1)
   

三、缩放因子对裁剪精度的影响 #

如果提取图片时使用了缩放矩阵（比如放大图片清晰度），需要注意：

• 若先缩放页面再裁剪：裁剪坐标必须同步乘以缩放因子，比如缩放2倍时，clip_rect的四个值都要乘以2；
• 更稳妥的方式：先按原始页面尺寸裁剪出区域，再对裁剪后的pixmap进行缩放：

  # 先按原始尺寸裁剪
  pix = page.get_pixmap(clip=clip_rect)
  # 再缩放（比如2倍）
  pix = pix.scaled(2, 2)
  pix.save("extracted_image.png")
  

这种方式避免了坐标和缩放不同步导致的区域偏移问题。

四、其他可行方案 #

1. 直接使用Azure的图片提取结果：Azure Form Recognizer的分析结果中，images字段已经包含了识别出的图片的位置、尺寸和内容，可以直接调用接口获取图片，无需手动裁剪；
2. 验证多边形坐标方向：确认Azure返回的多边形是顺时针/逆时针闭合图形，若存在坐标点顺序混乱，取极值构建矩形的方式依然有效，无需纠结顺序；
3. 检查页面旋转：如果PDF页面存在旋转（page.rotation不为0），需要先将页面旋转回0度再处理坐标，否则会导致裁剪区域错位：

   if page.rotation != 0:
       page.set_rotation(0)
       page_rect = page.rect  # 重新获取旋转后的页面尺寸
   

内容的提问来源于stack exchange，提问作者Mali