如何计算PDF中图片的实际DPI？解决OCR后页面尺寸异常问题

核心结论：可以通过PDF页面尺寸和提取的图片像素计算正确DPI #

PDF的默认单位是点（Point），行业标准为1英寸=72点，这是计算的核心依据。你可以按以下步骤推导正确的DPI：

步骤1：将PDF页面尺寸从点转换为英寸 #

用PDF页面的宽/高点数除以72，得到实际物理尺寸：

• 宽度：612.24 ÷ 72 = 8.503英寸（对应标准8.5英寸）
• 高度：790.8 ÷ 72 = 10.983英寸（对应标准11英寸）

步骤2：用图片像素数除以物理尺寸得到DPI #

用提取出的图片宽/高像素数，分别除以对应的物理尺寸：

• 宽度DPI：2552 ÷ 8.5 ≈ 300DPI
• 高度DPI：3295 ÷ 11 ≈ 299.5DPI（接近300DPI，和原PDF一致）

自动化处理建议 #

在你的OCR流程中加入自动计算逻辑，无需手动预设参数：

1. 用pypdf获取每页的页面尺寸（单位为点）
2. 计算物理尺寸：物理宽度 = 页面宽点数 / 72，物理高度 = 页面高点数 /72
3. 获取提取图片的像素尺寸（比如用PIL的Image.size）
4. 计算目标DPI：目标DPI = 图片像素宽 / 物理宽度（宽高计算结果通常一致，取任意值即可）
5. 调整图片DPI后再喂给Tesseract：
   用ImageMagick的命令：

   convert input.png -density [计算出的DPI] -units PixelsPerInch output.png
   

   或用Python PIL库处理：

   from PIL import Image
   
   img = Image.open("input.png")
   # 代入计算得到的dpi值
   target_dpi = (2552 / 8.5, 3295 / 11)
   img.save("output.png", dpi=target_dpi)
   

6. 用调整后的图片生成OCR PDF，即可保持原页面尺寸。

内容的提问来源于stack exchange，提问作者user2509710