如何检测PDF中内嵌图像的方向？

嘿，我太懂你这种头疼的情况了——扫描生成的PDF里图像居然倒着存在里面，翻遍pdfparser的属性都找不到能判断方向的标记，确实闹心。结合你说的“每周最多两三个文件、性能完全无所谓”的场景，给你几个实用的解决思路，都是能直接套进你现有代码里的：

1. 先试试从PDF页面的旋转属性下手 #

你提到试过getPages()[0]->getDataTm()返回空，可能这类极简扫描PDF根本没存这个变换矩阵。不过可以换个方法，直接拿pdfparser提供的页面旋转属性：

$page = $pdf->getPages()[0];
$rotation = $page->getRotation(); // 标准返回值是0/90/180/270

如果扫描设备或者生成PDF的工具良心，把旋转信息存在了PDF页面属性里，这个值直接就能告诉你要不要转180度。但可惜很多扫描生成的PDF根本不存这个，这时候就只能从图像内容本身入手了。

2. 用Tesseract自带的方向检测（最推荐） #

既然你本来就要用Tesseract处理OCR，其实它自己就有专门的文本方向检测功能，完全不用依赖PDF的元数据，准确率还超高。步骤很简单：

• 先给Tesseract跑一次方向检测，拿到图像的旋转角度
• 根据结果动态旋转图像，再做OCR

对应的PHP代码片段可以插在你保存完图像之后、OCR之前：

// 先检测图像方向
$detectCmd = sprintf(
    "%s %s stdout --psm 0",
    TESSERACT_LOCATION,
    escapeshellarg($imageName)
);
$detectOutput = shell_exec($detectCmd);
// 从输出里提取旋转角度
preg_match('/Orientation in degrees: (\d+)/', $detectOutput, $matches);
$needRotate = isset($matches[1]) ? (int)$matches[1] : 0;

// 如果需要旋转，就调用ImageMagick处理
if ($needRotate != 0) {
    $rotateCmd = sprintf(
        "convert -rotate %d %s %s",
        $needRotate,
        escapeshellarg($imageName),
        escapeshellarg($imageName)
    );
    exec($rotateCmd);
}

这个方法的好处是完全不依赖PDF的任何元数据——不管图像在PDF里是倒着、侧着，Tesseract能通过识别文本的方向直接判断，完美适配你的场景（反正本来就要跑Tesseract，多一次检测完全没压力）。

3. 图像层面的兜底检测（备选方案） #

如果遇到极端情况（比如图像里文本特别少，Tesseract检测不准），还可以用GD或Imagick做个简单的像素分布判断：

• 扫描的文本图像，通常文本的像素会集中在中间区域，倒过来后这个分布会“上下颠倒”，但这个方法容错率低，只适合当备选。
• 举个GD的简单示例（思路为主，不用照搬）：

$img = imagecreatefromjpeg($imageName);
$height = imagesy($img);
$topPixelCount = 0;
$bottomPixelCount = 0;
$threshold = 0xFFFFFF; // 白色阈值，非白色算文本像素

// 统计上下半区的非白色像素数
for ($x = 0; $x < imagesx($img); $x++) {
    for ($y = 0; $y < $height/2; $y++) {
        if (imagecolorat($img, $x, $y) < $threshold) {
            $topPixelCount++;
        }
    }
    for ($y = $height/2; $y < $height; $y++) {
        if (imagecolorat($img, $x, $y) < $threshold) {
            $bottomPixelCount++;
        }
    }
}
imagedestroy($img);

// 如果上下像素占比差特别大，判断为倒转（比如底部像素只有顶部的30%以下）
if ($bottomPixelCount / $topPixelCount < 0.3) {
    // 执行旋转180度的命令
}

不过这个方法对留白均匀的图像完全失效，所以还是优先用Tesseract的方案。

对你现有代码的小调整 #

你现在是用ROTATE_IMAGE常量强制旋转，把它替换成上面检测到的$needRotate != 0就行了，这样就能实现自动判断旋转，不用硬编码。

最后说回你提到的pdfparser拿不到方向的问题：很多极简扫描PDF就是把图像直接塞进去，完全不在PDF结构里加任何旋转标记，这时候不管用什么PDF解析库都拿不到方向信息，只能从图像内容本身入手——而Tesseract的方向检测是最省心、准确率最高的方案。

内容来源于stack exchange