如何将扫描PDF转为适配OCR的高分辨率TIFF？ImageMagick转换问题解析

问题原因 #

从你提供的扫描PDF和转换后TIFF的对比来看，文本边缘模糊、细节丢失严重，核心问题是你使用的convert命令没有指定任何针对扫描文档的优化参数，ImageMagick的默认行为直接拖垮了转换质量：

• 默认以72dpi的低分辨率读取PDF，而扫描件原始分辨率通常远高于这个值，直接降采样导致文本细节被抹掉；
• 默认的TIFF压缩算法不适合黑白扫描文档，会模糊文本边缘；
• 自动的色彩调整可能削弱了文本与背景的对比度，让OCR工具难以识别。

适配OCR的高分辨率TIFF转换方案 #

针对黑白扫描PDF，咱们用这些参数来生成高质量、适合OCR的TIFF：

基础最优命令 #

convert -density 300 -colorspace Gray -compress Group4 pph.pdf pph-ocr-ready.tiff

逐个解释关键参数：

• -density 300：告诉ImageMagick读取PDF时采用300dpi分辨率（这是OCR的标准最低要求，如果你的原始扫描件是600dpi，直接改成600即可）；
• -colorspace Gray：将图像转为灰度模式，去掉冗余色彩信息，既缩小文件体积，又强化文本与背景的对比度；
• -compress Group4：使用专门针对黑白线条/文本的Group4无损压缩算法，压缩率高且完全保留细节，是OCR场景的最优选择。

针对噪点/模糊扫描件的额外优化 #

如果你的扫描PDF存在轻微背景噪点，或者文本边缘有点虚，可以添加阈值增强对比度：

convert -density 300 -colorspace Gray -threshold 50% -compress Group4 pph.pdf pph-ocr-ready.tiff

-threshold 50%会把灰度值高于50%的区域转为白色，低于的转为黑色，进一步强化文本清晰度，提升OCR准确率。

补充说明 #

• 这个命令会自动处理多页PDF，生成多页TIFF，完全兼容主流OCR工具；
• 绝对不要使用JPEG之类的有损压缩，哪怕文件更小，也会严重破坏文本细节，导致OCR识别失败。

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