Интернет-журнал "Домашняя лаборатория", 2008 №3
Шрифт:
Если в книге очень мало графики, в основном представленной скриншотами или небольшими фотографиями, как это часто бывает в книгах на компьютерные темы, то выбор должен быть один: черно-белые сканы с максимально возможным разрешением, на которое у вас хватит времени и терпения или серые, с последующей обработкой и приведением к черно-белому. При выборе конечного формата pdf с текстовым слоем с помощью FineReader и нежелании исправлять ошибки после OCR (опция "Сохранять только текст и картинки" в этом случае не используется), пожалуйста, выбирайте в опциях pdf формат CCITT4, черно-белый или LZW серый (без потерь), не обращая внимания на размер конечного файла. Почему не обращая? Если нет желания сохранить скан в djvu по каким-то причинам, то, по крайней мере, оставьте шанс тем, кто может это сделать, и не портите графические файлы, о тексте речи вообще нет, тот же FineReader,
Если сканы были серые, то еще и еще раз прочитайте правило, приведенное чуть выше насчет того, что чем должно остаться и подберите яркость и контраст до того, как начнете сканировать все страницы на автомате. Может статься, что вам будет лень обрабатывать несколько сот сканов, доводя их вид до ума, поэтому "лучше день потерять, потом за пять минут долететь". Повторяю просьбу: в FineReader не выбирайте jpg перед отправкой сканов с OCR в контейнер pdf, причины, на мой взгляд, достаточно убедительные, приведены выше.
Когда-то слышал хорошее правило: если ты сделаешь медленно, но хорошо, то все забудут про "медленно", но будут помнить про "хорошо". А если сделаешь быстро, но плохо, то все забудут про "быстро", но будут помнить про "плохо".
Возвратимся туда, где рассматривались режимы сканирования, и была упомянута такая вещь, как ресэмплинг. Что это и чем может помочь при сканировании? Ресэмплинг, в данном контексте, это изменение разрешения растрового изображения. Различают два вида ресэмплинга: даунсэмплинг с понижением разрешения и апсэмплинг с повышением разрешения. С даунсэмплингом вы сталкивались, когда делали из большого изображения иконку или аватару. Несмотря на сравнительно большие размеры оригинала, все равно получали хоть и маленькое, но похожее на исходное, изображение. Апсэмплинг может быть очень полезен при сканировании, он экономит время за счет искусственного повышения разрешения, следовательно, улучшается четкость изображения.
Исходные данные: одна и та же буква, полученная из pdf файла сохранением в tif, слева 300 dpi, справа 600 dpi, только обе буквы сделаны одинакового размера, на самом деле, левое изображение меньше правого. Действует обычное правило: если увеличить высоту и ширину в два раза, то площадь возрастет в четыре раза. На каждый пиксель в 300 dpi приходится четыре пикселя при 600 dpi. Отличие сразу заметно на глаз, низкое разрешение дает более изломанную границу у кривых линий.
А теперь оба изображения в 600 dpi, но правое было ресэмплировано из 300 dpi, для этого черно-белый файл открыт в Ирфане, через меню "Изображение" — "Изменить размер изображения", выбрано "Увеличить в два раза", отмечен пункт "Ресэмплирование (качественнее)", выбран метод "Lanczos (самый медленный)", "Повысить резкость", "Эффекты — Размытие", затем "Уменьшить глубину цвета" до двух.
На заключительном этапе — возврат в меню "Изменить размер изображения" и изменение разрешения на 600 dpi. Сама по себе установка разрешения не играет большой роли, но лучше установить необходимое значение, чтобы не забыть об обработке изображения.
Могут быть разные методики ресэмплинга, но суть остается одной: повысить количество пикселей, но не простым их учетверением, а с помощью алгоритма интерполяции. Как именно работает этот алгоритм, нам знать не требуется, вполне достаточно получить практический результат.
Апсэмплинг можно использовать для получения черно-белых изображений, когда исходные сканы были сделаны в сером. Таким образом, имеется возможность улучшить исходное изображение при автоматической обработке в любой подходящей для этого программе.
У Ирфана, в меню "Файл-Преобразовать/Переименовать группу файлов…" есть практически все необходимые инструменты. Кроме того, Ирфан может работать со многими плагинами Photoshop. Если страниц немного, а качество очень плохое, то используя, как вариант, плагин Alien Skin Explosure, вполне реально добиться явного улучшения изображения, либо для OCR, либо для других задач, например, конвертирования в djvu.
Потребность в апсэмплинге может быть и в случае, когда исходные файлы были получены не со сканера, а с помощью цифрового фотоаппарата. Мне приходилось обрабатывать в Ирфане много фотографий в формате jpg, само изображение было серым при числе цветов 16,7 миллионов, а разрешение явно низкое, намного ниже 300 dpi. Полученные в результате обработки черно-белые изображения прилично смотрелись и читались, а некоторые было трудно отличить от полученных со сканера. О методике ручной обрезки сканов было рассказано во второй части статьи.
При достаточно крупном шрифте можно сканировать в сером даже при 150–200 dpi, не забывайте, что скорость сканирования при таких значениях резко возрастет. Когда время на сканирование — решающий фактор, то такой способ вполне допустим. Последующий апсэмплинг и программная обработка способны сделать приемлемое качество в черно-белом при 300–400 dpi, при этом затраты времени именно будут небольшие за счет повышения скорости сканирования.
Есть несколько нюансов, на которые следует обратить особое внимание при конвертировании ресэмплированных изображений в djvu. Вкратце напомню суть этого формата: изображение разбивается на маску и фон, для маски разрешение максимально, для фона оно составляет треть от общего — всего 100 dpi, при разрешении сканирования 300 dpi. В маске находится текст и (или) другие детали, для которых нужно высокое разрешение, а фон, как несущий мало информации, может быть размыт. Кроме этого, применяется, так называемый, "словарь", по сути дела, представляющий собой набор неких "графических слов". Увидеть характерные особенности применения такого "словаря" можно на текстовом файле djvu. Кодер djvu старается создать подобие "графического шрифта" и по возможности довести схожие фрагменты изображения до идентичности. Если рассмотреть буквы в словах при большом увеличении, то видно, что близко стоящие одни и те же буквы абсолютно идентичны, причем таких серий может быть много, совсем не обязательно чтобы один символ из "графического словаря" был применен ко всем похожим буквам. Напротив, таких эталонов может быть очень много для одной и той же буквы. Но в целом, это дает существенное уменьшение размера файла. Нечто подобное существует у фирмы Cartesian Products, Inc, она разработала новый формат СРС для черно-белых файлов, очень похожий на tif Fax4, но применяющий "графический OCR", что позволило существенно уменьшить размеры файлов по сравнению с Fax4. Эти два формата весьма схожи и взаимно конвертируемы при помощи кодера CPC. К сожалению, формат СРС принадлежит только указанной фирме, бесплатен всего лишь урезанный вьюер и шансов на популярность у формата СРС нет. Опыт показал, что многократная конвертация из СРС в tif и обратно, дает уменьшение размера djvu файла до 10–15 %, если сравнивать с кодировкой необработанных файлов tif Fax4. Никакого секрета тут нет, поскольку алгоритмы djvu и СРС схожи, то предварительное приведение букв к "графическому шрифту" в СРС уменьшает размер "словаря" djvu и позволяет достичь лучшего сжатия. Кроме предварительной обработки с целью уменьшения размеров файлов djvu, формат СРС можно использовать для хранения черно-белых сканов, если обстоятельства не позволяют оставить их в tif Fax4. Чтобы было понятно о каком выигрыше идет речь, приведу один пример для сканированной книги — 422 страницы формата А4, с очень большим количеством графики и текста. Размер файлов в байтах распределился таким образом:
• Многостраничный tif Fax4 — 20 329 518
• Многостраничный СРС — 7 908 706
• Многостраничный djvu — 6 741 540
Желающие узнать побольше о СРС, могут посетить сайт фирмы Cartesian
Products, Inc — http://www.cartesianinc.com.
Вернемся к особенностям ресэмплирования. Дело в том, что после такой операции и последующей конвертации в черно-белое, фотографии распадаются на отдельные точки и степень сжатия в djvu падает. Что было однотонным серым фоном и кодировалось как фон, становится набором отдельных точек. Разумеется, что можно предварительно применить один из методов графического размытия для восстановления равномерности фона, но забывать о подобном эффекте не стоит.
Для уменьшения ошибок "и" и "н" при кодировании в djvu, был дан совет в одном из форумов по сканированию — сделать немного непропорциональный ресэмплинг, приблизительно на 5 пикселей увеличить изображение по вертикали.
В заключение, можно сделать следующий вывод: сканирование в сером предоставляет широкие возможности по дальнейшей обработке изображений и если нет твердой уверенности в том, что есть смысл применить именно черно-белое, тогда сканируйте в сером с максимально возможным разрешением. В любом случае, такие сканы можно будет обработать и превратить в черно-белые с хорошим качеством.