スキャンしたPDFをテキスト付きPDFに変換する方法

約80ページをスキャンしてグレースケールのpdf（画像形式）にしました。ファイルの最終サイズは約70MBで、非常に大きいです。

現在、グレースケールの画像ベースのPDFファイルを単純な白黒のテキストベースのPDFファイルに変換する方法を探しています。

私は多くの試みを行いましgsたが、成功しませんでした（数パーセントの回復のみ）。専門家にアイデアがあれば、教えてください。

gImageReaderは、のシンプルなGTK +フロントエンドtesseract-ocrです。

sudo apt-get install gimagereader tesseract-ocr

ドイツ語のテキストでごめんなさい

pdfocrを試すことができます：

 sudo add-apt-repository ppa:gezakovacs/pdfocr
 sudo apt-get update
 sudo apt-get install pdfocr

構文を実行するには

 pdfocr -i input.pdf -o output.pdf

ここinput.pdfで、入力ファイルとoutput.pdf出力ファイルの名前です。

デフォルトでは、Tesseractを使用します。それをインストールするには：

 sudo apt-get install tesseract-ocr

pdfocrは、埋め込みテキストレイヤーを作成します。

pdfsandwich

インストール時にtesseractなどをロードします。これは簡単な1ステップのソリューションであり、スクリプトを作成できます。hocr2pdfプレーンテキストのpdfを作成するために使用できますが、プライムタイムにはまだ対応していません... デフォルトではtesseractを使用し、「サンドイッチ」pdfを作成します：下に画像+テキスト。

埋め込まれた画像は、次のようなコマンドで削除できます。

gs -o ocr_noIMG.pdf -sDEVICE=pdfwrite -dFILTERIMAGE ocr_image.pdf

しかし、テキストは非表示なので、空白のページのように見えます。

PDFをロードLibreOffice Drawするとテキストが公開され、画像は手動で削除できます。

ubuntu 14.04で@ABによって提案されたグラフィカルインターフェイスについては、以下を実行する必要があります。

Ubuntu 14.04のocr tesseract

とにかく、リポジトリリストに追加します。

sudo add-apt-repository ppa:sandromani/gimagereader
sudo apt-get update

これが機能する前に：

sudo apt-get install gimagereader

shrinkpdfを試してファイルサイズを小さくしてから、ocr.shを使ってテキストレイヤーを追加します。

PDFファイルで、各ページを右クリックして画像として保存します（または、すべてのページを自動的に実行するツールを見つけます）。

Ubuntuソフトウェアセンターを開きます。tesseractを検索します。これにより、インストールするYAGFが見つかります。YAGFで、[ファイル]-> [画像を開く]をクリックして画像を読み込みます。次に、[ファイル]-> [認識]をクリックします。

最初のテストでは100％の精度でした。