如何查找所有基于图像的PDF？
我的系统中有很多PDF文档，有时我注意到文档是基于图像的，没有编辑function。 在这种情况下，我在Foxit PhantomPDF中进行OCR以便更好地搜索，您可以在多个文件中进行OCR。 我想找到我的所有基于图像的PDF文档。
我不明白PDF阅读器如何识别文档的OCR不是文本的。 必须有一些这些读者可以访问的字段。 这也可以在终端访问。 这个答案提供了如何在线程中执行此操作的开放式建议。 检查PDF文件是否为扫描文件 ：
您最好的选择可能是检查它是否有文本，还可以查看它是否包含大页面图像或覆盖页面的大量平铺图像。 如果您还检查元数据，则应涵盖大多数选项。
我想更好地理解你如何有效地做到这一点，因为如果存在一些元数据，那么它将很容易。 但是，我还没有找到这样的元素。 我认为最可能的方法是查看页面是否包含具有搜索OCR的页面化图像，因为它已经有效并且已经在一些PDF阅读器中使用。 但是，我不知道该怎么做。
边缘检测和休变换的答案
在Hugh变换中，在参数空间的超平方中有特定选择的参数。 它的复杂性$ O（A ^ {m-2}）$其中m是你看到的参数数量超过那些参数的问题很难。 A是图像空间的大小。 福昕阅读器在其实现中使用最可能的3个参数。 边缘易于检测，可以确保效率，必须在Hugh变换之前完成。 简单地忽略了损坏的页面。 其他两个参数仍然未知，但我认为它们必须是节点和一些交叉点。 如何计算这些交叉点是未知的？ 确切问题的表述是未知的。
测试Deajan的答案
该命令适用于Debian 8.5，但我无法在Ubuntu 16.04中最初使用它
masi@masi:~$ find ./ -name "*.pdf" -print0 | xargs -0 -I {} bash -c 'export file="{}"; if [ $(pdffonts "$file" 2> /dev/null | wc -l) -lt 3 ]; then echo "$file"; fi' ./Downloads/596P.pdf ./Downloads/20160406115732.pdf ^C 操作系统：Debian 8.5 64位
Linux内核：4.6个backports
硬件：华硕Zenbook UX303UA
为聚会迟到，这是一个简单的解决方案，暗示已经包含字体的pdf文件不仅仅基于图像：
find ./ -name "*.pdf" -print0 | xargs -0 -I {} \ bash -c 'export file="{}"; \ if [ $(pdffonts "$file" 2> /dev/null | \ wc -l) -lt 3 ]; then echo "$file"; fi'
- pdffonts列出PDF文件中的所有嵌入字体。 如果包含可搜索的文本，它也必须包含字体，因此pdffonts将列出它们。 检查结果是否少于三行是因为pdffonts的标题是2行。 因此，低于3行的所有结果都没有嵌入字体。 AFAIK，不应该有误报，这更像是一个问问pdffonts开发人员的问题。
作为一线
find ./ -name "*.pdf" -print0 | xargs -0 -I {} bash -c 'export file="{}"; if [ $(pdffonts "$file" 2> /dev/null | wc -l) -lt 3 ]; then echo "$file"; fi'
说明：如果pdf包含文本， pdffonts file.pdf将显示2行以上。 输出不包含文本的所有pdf文件的文件名。
我的OCR项目具有相同的function，在Github deajan / pmOCR中 。
纯粹来自OCR领域，我们可以使用Hough变换找到页面中最大的正方形，然后我们计算其面积与整个面积的比率。 如果这个比例很低，我们可以认为这个页面很糟糕。 最后，水平页面的统计比例和页面总和可以指示此PDF是否被扫描PDF。
我知道这个过程很慢，比例很难确定。 ^ – ^