unpaper: где скачать и как пользоваться

unpaper: очистка, выравнивание и подготовка сканов к OCR

unpaper — консольный инструмент для подготовки растровых сканов: он очищает крупные тёмные поля и точечный мусор, помогает найти полезную область, исправляет небольшой перекос и приводит страницы к повторяемой геометрии. На Xeon Live можно скачать unpaper бесплатно; дальше важнее всего сначала подобрать безопасный профиль на нескольких разных листах, а уже потом запускать длинную серию.

Программа не заменяет сканер, OCR-систему или редактор PDF. Её сильная сторона — промежуточный этап между получением изображений и последующей сборкой документа: одни и те же параметры можно воспроизводимо применить к сотням однотипных страниц. Разнородные книги лучше делить на несколько профилей, чем усиливать фильтры для всех файлов одновременно.

Что делает unpaper и где он полезен

Последовательность этапов обработки unpaper
Фиксированный конвейер: загрузка, фильтры, маски, deskew, границы и запись результата.
Источник иллюстрации: unpaper / Xeon Live

unpaper работает как пакетный препроцессор сканов. Входной файл помещается на виртуальный лист, после чего программа в фиксированном порядке применяет ранние фильтры, ищет маски содержимого, оценивает небольшой угол наклона, повторно уточняет маски, центрирует их, определяет границы и сохраняет результат. Порядок этих этапов не меняется от перестановки аргументов, поэтому диагностику удобно вести слева направо по конвейеру: сначала чтение и исходная геометрия, потом очистка, затем маски, deskew и поля.

У unpaper нет интерактивного окна с ползунками и предпросмотром. Все параметры задаются в командной строке, а результат оценивается во внешнем просмотрщике. Для небольшой коллекции уникальных страниц такой способ может оказаться медленнее визуального редактора, зато на одинаковых сканах он хорошо воспроизводится в сценариях автоматизации, в ночной пакетной обработке и в конвейерах подготовки архива.

Лучший исходный материал — кадры с одинаковым разрешением, ориентацией и близким положением бумаги. Если процесс получения сканов ещё не стабилизирован, сначала стоит выстроить этот этап; отдельная инструкция по сканированию документов в PDF помогает организовать захват страниц. unpaper хорошо исправляет тёмные рамки, фоновые дефекты и небольшой общий наклон, но не предназначен для сильной перспективы снимка с камеры и сложного распрямления выгнутых строк у корешка.

Как unpaper понимает sheet и page

Схема sheet и page в unpaper
Один виртуальный sheet может нести одну или две логические page.
Источник иллюстрации: unpaper / Xeon Live

В терминологии программы sheet — рабочий лист в памяти, а page — прямоугольная логическая область документа на этом листе. По умолчанию один входной файл формирует один sheet и даёт один выходной файл. Параметр --input-pages 2 помещает два последовательных изображения на один лист, а --output-pages 2 делит готовый лист на две части при сохранении. Эти режимы независимы от --layout: layout описывает расположение полезных областей, а input-pages и output-pages — число файлов чтения и записи на один sheet.

Разделение понятий особенно важно для книг. Один файл с разворотом можно обработать как sheet с layout double и вывести двумя файлами. Две отдельно отсканированные страницы можно, наоборот, собрать на один sheet через input-pages 2. Неверное сочетание параметров нередко даёт не явную ошибку, а неправильную маску, смещённый текст или неожиданную нумерацию, поэтому схему входов и выходов лучше записать до пакетного запуска.

Для форматов полезно держаться простого правила. Документация unpaper описывает PNM как наиболее предсказуемый рабочий набор: PBM — двухцветный растр, PGM — восьмибитный серый, PPM — RGB. Чтение реализовано через FFmpeg, но поддержка сложных TIFF и отдельных пиксельных форматов зависит от библиотек. Вывод ориентирован на PNM, а PDF, PNG или TIFF создаёт следующий инструмент. Для обычной текстовой книги чаще всего практичен PGM: он сохраняет полутона и тонкие штрихи, но заметно экономнее PPM.

Один или два входных файла на рабочем листе
input-pages меняет количество файлов на sheet, но не сам layout.
Источник иллюстрации: unpaper / Xeon Live
Стартовые точки автоматической маски
mask-scan-point задаёт старт автоматического расширения области.
Источник иллюстрации: unpaper / Xeon Live
Размер виртуальной полосы при поиске маски
Размер полосы определяет чувствительность к разрывам в содержимом.
Источник иллюстрации: unpaper / Xeon Live
Направления и порог mask-scan
Порог и направление определяют момент остановки поиска границы.
Источник иллюстрации: unpaper / Xeon Live

Как подготовить первый безопасный запуск

Шаблоны layout single и double
Макет выбирают до параметров, которыми нужно переопределить его значения.
Источник иллюстрации: unpaper / Xeon Live

Первую рабочую команду строят от контролируемого минимума. Цель — убедиться, что файл читается, размер листа понятен, путь вывода не пересекается с исходником и только после этого включать очистку. Берите не самый красивый кадр, а типичный: обычная плотность текста, средние поля и характерные для серии дефекты. Исходник храните отдельно и никогда не используйте обработанный файл как единственную копию.

  1. Шаг 1. Приведите тестовый кадр к понятному формату. Для чёрно-белой книги оставьте серый PGM, для цветной страницы с важными печатями или иллюстрациями используйте PPM. Размер изображения на этом этапе не меняйте.
  2. Шаг 2. Проверьте чтение и запись без фильтров: unpaper --no-processing --no-multi-pages input.pgm output-baseline.pgm. Откройте результат и сравните размеры с исходником.
  3. Шаг 3. Выполните анализ без записи: unpaper -vv --test-only --no-multi-pages input.pgm output-test.pgm. Подробный вывод показывает активные параметры, размеры и логику обработки.
  4. Шаг 4. Для одиночной страницы явно задайте --layout single. Для разворота используйте --layout double. --layout none оставляют для ручной геометрии и нетипичных масок.
  5. Шаг 5. Во время настройки не добавляйте --overwrite автоматически. Записывайте каждый эксперимент в отдельный файл, чтобы не потерять удачный вариант и иметь исходный результат для сравнения.
  6. Шаг 6. После каждого изменения проверяйте мелкий текст, точки, запятые, номера страниц, тонкие линии таблиц, края иллюстраций и внутреннее поле при увеличении 100–200 процентов.

Порядок аргументов важен там, где один параметр разворачивается в набор других настроек. --layout подставляет шаблон масок и связанных значений, поэтому индивидуальные переопределения ставят после layout. То же относится к --dpi: разрешение задают до размеров в физических единицах, потому что программа переводит такие размеры в пиксели во время разбора аргументов.

Если неизвестно, какой этап портит страницу, включайте или отключайте обработку последовательно. Начните с --no-processing. Затем вернитесь к обычному проходу и по одному проверяйте --no-noisefilter, --no-blurfilter, --no-blackfilter, --no-grayfilter, --no-mask-scan, --no-deskew и --no-border. В результате вы не угадываете порог, а находите конкретный этап, после которого исчезает нужная деталь.

Сохраняйте полную команду и вывод -vv рядом с контрольным сканом. Один профиль должен однозначно описывать формат входа, DPI, layout, фильтры, маски, deskew, границы и схему имён. На дату проверки ветка 7.0.0 доступна в пакетных каталогах Debian, Homebrew и MSYS2; способ установки отличается по системе, но после установки всегда полезно сначала проверить unpaper --version в том же окружении, где будет работать пакетный сценарий.

Одиночная страница: очистка, маска, deskew и поля

Работа blackfilter в unpaper
Blackfilter рассчитан на крупные тёмные зоны и требует защиты содержимого у края.
Источник иллюстрации: unpaper / Xeon Live

Для обычной книжной страницы или офисного листа настройку удобно вести в порядке реального конвейера. Не добивайтесь максимально белого фона на первом проходе: сначала сохраните всё значимое содержимое, затем уменьшайте мусор. Базой служит команда с layout single и одним выходом, а остальные параметры добавляются по одному после визуальной проверки.

  1. Шаг 1. Исправьте грубую ориентацию. Если лист повернут на 90 градусов, используйте --pre-rotate 90 или --pre-rotate -90. Deskew предназначен для небольшого остаточного угла и не должен исправлять четверть оборота.
  2. Шаг 2. Проверьте blackfilter. Оставляйте его только при реальных чёрных полях, тенях у корешка или тёмном фоне вокруг бумаги. Сначала ограничьте направление и глубину поиска, затем меняйте порог. Плотную иллюстрацию у края защищайте через --blackfilter-scan-exclude или отдельный профиль.
  3. Шаг 3. Настройте noisefilter. Повышайте --noisefilter-intensity постепенно. После каждого прохода смотрите точки над буквами, знаки препинания, нижние индексы и мелкие сноски. Когда пыль сравнима по размеру с пунктуацией, часть шума лучше сохранить.
  4. Шаг 4. Оцените blurfilter и grayfilter. Они помогают против мягких теней и серого фона, но опасны для фотографий, водяных знаков, цветных печатей и тонкой серой сетки. На таких страницах начните с --no-blurfilter и --no-grayfilter.
  5. Шаг 5. Найдите полезную область. Автоматическая маска расширяется от --mask-scan-point. Для сканера с постоянным положением бумаги ручной --mask часто стабильнее. Номер страницы, подпись и печать должны оставаться внутри области.
  6. Шаг 6. Выполните deskew. Начинайте с узкого --deskew-scan-range и направлений left,right. Уменьшение --deskew-scan-step повышает точность и время. Если угол определяется по корешку или диагональной графике, сначала исправьте маску.
  7. Шаг 7. Настройте границы. Border-scan удобен на чистом поле; при нестабильном фоне ручной --border надёжнее. --border-align перемещает содержимое к выбранной стороне, а --border-margin добавляет одинаковый отступ без растяжения букв.
  8. Шаг 8. Выберите тип результата. Для серого текста используйте PGM, для цвета PPM, для проверенного бинарного документа PBM. При повороте nearest сохраняет жёсткие края, а linear и cubic создают промежуточные оттенки.
  9. Шаг 9. Проверьте результат. Сравните исходник и выход на одинаковом масштабе. Контролируйте не только фон, но и форму символов, толщину штрихов, рамки таблиц, подписи, печати, края картинок и симметрию полей.

Как подбирать фильтры и маски без потери деталей

Blurfilter и grayfilter в документации unpaper
Фоновые фильтры оценивают локальные области и требуют осторожности на полутоновых данных.
Источник иллюстрации: unpaper / Xeon Live

Каждый фильтр принимает решение по геометрии и яркости, а не по смыслу документа. Blackfilter ищет крупные тёмные области, noisefilter — небольшие изолированные кластеры, blurfilter — локальные фрагменты с редкими тёмными соседями, grayfilter — участки, похожие на серый фон. Для алгоритма точка в букве, пылинка и маленькая печать — всего лишь разные группы пикселей, поэтому абсолютного безопасного порога для всех страниц не существует.

Подбирайте параметры методом одного изменения. Сначала сравните несколько значений noisefilter-intensity при неизменной геометрии. Затем вернитесь к лучшему варианту и отдельно проверьте grayfilter-threshold. Имена выходов делайте говорящими, например noise-soft, noise-mid, gray-soft. Так видно причинную связь между параметром и результатом, а не эффект случайной комбинации.

С масками действуйте так же. Проверьте автоматическую область на странице с узкими полями, на листе с номером далеко от основного текста и на странице с иллюстрацией у края. Если границы скачут, увеличьте запас или задайте ручной прямоугольник. --no-mask-center нужен, когда важно сохранить исходное положение текста на листе. Deskew настраивают только после устойчивой маски, поскольку угол оценивается по её краям.

Для цветных страниц безопасная отправная точка — сохранить PPM и отключить grayfilter. На фотографиях blurfilter также лучше отключить, пока его польза не подтверждена сравнением. Если цвет имеет смысловую или юридическую ценность, не переводите страницу в PGM до завершения контролируемой очистки: потерянный цвет последующие этапы не восстановят.

Как разделить книжный разворот на две страницы

Режим output-pages 2 в unpaper
Один обработанный sheet может быть записан двумя последовательными файлами.
Источник иллюстрации: unpaper / Xeon Live

Разворот — один из базовых сценариев unpaper. Исходный кадр содержит левую и правую страницу, тёмный сгиб и нередко разную яркость половин. Здесь нужно связать две независимые настройки: --layout double создаёт две логические области, а --output-pages 2 записывает две картинки. Путать их нельзя: layout не гарантирует два файла, а output-pages не определяет, где находится содержимое.

  1. Шаг 1. Нормализуйте разворот в PGM или PPM и убедитесь, что сгиб примерно вертикальный. Поворот на 90 градусов исправьте через --pre-rotate до поиска масок.
  2. Шаг 2. Выполните короткий тест: unpaper --layout double --output-pages 2 --no-multi-pages spread001.pgm page%03d.pgm. Должны появиться две страницы в правильном порядке.
  3. Шаг 3. Откройте обе половины и оцените внутреннее поле. Если центральная тень остаётся, измерьте максимальную ширину сгиба на нескольких разворотах и только после этого задавайте --middle-wipe.
  4. Шаг 4. Не расширяйте middle-wipe ради одного тяжёлого кадра. Когда буквы подходят близко к сгибу, безопаснее оставить немного тени или выделить этот разворот в отдельный профиль.
  5. Шаг 5. Проверьте deskew обеих логических страниц. Маски должны охватывать левый и правый текстовые блоки отдельно; общий анализ по диагональному корешку даёт неверный угол.
  6. Шаг 6. При заметно разной яркости половин сначала разделите разворот с минимальной очисткой, а затем обработайте чётную и нечётную последовательности своими профилями.
  7. Шаг 7. Запустите тестовую серию из нескольких разворотов и сверяйте нумерацию. При output-pages 2 счётчик выходных файлов растёт вдвое быстрее числа sheet.

unpaper исправляет общий небольшой наклон, маски и поля, но не распрямляет дугообразные строки у корешка. Для такого дефекта нужен dewarp. Расширение диапазона deskew не решает проблему кривизны и может сделать угол менее устойчивым. Если большая часть книги снята камерой с перспективой, сначала корректируют перспективу и освещение, затем уже используют unpaper как этап очистки.

Развороты с цветными вклейками лучше разделять щадящим профилем. Не пытайтесь сделать обе половины одинаково белыми ценой потери рисунка. После разделения цветные страницы можно оставить в PPM и ограничить обработку поворотом, маской и границами, а текстовые половины провести через отдельный серый профиль.

Пакетная обработка: шаблоны имён, диапазоны и профили

Пакетное объединение двух входных страниц в unpaper
При двух входах на sheet файловые счётчики растут иначе, чем номер рабочего листа.
Источник иллюстрации: unpaper / Xeon Live

После настройки одного кадра главная ценность unpaper раскрывается в серии. Программа использует шаблоны имени в стиле printf: %03d превращается в 001, 002, 003 и далее. Входной и выходной счётчики независимы, а номер sheet — третья величина. Это особенно заметно в схемах два-к-одному и один-к-двум. Перед обработкой книги полезно на бумаге или в заметке выписать ожидаемое соответствие первых четырёх входов и выходов.

  1. Шаг 1. Организуйте каталоги. Держите raw для неизменных сканов, normalized для PGM/PPM одного типа, cleaned для результата unpaper, final для PNG/TIFF/PDF, profiles для команд и logs для журналов.
  2. Шаг 2. Проверьте шаблон на одном sheet. Включите --no-multi-pages, убедитесь, что подстановка %03d даёт ожидаемое имя, а вход и выход не указывают в один каталог.
  3. Шаг 3. Ограничьте короткий диапазон. Используйте --start-sheet и --end-sheet на нескольких листах. Если нужно повторно обработать конкретные страницы, примените --sheet; для исключений используйте --exclude.
  4. Шаг 4. Отделите счётчики файлов от номера sheet. При --input-pages 2 входы 001 и 002 относятся к первому sheet, 003 и 004 — ко второму. При --output-pages 2 аналогично быстрее растёт номер выходного файла.
  5. Шаг 5. Сохраняйте пагинацию. --insert-blank и --replace-blank пригодны, когда отсутствует кадр или нужно оставить пустую позицию без сдвига последующих номеров.
  6. Шаг 6. Делите серию на профили. Отдельно обрабатывайте обычные текстовые страницы, развороты, цветные вставки и исключения. Профиль должен называться по назначению, например single-text, double-gutter или color-insert.
  7. Шаг 7. Запустите контрольную выборку. Включите первую и последнюю страницу, самый светлый и самый тёмный скан, лист с иллюстрацией, минимальными полями и выраженной тенью. Только после этого запускайте всю серию.
  8. Шаг 8. Проверяйте результат скриптом. Сверяйте код завершения, число файлов, ненулевой размер и ожидаемую геометрию. Автоматическая проверка не заменяет просмотр, но быстро ловит пропуски и ошибки нумерации.

Продолжать обработку удобно через --start-input и --start-output, когда готовые результаты уже пронумерованы и переименовывать их нежелательно. Эти параметры изменяют подстановку в имени, но не номер sheet. Перед возобновлением серии сравните последние успешно созданные файлы с журналом, иначе легко повторно обработать лист или, наоборот, пропустить пару входов.

Не запускайте слишком много процессов параллельно без измерения памяти и диска. PGM и особенно PPM — несжатые промежуточные форматы, поэтому тысячи страниц занимают значительный объём. Для текстовой книги PGM обычно экономнее PPM, а последовательная обработка проще для диагностики. Освободить место лучше удалением воспроизводимых normalized-файлов после завершения проекта, но raw и профиль команды должны сохраниться.

После полной серии создайте контактный лист или хотя бы просмотр миниатюр. На нём быстро заметны белые страницы, неразделённые развороты, скачки полей и неверный поворот. Подозрительные кадры затем открывают в полном разрешении. Это быстрее сплошного просмотра каждого листа и всё же сохраняет визуальный контроль, которого автоматическая очистка не отменяет.

Подготовка к OCR и сборка финального PDF

Геометрия поиска угла deskew в unpaper
Deskew анализирует края маски; корректная область важнее широкого диапазона угла.
Источник иллюстрации: unpaper / Xeon Live

Перед OCR цель unpaper — не сделать страницу максимально белой, а сохранить форму символов и убрать помехи, которые мешают сегментации. Ровные строки и чистые поля помогают распознаванию, но удалённые точки, слитые штрихи и чрезмерная бинаризация ухудшают результат. Поэтому контрольный набор должен включать мелкий кегль, диакритику, цифры, таблицы и слабую печать, а качество OCR сравнивают по реальному тексту, а не только по внешнему виду страницы.

  1. Шаг 1. Если исходник уже PDF со сканированными страницами, растрируйте только нужные страницы с заранее выбранным DPI. Не превращайте в растр PDF с полноценным векторным текстом без необходимости.
  2. Шаг 2. Нормализуйте изображения в PGM или PPM. Для чёрно-белого текста PGM обычно даёт удобный баланс качества и объёма.
  3. Шаг 3. Примените проверенный профиль unpaper. Deskew и маски настраивайте на сохранение символов; noisefilter держите умеренным.
  4. Шаг 4. Проведите OCR на нескольких контрольных страницах и сравните ошибки до и после очистки. Если пропали точки или тонкие буквы, вернитесь к исходному растру и ослабьте фильтр.
  5. Шаг 5. При использовании OCRmyPDF начните с --clean, когда очищенная копия нужна в основном для распознавания. --clean-final помещает обработанный растр в итоговый документ и требует более тщательной визуальной проверки.
  6. Шаг 6. Для нестандартных параметров OCRmyPDF передаёт их через --unpaper-args. Не добавляйте туда имена файлов: OCRmyPDF сам формирует промежуточный вход и выход. Режимы, создающие два выхода, несовместимы с ожиданием OCRmyPDF один-вход-один-выход.
  7. Шаг 7. После OCR соберите PDF из проверенных растров и текстового слоя. Сверьте порядок страниц, ориентацию, поля, качество картинок и возможность поиска по тексту.

Если задача — именно распознавание, пригодится пошаговый материал по OCR в PDF. Он дополняет unpaper, потому что сама программа текст не распознаёт и поисковый слой не создаёт. Язык, сегментация, словарь и качество текстового слоя относятся уже к OCR-движку.

Финальный PDF формируют после контроля растров, а не раньше. unpaper не пишет PDF напрямую; результат PNM переводят в PNG/TIFF либо передают инструменту сборки документа. Отдельная инструкция по преобразованию скана в PDF помогает разнести роли: unpaper отвечает за подготовку растра, следующий этап — за контейнер, порядок страниц и сжатие.

Сохраняйте cleaned-изображения хотя бы до окончания OCR и финальной проверки. Тогда при смене параметров распознавания или сжатия не придётся снова применять необратимые фильтры. Raw остаётся неизменным всегда; normalized можно пересоздать; cleaned позволяет повторить OCR; final — уже публикационный или архивный документ.

Диагностика ошибок и контроль качества

Схема оценки deskew-scan-depth
Неверная область или слишком широкий диапазон могут ухудшить определение угла.
Источник иллюстрации: unpaper / Xeon Live

Большинство проблем удобнее разбирать не по сообщению об ошибке, а по месту в конвейере. Сначала докажите, что файл читается и записывается через --no-processing. Затем проверьте ранние фильтры, потом маски, deskew и только после этого границы. Если результат уже испорчен на раннем этапе, поздняя настройка margin или align не вернёт удалённые пиксели.

  • Файл не открывается или появляется unsupported pixel format. Перекодируйте исходник в простой PGM либо PPM и повторите проход. Если он работает, проблема была в контейнере, разрядности или пиксельном формате, а не в масках.
  • Получился пустой или почти белый лист. Запустите --no-processing, затем отключите grayfilter и blackfilter. Проверьте white-threshold, black-threshold и координаты маски. Автоматическая область могла стартовать в пустом поле.
  • Пропали точки, запятые или тонкие линии. Уменьшите noisefilter-intensity либо полностью отключите noisefilter. Если дефект и пунктуация одинакового размера, надёжно разделить их автоматически невозможно.
  • Страница повернулась неверно. Уменьшите --deskew-scan-range, проверьте направления поиска и маску. Поворот на 90 градусов делайте через pre-rotate, а не через deskew.
  • Граница скачет от листа к листу. Стабилизируйте размер и фон входов, уменьшите шаг border-scan или задайте ручной border. На сканере с постоянным положением бумаги ручные значения часто надёжнее.
  • Программа не хочет перезаписывать результат. Сначала убедитесь, что выход не совпадает с исходником. Удалите тестовый файл или осознанно добавьте --overwrite только в воспроизводимый сценарий с раздельными каталогами.
  • Не хватает памяти или диска. Для текстовых страниц используйте PGM вместо PPM, запускайте меньше параллельных процессов и не увеличивайте sheet-size без необходимости. Несжатые промежуточные файлы занимают много места.
  • После output-pages 2 не хватает второй страницы. Проверьте шаблон имени с %03d, количество выходов и наличие корректного double-макета. Сначала воспроизведите ошибку на одном sheet через --no-multi-pages.

Контроль после пакетного запуска должен быть формальным. Сверьте число входов и выходов с учётом input-pages/output-pages, проверьте ненулевой размер каждого результата и возможность открыть изображение декодером. Затем сравните размеры листов и тип PBM/PGM/PPM. Неожиданная смена формата, пустой файл или иной размер — повод остановить дальнейшую сборку PDF.

Визуально просмотрите равномерную выборку и все крайние случаи: минимальный и максимальный размер файла, самую светлую и тёмную страницу, разворот, иллюстрацию, страницу с подписью и лист с узкими полями. Особое внимание — мелким символам и внешним элементам, которые автоматическая маска может принять за мусор. Для длинной книги контактный лист помогает быстро увидеть общую геометрию.

Можно ли передать PDF напрямую?

Для контролируемого процесса сначала растрируйте нужные страницы с заданным DPI, обработайте изображения, затем соберите новый PDF. У скана с векторным текстом лишнее растрирование нежелательно.

Как сохранить цветную печать?

Используйте PPM, отключите или ослабьте grayfilter и проверьте фон маски. Не переводите страницу в PGM, пока цвет несёт смысловую информацию.

Как не потерять точки и диакритику?

Снижайте noisefilter-intensity или отключайте noisefilter. Проверяйте самый мелкий текст; при одинаковом размере пыли и пунктуации автоматическая очистка имеет естественный предел.

Почему после deskew появились серые края букв?

Поворот требует интерполяции. Linear и cubic создают промежуточные оттенки; nearest сохраняет более жёсткий бинарный край. Для архива удобнее выполнять геометрию в PGM и бинаризацию позже.

Как сохранить исходное положение текста?

Отключите mask-center и border-align и используйте фиксированный размер sheet. При deskew ограничивающий прямоугольник всё равно меняется, поэтому полное геометрическое тождество несовместимо с поворотом.

Как проверить команду без запуска всей книги?

Используйте --test-only для анализа, --no-multi-pages для одного прохода и короткий диапазон start-sheet/end-sheet. Полную серию запускайте только после проверки количества файлов и качества выборки.

Плюсы, минусы, альтернативы и выбор сценария

Поиск границ и border-align в unpaper
Пример геометрического этапа, который отличает пакетный подход unpaper от ручного редактора.
Источник иллюстрации: unpaper / Xeon Live

unpaper особенно силён там, где сотни страниц похожи друг на друга и ценится воспроизводимость. Он не пытается быть универсальным редактором: его модель основана на листах, масках, порогах, фильтрах и небольших геометрических поправках. Поэтому выбор зависит прежде всего от однородности исходников и готовности один раз тщательно настроить профиль.

Плюсы

  • Подходит для повторяемой пакетной очистки однотипных сканов и легко встраивается в сценарии автоматизации.
  • Разделяет одиночные страницы и книжные развороты через модель sheet/page, layout и input-pages/output-pages.
  • Позволяет независимо отключать фильтры и этапы, поэтому проблемную страницу можно сделать более щадящей без смены всей цепочки.
  • Предлагает маски, deskew, работу с границами, полями и фиксированными зонами wipe в одном последовательном процессе.
  • Хорошо сочетается с OCRmyPDF, Tesseract, FFmpeg, ImageMagick и инструментами сборки PDF как специализированный промежуточный этап.
  • Команда и журнал легко сохраняются, поэтому результат можно повторить на другой партии файлов при том же окружении.

Минусы

  • Нет собственного графического интерфейса и интерактивного предпросмотра; параметры оцениваются через внешние изображения.
  • Вывод ориентирован на PNM, поэтому PNG, TIFF и PDF обычно создаются следующим инструментом.
  • Агрессивные фильтры могут удалить значимые пиксели: точки, подписи, серые линии, фотографии и элементы у края страницы.
  • Deskew исправляет небольшой общий наклон, но не заменяет коррекцию перспективы и dewarp для сильно изогнутых книжных строк.
  • Первоначальная настройка требует контрольной выборки и понимания порядка обработки; универсальный профиль для неоднородного архива ненадёжен.
  • Несжатые промежуточные PGM/PPM на больших проектах требуют заметного объёма диска.

Кому подойдёт

  • Оцифровщикам книг и архивов с большим количеством похожих страниц.
  • Администраторам и разработчикам, которые строят автоматизированную цепочку скан → очистка → OCR → PDF.
  • Пользователям Linux, macOS и Windows-окружений, которым удобна командная строка и повторяемые профили.
  • Проектам, где важнее стабильность параметров на серии, чем ручная правка каждой страницы.

Кому не подойдёт

  • Тем, кому нужен визуальный редактор с перетаскиванием рамок и мгновенным предпросмотром.
  • Коллекциям, где почти каждая страница имеет уникальную перспективу, освещение, формат и кривизну.
  • Задачам, где требуется полноценное редактирование содержимого PDF, а не подготовка исходного растра.
  • Сценариям, где нельзя визуально проверить результат хотя бы на репрезентативной выборке.

Из реальных альтернатив ScanTailor Advanced делает акцент на интерактивной постобработке: разделении страниц, deskew, выборе области содержимого, полях и dewarp с визуальным контролем. Он удобнее, когда оператор должен видеть и править каждую проблемную страницу. OCRmyPDF решает другую задачу — создание поискового PDF и может вызывать unpaper через --clean и --clean-final. gscan2pdf объединяет сканирование, сортировку страниц, OCR и экспорт в графическом окне, а ImageMagick удобен для универсальных преобразований растра, но не повторяет модель листов и парных страниц unpaper.

Для архива из нескольких тысяч однотипных серых страниц разумный процесс выглядит так: стабильное сканирование, нормализация в PGM, тестовый профиль unpaper, короткая контрольная серия, полный пакет, контактный лист, OCR и только затем сборка PDF. Для небольшой книги с кривым корешком и разными страницами чаще рациональнее интерактивный инструмент с dewarp. Для уже готового сканированного PDF, где главная цель — поиск по тексту, OCRmyPDF обычно становится центральным инструментом, а unpaper — дополнительным этапом очистки.

Главный критерий успешной настройки — не максимально белый фон, а сохранённое содержание при ровной геометрии и понятной цепочке преобразований. Raw остаётся неизменным, параметры фиксируются, исключения известны, а результат проверяется визуально. При таком режиме unpaper полезен именно как управляемый производственный инструмент, а не как фильтр, который применяют ко всей папке без контроля.

xeonlive.ru
Профиль автора на Sostav