PDFImageViewer v1.0 免费的PDF查看图像和无损导出工具，兼谈PDF内嵌图像。

        提起PDF内嵌图像，大部分人都知道PDF可以内嵌JPG、PNG、Tif、JBig2等图像格式。其实这种观点都是外行看热闹，盲人摸象，摸到啥就以为是啥。实际上，如果认真写过一个PDF内嵌图像导出软件的话，自然就知道PDF规范里面根本就没有所谓图像格式的说法，只有编码和色彩空间的概念。

 

        今天，我给大家讲一讲PDF图像是如何存储和导出的。

        大部分人可能都听说过PDF补丁丁软件，如果你用它导出PDF图像，用得多了，就会发现有的图像无法导出，有的图像全黑，有的图像全是斜线，还有的偏色，与PDF查看器渲染出来的图像不一样。这是什么原因呢？为什么明明用PDF Reader、福昕、PDF-XChange那些商业软件可以清楚看到的图像，却无法用补丁丁导出。

        我测试过很多免费工具，国外比较常用免费工具的是XPDF里面的pdfimages 和 MuPDF中的mutool，这两个软件比PDF补丁丁要好很多，但是依然存在某些内嵌图像无法识别或者无法导出的问题。如果把全部的内嵌图像当作100的话，PDF补丁丁大约可以正确导出40%的图像（新版补丁丁打算更换MuPDF内核，可以改善导出图像的问题，大家可以拭目以待。），pdfimages 可以正确导出70%的图像，mutool可以正确导出95%的图像。

 

        为什么不同的工具，实现一个图像导出的功能差距如此之大呢？难道PDF内嵌图像导出是一个很困难的事情吗？

 

        确实如此，处理PDF图像比想象中的要复杂得多。

        在谈到PDF图像导出之前，要先明白两个概念，一个是编码Encode、一个是色彩空间ColorSpace。PDF图像基本就是围绕着这两个概念进行存储和还原的。

        首先，为了避免大家理解困难，我按照外行的说法给大家讲一下什么是编码。 如果你去问AI，PDF内嵌编码有哪些，AI会告诉你一大堆，什么Flate、LZW、CCITT Fax、JBIG2、Run Length、DCT、JPX、ASCII85、ASCIIHex ，这么多编码看着头就晕了。这里，有个简单的鉴别方法，如果你看到编码是DCT，那么就是JPG图像的编码；如果你看到JPX，那就是Jpeg2000图像的编码；如果你看到JBig2，就是Jbig2图像的编码；其它的都属于Png。只是这里有个小问题，某些软件把CCITT Fax和LZW编码的图像数据导出为Tif，这是为了方便输出，并不是说这些编码是Tif图像。 好了，现在你是不是知道PDF图像导出的时候，为什么有的是Jpg，有的是Png，有的是Tif了吧（目前PDF补丁丁就是这么做的）。但是，很不幸，这种导出是错误的。采用这种简易导出图像方式的软件，只能应付40%的图像类型。

 

        那么，问题出在哪里？

        这就要说PDF内嵌图像的另一个重要概念，色彩空间ColorSpace。PDF能够成为印刷业的标准文档储存方式，完全是因为它支持丰富多彩的色彩空间。 同样，如果你去问AI，PDF内嵌图像的色彩空间有哪些，AI也会告诉你一大堆概念，例如设备色彩空间（RGB、Gray、CMYK），CIE 的色彩空间（CalGray、CalRGB、Lab 和 ICCBased），特殊色彩空间（Pattern、Indexed、Separation 和 DeviceN、NChannel）。如果你想深入了解PDF纷繁复杂的色彩空间概念，可以看这个链接：PDF的色彩空间

       

        好了，就像老师给学霸上课一样，我现在说：恭喜大家，你们已经掌握了PDF内嵌图像导出的两个重要概念，学会了编码，掌握了色彩空间，现在可以导出图像了。        

        PDF导出图像的顺序是这样的：在读取页面对象，找到Image资源之后，要进行三步。1、解码资源，2、按照色彩空间还原图像像素，3、保存图像像素。这就像把大象装进冰箱里一样，拢共分三步，但是你会卡在第二步。 第一步，解码资源，这个简单，PDF开源库已经准备好了解码函数，调用就可以了。第三步，保存图像，也是人人都会。但是第二步，按照色彩空间还原图像像素，所有人都卡在这一步。 在写PDFImageViewer软件之前，我也是和大家一样，以为把大象塞进冰箱是个很容易的事情，然后大象不乐意了...

        外行没有人知道PDF图像导出会卡在色彩空间解码这里，我也是上个月才知道的，毕竟之前我也不是专业搞PDF的（纯外行）。实际上，我在2019年就写过PDF图像导出的软件，那时候从来不关心色彩空间是什么，反正大部分需要导出图像的pdf都很简单，不是jpg就是png，不是jpx就是jbig2，总之，导出图像非常简单，总共就两步，解码、导出。中间那个把大象塞进冰箱的步骤跳过去了。

        所以，当我写PDFImageViewer软件，想查看PDF内嵌的全部图像的时候，问题就来了。至少有一半的测试图像完全不可查看，不是偏色就是极暗，不是全黑就是全白。

 

图像偏色的示例（Separation色彩空间），右侧为偏色图像。

 

图像偏色的示例（Lab色彩空间），右侧为偏色图像。

 

        为了解决这些问题，我深入学习了PDF色彩空间的概念。

 

        真正的PDF图像导出步骤是这样的：

        1、读取页面对象，找到Image资源。

        2、根据色彩空间决定如何解码资源数据。可能是灰度数据、可能是RGB数据、可能是CMYK数据、也可能是分色数据。解码算法可能是Flate、DCT、JPX、CCITT或者ASCII之类的什么。这里有个问题，前面不是说遇到DCT就当成Jpg图像，遇到Jpx就当成Jpeg2000图像吗？所以，简易图像导出的错误就在这里。PDF图像数据存储是经过编码的，解码之后，需要根据色彩空间判断下一步工作，而不是仅仅根据存储的压缩算法直接导出成图像。这就是为什么PDF补丁丁只能处理40%图像的其中一个原因。

        3、资源数据解码之后，要进行Decode映射，这一步是个鸡肋，不处理的话，图像就会黑白颠倒或者偏色，处理就会影响图像导出速度（全是浮点运算，大图像极其耗时）。所以，我们经常用简易处理以提升速度。

        4、经过映射还原的数据，还可能需要经过索引还原或者色调还原（最难的，这里不介绍）。索引还原就是把8位的数据通过索引表（也叫调色板）转成RGB、CMYK、LAB或者其它色彩空间的数据 ---- 这种索引的目的本质是是为了节省存储空间。这样才是初步的图像数据。为什么说是初步，因为这个数据不能直接导出成图像，可能还需要色彩校正。

        5、色彩校正在很多开源的PDF库都没有这一步，包括目前的PDF补丁丁，所以导出图像偏色就无法解决。CMYK的色彩校正，简单的说就是ICC校正，有专门的图像库处理。而CalRGB等其它色彩空间的校正就需要自己计算了。

        6、经过色彩还原之后的数据就是普通的像素数据了。要注意，在PDF图像中没有透明的概念，所以导出的图像数据要么是黑白两色，要么是Gray 8pp灰度，要么就是RGB彩色。我们要根据色彩空间的具体情况来保存或者显示图像数据。

        7、当然，事情并没有我说的这么简单，很多时候上述步骤大概率是互相嵌套的，例如Index色彩空间可能与Separation色彩空间、ICCBase色彩空间嵌套在一起，这就进一步造成图像提取的困难和增加耗时。而如果涉及到复杂的色调还原函数，更增加了十倍的提取耗时。

   

        所以，PDF图像导出为什么难？难就难在色彩还原牵扯的东西太多了，每个色彩空间都有自己的还原方式，你需要处理设备色彩空间（RGB、Gray、CMYK），CIE 的色彩空间（CalGray、CalRGB、Lab 和 ICCBased），特殊色彩空间（Pattern、Indexed、Separation 和 DeviceN、NChannel）这么多的方式，有些时候编码算法和色彩空间互相嵌套，处理繁杂。还有某些色彩空间是纯粹给印刷机器用的，在Windows上完全无法支持，更不要说解码和准确还原以及查看了。

   

        PDFImageViewer 是一个神奇的软件，她能支持前面提到的大部分色彩空间。除了某些Windows无法支持的格式和内联图像（我不关注这个），这个软件解决了多年以来免费工具无法精确查看和导出PDF内嵌图像的痛点问题。

 

       预计软件在一两个月内会提供下载，请大家耐心等候。