OCR de un PDF escaneado a doble página desde Linux

Un PDF con las páginas de un libro escaneadas se puede leer con un programa de OCR. A continuación una receta para hacerlo desde linea de comandos con Linux.

El PDF tiene este aspecto:

Es necesario dividir la imagen en dos y eliminar el ruido de los bordes que interfiere con el OCR.


Herramientas utilizadas:
Imagemagick
Tesseract
Python

1. Convertir el PDF a imágenes JPG.

import os
cmd = "convert -density 200 %s[%i] -trim %s"
pdfFile = "document.pdf"
jpgFile = "tmppage%i.jpg"
pages = 161
for n in range (0,pages):
    print "Extrayendo " + jpgFile % n
    os.system (cmd % (pdfFile, n, jpgFile % n))

2. Dividir verticalmente las imágenes.

inFile = "tmppage%i.jpg"
outFile = "tmp2page%i.jpg"
pages = 161
cmd = "convert %s -crop 50%%x100%% -trim %s"

for n in range(0,pages):
  print "Dividiendo " + inFile %n
  os.system (cmd % (inFile % n , outFile % n ))

3. Recortar los bordes

inFile = "tmp2page%i-%i.jpg"
outFile = "page%i.jpg"
pages = 161

mainContador = 0
pageFlag = 0
cmd = "convert %s -gravity Center -crop 90%%x99%% +repage -trim %s"
for n in range(0,pages):
  for i in range(2):
    fIn = inFile %(n,pageFlag)
    fOut = outFile % mainContador
 
    print "Recortando %s hacia %s" % (fIn,fOut)
    os.system (cmd %(fIn,fOut))
    mainContador += 1
    pageFlag+=1
    if pageFlag==2:
      pageFlag = 0

4. Convertir las imagenes a TIFF
Tesseract utiliza imagenes TIFF como entrada. Aquí hacemos la conversión. ¿Por qué no usar TIFF desde el principio? Por el tamaño de los archivos.
pdfFile = "page%i.jpg"
tifFile = "tif/page%i.tif"
pages = 322
cmd = "convert %s %s"

for n in range(pages):
  f1 = pdfFile % n
  f2 = tifFile % n
  print "convirtiendo " + f1
 
  os.system (cmd %(f1,f2))

5. OCR

tifFile = "page%i.tif"
txtFile = "ocr/page%i"    #No necesita extension .txt
pages = 322
cmd = "tesseract %s %s"

for n in range(pages):
  f1 = tifFile % n
  f2 = txtFile % n
  print "convirtiendo " + f1
 
  os.system (cmd %(f1,f2))