高效提取PDF图片中的公章：技术与实践

在数字化办公中，经常需要从PDF文档中提取公章图像，用于归档、验证或二次编辑。但公章通常嵌入在图片或扫描件中，直接复制困难。本文系统讲解提取方法。

为什么提取困难？

公章可能与其他内容重叠、颜色单一、形状不规则，或PDF为扫描件（非可编辑文本）。因此需要图像处理技术而非简单复制。

常用技术路线

1. 图像分割：利用颜色（红色/蓝色公章）或形状（圆形/椭圆形）阈值分割。例如，将RGB图像转为HSV空间，提取红色区域。
2. 边缘检测：用Canny算子检测圆形边缘，再通过霍夫变换定位圆心和半径。
3. OCR后处理：若公章内包含文字，可结合OCR提取文字信息，辅助定位。

工具推荐

实践步骤（以Python为例）

1. 安装PyMuPDF和OpenCV：pip install pymupdf opencv-python
2. 读取PDF，遍历每一页，提取图片对象。
3. 对图片进行预处理：灰度化、高斯模糊。
4. 应用颜色过滤或形状检测，得到公章区域。
5. 截取并保存为独立PNG文件。

import fitz  # PyMuPDF
import cv2
import numpy as np

doc = fitz.open('document.pdf')
for page_num in range(len(doc)):
    page = doc[page_num]
    images = page.get_images()
    for img_index, img in enumerate(images):
        xref = img[0]
        pix = fitz.Pixmap(doc, xref)
        img_array = np.frombuffer(pix.samples, dtype=np.uint8).reshape(pix.height, pix.width, 3)
        # 颜色过滤示例（红色公章）
        hsv = cv2.cvtColor(img_array, cv2.COLOR_BGR2HSV)
        lower_red = np.array([0, 70, 50])
        upper_red = np.array([10, 255, 255])
        mask = cv2.inRange(hsv, lower_red, upper_red)
        result = cv2.bitwise_and(img_array, img_array, mask=mask)
        cv2.imwrite(f'stamp_page{page_num}_{img_index}.png', result)
doc.close()

注意事项

提取后公章可能包含背景杂点，建议后期用Photoshop或GIMP手动清理。对于合同扫描件，需确认公章与内容重叠时的层次关系。

未来趋势

随着AI发展，基于深度学习的目标检测（如YOLO）可自动识别公章位置，精度更高。但小型项目或单次提取仍推荐传统图像处理。

掌握这些方法，可大幅提升文档数字化效率。