LlosLab Software Development Blog面向 PDF、Delphi 和文档软件开发者的工程笔记

技术文章

Delphi 中的 MRC：扫描 PDF 转 JPEG + CCITT 双层

Delphi PDF Library

losLab PDF Library for Delphi 用 TPDFlib.CompressPageAsMRC 以 Mixed Raster Content 方式压缩扫描页：方法先渲染页面，对全分辨率的 1 位前景蒙版做阈值化，把其余部分降采样成 JPEG 背景，再用两张图像重建页面——一层 /DCTDecode 背景，加一层用当前填充色涂色的 /CCITTFaxDecode 模板蒙版

这个方法为之存在的页面，每个文档档案库里都堆成山：300 DPI 的发票或合同彩色扫描件，存成一张大 JPEG。质量调到文字还看得清，文件就很大；质量一降，字母周围长出振铃光晕、衬线被抹糊，因为 JPEG 最不擅长的事就是白纸上的黑色硬边。Mixed Raster Content 不再让一个编解码器干两份活

为什么单个 JPEG 会让扫描文字又糊又大？

单个 JPEG 处理扫描文字很糟糕，因为 DCT 编解码器把比特花在平滑渐变上，硬边则用高频系数近似，而这些系数在量化时最先被扔掉。扫描件上的文字几乎全是硬边。要让这些边干净，就得整页用高质量设置——连纸纹、logo、咖啡渍一起高质量，而它们根本不需要

MRC 的思路是按每个区域实际是什么来拆分页面。墨迹变成二值图像，CCITT 这类传真编解码器在其中无损且非常紧凑地记录黑白像素游程。其余一切——纸色、照片、彩色背景——变成连续色调图像，可以用零头一样的分辨率存储，因为没人会凑到 300 DPI 去看背景。二值层让文字在全分辨率下保持锐利；背景层把颜色以低成本留住

单张 JPEG 扫描与 PDFlibPas CompressPageAsMRC 在 Delphi 里做出的 Mixed Raster Content 分层对比：DCT 编解码器抹糊文字硬边并迫使整页高质量，而墨迹变成 300 DPI 无损 1 位 CCITT 模板，纸色变成 75 DPI DeviceRGB JPEG 背景
Mixed Raster Content 不再让一个编解码器干两份活：二值层让字母在全分辨率下保持锐利，背景以零头成本留住颜色，所以质量 50 到 70 通常看不出来

CompressPageAsMRC 怎么把一页拆成两层？

TPDFlib.CompressPageAsMRC 对每页跑一条固定管线。它按请求的 DPI 把页面渲染成 24 位位图，用 Rec. 601 加权亮度（千分比 299/587/114）对照 Threshold 给每个像素分类，并把结果写进同分辨率的 1 位蒙版。同时它用 BGScale 做盒式均值把同一份渲染缩小，BGScale 为 4 时每个 4×4 像素块变成一个背景像素

PDFlibPas 在 Delphi 里 CompressPageAsMRC 的数据流：一份 300 DPI 24 位渲染按 Rec. 601 亮度阈值化成全分辨率 CCITTFaxDecode K 1 ImageMask 模板，再经 BGScale 4 盒式均值缩成 DCTDecode DeviceRGB 背景，两张图像替换原页面操作符，蒙版在上层
两层出自同一份渲染：DPI 决定多细的笔画能挺过阈值化，BGScale 用背景细节换体积，照片取 2、纯文字可到 8，重建后的页面用当前填充色绘制模板

随后页面内容被替换。原操作符被移除，降采样背景以 /DeviceRGB 的 /DCTDecode 图像嵌入（ISO 32000-1 §7.4.8），蒙版用库自带的 CCITT 编码器编码成 /CCITTFaxDecode 图像（§7.4.6）并标记 /ImageMask true，两者铺满整个页面框，蒙版在上。签名很短：

function CompressPageAsMRC(Page: Integer; DPI: Double;
  BGScale, JPEGQuality, Threshold, Options: Integer): Integer;
  • Page 从 1 起计，必须落在 PageCount 之内
  • DPI 是源光栅的渲染分辨率，50 到 1200
  • BGScale 是背景降采样因子，1 到 8
  • JPEGQuality 是背景 JPEG 质量，1 到 100
  • Threshold 是亮度切点，1 到 255；不低于它的像素算纸，更暗的算墨
  • Options 保留，必须为 0

对一个扫描文件跑典型批处理是下面这样。每页之前先调一次 SetFillColor，原因下一节解释

uses
  SysUtils, PDFlibrary;

procedure CompressScannedFile(const SrcFile, DstFile: string);
var
  Lib: TPDFlib;
  P, Replaced: Integer;
begin
  Lib := TPDFlib.Create;
  try
    if Lib.LoadFromFile(SrcFile, '') <> 1 then
      raise Exception.CreateFmt('Cannot open %s', [SrcFile]);
    for P := 1 to Lib.PageCount do
    begin
      Lib.SetFillColor(0, 0, 0);  // 模板层的墨色
      // 300 DPI 蒙版、75 DPI 背景、JPEG 质量 60、亮度 160 处切分
      Replaced := Lib.CompressPageAsMRC(P, 300, 4, 60, 160, 0);
      if Replaced = 0 then
        raise Exception.CreateFmt('MRC failed on page %d', [P]);
    end;
    if Lib.SaveToFile(DstFile) <> 1 then
      raise Exception.CreateFmt('Cannot save %s', [DstFile]);
  finally
    Lib.Free;
  end;
end;

为什么前景要用当前填充色来涂？

前景层是模板蒙版，而模板蒙版自己没有颜色。ISO 32000-1 §8.9.6.2 把 /ImageMask true 的图像定义为 1 位形状：样本值标出颜料该落在哪里，颜料则是图形状态里当前的非描边色。正是这一点让这一层便宜，也是 CompressPageAsMRC 不收颜色参数的原因

TPDFlib.CompressPageAsMRC 用 SetFillColor 设置的颜色涂蒙版，所以调用顺序要紧。涂色是惰性发出的：SetFillColor 记下颜色并标记已变更，模板绘制只在该变更仍处于待发状态时，才把 rg 操作符写进自己的 q/Q 块。中间若夹了一次填充图形的绘制，待发的变更就被那个图形消耗掉了。像上面的批处理那样，每页之前直接设色，就没有猜的余地。黑色是常规选择；蓝黑墨水表单想要输出看起来不那么像复印件，深海军蓝也行

PDFlibPas 在 Delphi 里 MRC 模板层的惰性填色发出时序：SetFillColor 把颜色记为待发变更，ImageMask 模板绘制在变更仍待发时把 rg 操作符写进自己的 q 和 Q 块，中途夹入的填充图形会把待发变更消耗掉
模板蒙版自己没有颜色，每个墨像素只能取一个填充色：红章、蓝签名和黑字会并成一色，所以每页之前必须直接调 SetFillColor
// 蓝色圆珠笔表单：墨层用深海军蓝渲染
Lib.SetFillColor(0.08, 0.12, 0.35);
Replaced := Lib.CompressPageAsMRC(PageNo, 300, 4, 55, 170, 0);

摆放跟随库的坐标原点。CompressPageAsMRC 读取 GetOrigin，从页面框顶边起画两张图：原点在左上（SetOrigin(1)）时顶坐标为 0，默认左下原点时顶坐标为 PageHeight。你不需要调整任何东西，但它解释了无论你的管线原本用哪个原点，两层都能落对位置

模板语义的一个后果值得直说：被归类为墨的每个像素都取同一个颜色。红色印章、蓝色签名、黑色正文，全都在前景层落进同一个填充色。只有背景 JPEG 在底下还留着原始颜色的淡淡的低分辨率痕迹

DPI、BGScale、Threshold 与 JPEG 质量怎么选

DPI 决定文字的锐度，办公扫描件取 300 是合理的默认值。蒙版保持全渲染分辨率，所以 DPI 决定多细的笔画能挺过阈值化。超过原始扫描分辨率再往上调没有收益，因为渲染器只会对嵌入的扫描图像做上采样。内存是另一个限制：US Letter 页面在 300 DPI 下渲染成 2550×3300 像素，即 25,245,000 字节的 24 位像素数据，蒙版和背景还没算；同一页面在 1200 DPI 上限是 10200×13200 像素，约 404 MB

BGScale 用背景细节换体积。300 DPI 下因子 4 给出 75 DPI 背景，Letter 尺寸即 638×825 像素，对纸色和平坦色块绰绰有余。读者真的会去看的照片页或半调插图值得取 2；白纸上的纯文字可以取 6 或 8，因为背景几乎只剩一层色调

Threshold 是改变页面观感的那个参数。调高它会把更多中间灰像素归为墨，细笔画和铅笔痕迹变粗，但扫描噪声和纸张阴影也跟着变成斑点。调低它纸面更干净、字母更细，有时断笔。黑字白纸取 128 到 170 附近是合理的起步区间；这里的取舍与 在 Delphi 里把 PDF 页面渲染成 1 位单色一文讨论的是同一件事，同一个亮度阈值驱动着 RenderPageToMonochromeFileEx。与那个方法不同，CompressPageAsMRC 没有去斑步骤，噪声大的扫描件适合略低一点的阈值

JPEGQuality 不像单图扫描时那么要紧，因为背景不再承担任何文字边缘。75 DPI 背景藏在锐利蒙版后面，质量 50 到 70 通常看不出来

返回值告诉你什么，又不告诉你什么？

TPDFlib.CompressPageAsMRC 返回它替换掉的页面内容的字节数，失败时返回 0。它是成功指示器，不是节省量的度量。典型扫描页的原始内容流只有几十个字节——放一张图所需的操作符而已——所以即使页面缩小了几兆，返回一个小的正数也是正常结果。原始内容流为空的页面即使被重建了也报 0

失败行为不是原子的，这是要在设计里绕开的部分。参数检查、渲染和 JPEG 编码都在碰页面之前运行，所以越界的 BGScale、101 的 JPEGQuality 或渲染失败都让页面保持原样。但一旦原内容被清掉，嵌入某一层或绘制失败同样返回 0，此时页面可能已被部分重建。任何 0 都当作丢弃内存中文档的理由而不是保存它，并且永远不要把结果写回源文件

想知道这次转换到底省了多少，去量文档。比较 SaveToString 前后的长度是最快的检查；想按类别看，用 AuditDocumentSpace 做 PDF 文件体积审计能显示重量是否如期从图像里挪了出去

function MRCSavings(Lib: TPDFlib): Int64;
var
  Before: Int64;
  P: Integer;
begin
  Before := Length(Lib.SaveToString);
  for P := 1 to Lib.PageCount do
  begin
    Lib.SetFillColor(0, 0, 0);
    if Lib.CompressPageAsMRC(P, 300, 4, 60, 160, 0) = 0 then
      raise Exception.CreateFmt('Page %d failed; discard this document', [P]);
  end;
  Result := Before - Length(Lib.SaveToString);
end;

这套双层 MRC 距 ITU-T T.44 还差在哪

CompressPageAsMRC 实现的是刻意简化的 MRC。ITU-T T.44 的完整模型每个条带用三层：背景图像、承载墨色的前景图像、逐像素在两者之间选择的二值蒙版，一页上还允许多组蒙版加前景。放到 PDF 术语里，第三层应当是带显式蒙版（§8.9.6.3）的低分辨率彩色前景图像，而不是单色涂的模板。PDF Library for Delphi 略去了前景色层——结果因此如此之小，彩色墨并进填充色也是因为这个

  • 这个方法适合扫描纸面上的黑色或单色文字；按颜色编码的文档、荧光标注和彩色印章会丢掉墨色
  • 重建后的页面是纯光栅：原页面上的真实文字、矢量图和可选中的字符都变成像素，所以拿它处理扫描件，别用在原生数字页面上——那里 字体子集化与图像降采样才是对的工具
  • 蒙版用库的 CCITT 编码器、T.4 二维模式，写成带 /K 1 的 /CCITTFaxDecode；编码器经 AddImageCCITTFromBitmapStream 还有 Group 4 模式，但 CompressPageAsMRC 没有暴露它，也不使用 JBIG2
  • 注解和表单字段不被压平；它们作为对象留在重建内容之上
  • 背景是 /DeviceRGB，所以输出不适合 PDF/X-1a 工作流，而且 PDF/X-1a 模式下 SetFillColor 本身就会被拒绝
  • 本就需要 OCR 的扫描件应当先识别再 MRC，趁原始像素还在全色深时

FAQ

CompressPageAsMRC 保留文字可搜索吗？

不保留。CompressPageAsMRC 用两张图像替换页面内容，原页面上的文字操作符连同隐形的 OCR 文本层一起被移除。压缩之后对页面重跑 OCR，或压缩后把文本层加回去

可以只压缩文档里的部分页面吗？

可以。CompressPageAsMRC 每次处理一个从 1 起计的页面，页面由你挑，甚至可以逐页调整 BGScale 和 Threshold，比如照片插页取 2、纯文字页取 6

Options 参数该传什么？

传 0。当前版本里 Options 保留作未来用途，没有定义任何位，非零值在今天不携带任何含义

CompressPageAsMRC 随 losLab PDF Library for Delphi v3.561.0 发布，构成它的渲染、JPEG、CCITT 和模板蒙版构件也一并到位——需要管线的变体时，它们都是公开方法。库本身、C++Builder 支持和完整 API 参考见 PDF Library for Delphi 产品页