如何正确提取PDF中的图像：解决PyMuPDF导出图片旋转、倒置与颜色异常问题

使用pymupdf（fitz）提取pdf图像时，常出现图像上下颠倒、左右镜像或色彩失真等问题，根本原因在于pdf坐标系（原点在左下角）与opencv/pil（原点在左上角）不一致，且pixmap的alpha通道和色彩空间未正确处理。本文提供完整、健壮的解决方案。

PDF内部采用数学笛卡尔坐标系：页面原点位于左下角，Y轴向上为正；而OpenCV、NumPy数组及大多数图像库（包括PIL）约定图像原点在左上角，Y轴向下为正。因此，直接将PyMuPDF的Pixmap.samples按(h, w, n)重塑后直接使用，会导致图像垂直翻转（即视觉上“倒置”）。此外，document.extract_image()返回的是原始编码字节（如JPEG/JBIG2/Flate），可能丢失变换信息（如旋转矩阵、色彩校准），且不处理PDF中常见的CMYK、灰度带Alpha等非标准色彩空间——这正是你手动在Illustrator中无问题、但代码提取却变色的根本原因。

✅ 正确做法是：绕过extract_image()，直接基于xref构造Pixmap对象，并显式处理色彩空间与坐标翻转：

import fitz
import numpy as np
import cv2
import os

pdf_path = '/content/drive/MyDrive/Wettbewerb Aktuell/1803_AusgGesa-pages-2.pdf'
output_directory = '/content/drive/MyDrive/Wettbewerb Aktuell/images/'

document = fitz.open(pdf_path)
start_page, end_page = 0, min(1, document.page_count - 1)
os.makedirs(output_directory, exist_ok=True)

for page_number in range(start_page, end_page + 1):
    page = document[page_number]
    images = page.get_images(full=True)
    page_folder = os.path.join(output_directory, f"page_{page_number}/")
    os.makedirs(page_folder, exist_ok=True)

    for img_index, img in enumerate(images):
        xref = img[0]  # 图像XREF引用号
        try:
            # ✅ 关键：用xref创建Pixmap（保留PDF原生渲染信息）
            pix = fitz.Pixmap(document, xref)

            # ✅ 处理多通道/Alpha：强制转为RGB（去除Alpha或合并）
            if pix.n - pix.alpha > 3:  # 非标准色彩空间（如CMYK）
                pix = fitz.Pixmap(fitz.csRGB, pix)
            elif pix.alpha:  # 含Alpha通道 →
 合并到白色背景
                pix = fitz.Pixmap(fitz.csRGB, pix)
                # 注意：pix.pil_save() 自动处理Alpha，但numpy需手动
            else:
                # 确保为RGB（pix.n == 3）或灰度（pix.n == 1）
                pass

            # ✅ 正确转换为NumPy数组（注意：samples是C-contiguous bytes）
            img_np = np.frombuffer(pix.samples, dtype=np.uint8).reshape(pix.h, pix.w, pix.n)

            # ✅ 垂直翻转：适配PDF（左下原点）→ OpenCV（左上原点）
            img_np = cv2.flip(img_np, 0)

            # ✅ 颜色空间校正：Pixmap默认BGR-like顺序？实际为RGB（但cv2.imwrite要求BGR）
            # 若pix.n == 3，且为RGB，则需转BGR；若已为BGR则跳过
            # PyMuPDF Pixmap.samples 是RGB顺序（文档明确说明），故需转BGR供cv2.imwrite
            if pix.n == 3:
                img_np = cv2.cvtColor(img_np, cv2.COLOR_RGB2BGR)

            # 保存
            img_path = os.path.join(page_folder, f"image_{img_index}.jpg")
            cv2.imwrite(img_path, img_np)
            print(f"✓ Saved: {img_path}")

        except Exception as e:
            print(f"✗ Failed to process image {img_index} on page {page_number}: {e}")
        finally:
            if 'pix' in locals():
                pix = None  # 显式释放Pixmap内存（重要！）

document.close()

? 关键注意事项：

• 永远优先使用 Pixmap(document, xref) 而非 extract_image()：前者执行PDF解释器级渲染，保留CTM（当前变换矩阵）、色彩配置、软掩模等元信息；后者仅解码原始流，易丢失方向与色彩上下文。
• cv2.flip(img_np, 0) 不可省略：这是修复“倒置”的核心步骤，对应PDF坐标系到图像坐标系的映射。
• 色彩空间必须显式归一化：PDF支持CMYK、Lab、Indexed等，fitz.Pixmap(fitz.csRGB, pix) 强制转换为sRGB，避免OpenCV误读通道。
• 内存管理：Pixmap对象占用较大内存，务必在循环末尾设为None或使用with上下文（PyMuPDF v1.23+支持）。
• 调试建议：若仍有色偏，尝试用 pix.save("debug.png") 直接保存Pixmap（它自动处理翻转与色彩），对比是否与cv2.imwrite结果一致——若一致则问题在后续处理；若不一致，说明np.frombuffer重塑有误（检查pix.h/pix.w/pix.n是否匹配）。

通过以上方法，你将获得与Illustrator手动导出完全一致的方向、比例与色彩效果。