Обзор unpaper: постобработка сканов, deskew, очистка полей и подготовка к OCR

unpaper занимает узкую, но важную нишу в цепочке оцифровки документов: он не открывает PDF для чтения, не распознаёт текст и не заменяет сканер, а обрабатывает уже полученные растровые страницы. Утилита удаляет типичные следы неудачного сканирования и ксерокопирования, ищет границы полезной области, выравнивает положение страницы и исправляет небольшой наклон. Такой подход особенно уместен для книжных разворотов, архивных копий и серий однотипных листов, которые затем будут собраны в PDF или отправлены в OCR.

По состоянию на 11 сентября 2026 года актуальным стабильным выпуском upstream остаётся unpaper 7.0.0 от 20 апреля 2022 года. Это зрелый проект с медленным темпом выпуска версий: репозиторий доступен, пакеты продолжают собираться для современных систем, но ждать частых функциональных релизов не стоит. Важное ограничение следует учитывать сразу: unpaper работает как консольный фильтр растровых изображений, а прямой ввод и вывод PDF в проекте не предусмотрен.

Скачать unpaper

Для Linux и других Unix-подобных систем самый безопасный путь — пакет из официального репозитория используемой ОС. В Ubuntu 26.04 LTS доступен пакет unpaper 7.0.0 в дистрибутивной сборке, в Arch Linux утилита находится в официальном репозитории Extra, а FreeBSD поддерживает порт и бинарный пакет. Такой способ предпочтительнее случайных архивов со сторонних сайтов: пакетный менеджер одновременно ставит совместимые библиотеки FFmpeg и позволяет получать их обновления обычным системным способом.

На macOS официальная формула Homebrew предлагает стабильный unpaper 7.0.0 и готовые bottles для актуальных Apple Silicon, а также поддерживаемых Intel-конфигураций. Формула существует и для Linux Homebrew. Здесь важно различать номер upstream и ревизию пакета: например, Homebrew может менять revision из-за новой версии FFmpeg, не превращая сам unpaper в 7.0.1. Аналогично дистрибутивные суффиксы в Debian, Ubuntu, Arch или FreeBSD обозначают пересборки и патчи упаковки, а не новый релиз разработчиков программы.

Исходный код и архив стабильного выпуска опубликованы в официальном репозитории unpaper на GitHub. Сборка из исходников разумна, если пакетного менеджера нет, требуется нестандартный префикс установки или нужно проверить состояние ветки main. Для обычной рабочей станции она не даёт автоматического преимущества перед дистрибутивным пакетом: потребуется самостоятельно согласовать компилятор, заголовки FFmpeg, Meson, Ninja и pkg-config.

Нативной официальной Windows-редакции с готовым exe upstream не выпускает. Запрос на предоставление предкомпилированных Windows-бинарников был закрыт как «not planned». Поэтому загрузки с неизвестных каталогов программ, обещающие «официальный unpaper.exe», нельзя считать выпуском проекта. На Windows практичнее использовать Linux-среду через WSL либо выбрать инструмент с официальной Windows-сборкой, если командный конвейер не является обязательным.

Что такое unpaper

unpaper — программа постобработки отсканированных листов, ориентированная на книжные страницы и копии с чёрными полями, тенью переплёта, небольшим наклоном и смещением полезной области. Первоначальным автором был Jens Gulden; позднее сопровождение взял Diego Elio Pettenò, а современная кодовая база публикуется сообществом unpaper. В справке авторство указывается коллективно как «The unpaper authors».

Утилита работает на уровне пикселей: получает растровое изображение и создаёт новый растр. Она не обрабатывает PDF-закладки, формы, подписи, текстовые слои или структуру абзацев. Для сканированного PDF страницы сначала превращают в изображения, после очистки при необходимости снова собирают PDF и запускают OCR.

Распознавания текста внутри unpaper нет. «Подготовка к OCR» означает только улучшение входной картинки перед Tesseract, OCRmyPDF, ABBYY или другим распознавателем. Поэтому продукт следует воспринимать как специализированный фильтр внутри более длинного конвейера, а не как законченную систему управления документами.

Основные функции unpaper

Удаление крупных тёмных областей

Blackfilter ищет чёрные зоны, возникшие из-за сканирования или копирования: полосы по краям, тень между половинами разворота и похожие дефекты. Виртуальная полоса проходит по изображению, оценивает долю тёмных пикселей и очищает найденную область. Настраиваются направление, размер, глубина, шаг, порог и интенсивность. Для защиты содержимого есть области исключения; это важно для фотографий и диаграмм, которые алгоритм может принять за дефект.

Шумоподавление, blurfilter и grayfilter

Noisefilter удаляет отдельные тёмные пиксели и маленькие кластеры. Blurfilter ищет разреженные группы точек на более крупной области, а grayfilter — участки серого шума без уверенного чёрного элемента. Стадии отключаются раздельно, в том числе по листам. Агрессивные значения опасны для тонких линий, мелких символов и номеров страниц, поэтому результат нужно проверять.

Маски, раскладки и центрирование

В модели unpaper «лист» может содержать одну или две логические страницы. Маска задаёт прямоугольную область, которую нужно сохранить. Шаблон single рассчитан на одну страницу и выбран по умолчанию; double — на книжный разворот; none отключает преднастроенную раскладку. Точки поиска и границы масок можно задавать вручную, а автоцентрирование способно выровнять положение страниц в серии.

Deskew и геометрическая коррекция

Deskew оценивает наклон по краям маски и поворачивает изображение. По умолчанию поиск идёт примерно в диапазоне плюс-минус пяти градусов с шагом 0,1 градуса; меньший шаг может дать более точный перебор, но замедляет работу. Дополнительно доступны поворот на 90 градусов, зеркальное отражение, сдвиг, resize, zoom и stretch. Для интерполяции предусмотрены nearest, linear и cubic; справка называет cubic лучшим по качеству, nearest — самым быстрым.

Границы, wipe и выравнивание

Программа умеет искать внешний край полезной области, очищать заданные поля и выравнивать обнаруженную область с нужным отступом. Wipe заливает выбранный прямоугольник белым, а middle-wipe предназначен для полосы между двумя страницами разворота. Поскольку эти операции физически меняют пиксели, исходники нужно хранить отдельно.

Пакетные последовательности

Шаблоны имён с числовым счётчиком позволяют обрабатывать серии одним запуском, например scan%04d.pgm и clean%04d.pgm. Можно задавать диапазоны, исключать листы, вставлять пустые позиции. input-pages 2 объединяет две входные картинки в один лист, а output-pages 2 делит обработанный лист на две выходные страницы.

Интерфейс и удобство использования

У unpaper нет собственных окон и визуального редактора. Интерфейс — командная строка, файловые шаблоны и текстовые сообщения. Для знакомства доступны man-страница, краткая справка и уровни verbose; параметры названы по-английски, отдельной локализованной GUI-оболочки upstream не предоставляет.

Для одиночной страницы старт прост: входной файл, выходной файл и стандартный layout single. Сложность появляется при ручных масках, двухстраничных разворотах и подборе порогов. Пользователь должен понимать координаты, порядок операций и риск удаления полезного содержимого.

Главный плюс CLI — воспроизводимость: проверенную команду можно сохранить в скрипте и применить к большой серии. Главный минус — отсутствие интерактивного предпросмотра. Поэтому рабочий цикл строится вокруг пробной выборки, внешнего просмотра результата и только затем массового запуска.

Поддерживаемые форматы и совместимость

Надёжная база: PNM

Форматная основа unpaper — семейство PNM: PBM для монохромного изображения, PGM для 8-битного серого и PPM для 24-битного RGB. Эти форматы хорошо подходят как промежуточные в Unix-конвейере и совместимы с классическими инструментами SANE. Выход unpaper ограничен именно PNM-семейством, а тип можно выбрать явно параметром type или оставить ближайший к исходному пиксельному представлению.

Дополнительный ввод через FFmpeg

Начиная с шестой ветки ввод и вывод технически опираются на библиотеки FFmpeg/libav, поэтому программа способна принять больше, чем только PNM. Однако upstream отдельно предупреждает: поддержка FFmpeg-формата сама по себе не означает, что его конкретный пиксельный формат подходит unpaper. В документации перечислены gray8, rgb24, monoblack, monowhite, y400a и pal8; изображения с другой глубиной или представлением могут завершиться ошибкой unsupported pixel format.

Особенно осторожно нужно относиться к TIFF. Этот контейнер имеет много несовместимых подвариантов, и фактический успех зависит от кодека, пиксельного формата и версии библиотек. Для производственного процесса разумно нормализовать неоднородные сканы в PBM, PGM или PPM до запуска unpaper, а не строить конвейер на предположении, что любой TIFF, PNG или другой файл будет принят одинаково.

PDF не является входным или выходным форматом

В официальной документации прямо указано, что поддержка PDF в unpaper отсутствует и не планируется. Это не значит, что программа бесполезна для PDF-проекта: она работает на промежуточном растровом слое. PDF сначала преобразуется в изображения, после очистки изображения снова собираются в документ. На Windows для отдельных задач сборки и преобразования можно рассмотреть PDF24 Creator, но это уже отдельный этап с иной моделью работы.

Такое разделение важно для сохранности данных. Если исходный PDF содержит текстовый слой, закладки, вложения, формы или цифровую подпись, превращение страниц в растр и повторная сборка создаёт уже другой документ. unpaper не переносит эти PDF-объекты, потому что вообще не читает PDF-структуру. Для born-digital документов, где нужно редактировать или оптимизировать существующий PDF без растеризации, следует выбирать PDF-инструмент, а не unpaper.

Карта критических зависимостей

Самая чувствительная связка — unpaper и FFmpeg. Релиз 7.0.0 добавил совместимость с FFmpeg 5, а современные пакеты пересобирают его с более новыми библиотеками. Документированный процесс локальный: страницы не нужно отправлять на сервер, но FFmpeg и системные библиотеки следует своевременно обновлять как компоненты, разбирающие входные файлы.

Производительность и стабильность

Upstream не публикует официальных норм по RAM, числу ядер или времени на страницу. Производительность зависит от размера растров: чем выше разрешение, тем больше пикселей анализируют фильтры, маски и геометрия. Deskew также имеет прямой компромисс: меньший шаг поиска угла повышает точность перебора, но замедляет обработку; nearest быстрее, cubic качественнее.

PNM удобен как промежуточный формат, но PGM и особенно PPM могут занимать много дискового пространства. Документация OCRmyPDF, использующего unpaper для clean, отдельно предупреждает о крупных временных PBM/PGM/PPM на больших документах. Перед обработкой сотен страниц следует проверить свободное место.

Стабильность нужно оценивать не только по отсутствию падений. Upstream предупреждает, что автоматика иногда ошибается, а в трекере есть открытые сообщения о зависаниях на отдельных конфигурациях и чрезмерном удалении содержимого на некоторых страницах. Это не универсальные дефекты, но достаточная причина сначала прогонять репрезентативную выборку и фиксировать версии unpaper и FFmpeg.

Лицензирование и версии

unpaper распространяется как свободное программное обеспечение. Upstream README указывает GNU GPL v2 для проекта и отмечает, что отдельные файлы имеют другие разрешительные SPDX-лицензии. В исходных файлах основной программы встречается идентификатор GPL-2.0-only. Из-за состава файлов дистрибутивы могут показывать более детализированное лицензионное выражение, но для пользователя принципиально другое: нет коммерческой редакции, подписки, активации, платного экспорта или водяных знаков.

Версия 7.0.0 — полноценный стабильный выпуск, а не trial. Её можно использовать без регистрации и ограничения по числу страниц. Отдельного «бесплатного тарифа» тоже нет, потому что модель SaaS здесь вообще отсутствует. Цена программы равна стоимости её получения и сопровождения в вашей инфраструктуре: при системной установке это обычно только труд администратора и ресурсы машины; при самостоятельной сборке добавляется поддержка toolchain и совместимости библиотек.

Исторические версии не следует выбирать только из-за старых инструкций в интернете. Ветвь 6.x была выпущена в 2014 году, а 7.0.0 перевела сборку на Meson и обновила совместимость с FFmpeg 5. Современные репозитории ОС поставляют 7.0.0 с собственными ревизиями. Если старый скрипт создавался под 6.1, правильный путь — сначала проверить его параметры на 7.0.0, а не закреплять устаревший бинарник без необходимости.

Системные требования

Официальных минимумов по частоте CPU, RAM, GPU или объёму диска нет. Подтверждённая рабочая зависимость — FFmpeg/libav; готовые пакеты подтягивают совместимые libavcodec, libavformat и libavutil автоматически.

Linux

Практический вариант — современный дистрибутив с пакетом unpaper 7.0.0. Ubuntu 26.04 LTS и Arch Linux его предоставляют. Python для обычного запуска установленного бинарника не требуется.

macOS

Homebrew публикует bottles 7.0.0 для актуальных Apple Silicon и поддерживаемых Intel-конфигураций. Формула зависит от FFmpeg; сборочные инструменты нужны только если bottle не используется.

FreeBSD

FreeBSD Ports содержит unpaper 7.0.0 и готовые пакеты для нескольких архитектур. При бинарной установке зависимости разрешает pkg.

Сборка из исходников

README использует Meson не ниже 0.57 и Sphinx не ниже 3.4; рецепты пакетов также указывают Ninja, pkg-config/pkgconf, C-компилятор и development-библиотеки FFmpeg. Pytest и Pillow относятся к тестам.

Windows

Официального готового exe нет, а запрос на его публикацию закрыт как не планируемый. Для именно unpaper практичнее WSL; если нужен нативный GUI, лучше выбрать другой продукт.

Паспорт обратимости операций

unpaper изменяет растр деструктивно: blackfilter, wipe, mask и border очищают пиксели, deskew пересчитывает геометрию, resize и stretch меняют сетку изображения. В выходном PNM нет истории правок, из которой можно восстановить удалённый фрагмент.

Практический «undo» — неизменяемая папка исходных сканов и отдельная папка processed. PNM остаётся обычным переносимым растром, но не сохраняет структуру PDF, которой unpaper не управляет.

Хронология развития и поддержки

Первоначальным автором unpaper был Jens Gulden; позднее сопровождение проекта взял Diego Elio Pettenò. Версия 6.0 от 19 августа 2014 года перевела ввод/вывод на libav и расширила вход за пределы исходного PNM, а 6.1 от 23 октября 2014 года улучшила совместимость с libavcodec.

Стабильная 7.0.0 вышла 20 апреля 2022 года после примерно восьмилетнего перерыва. Она заменила Autotools на Meson, обновила тесты и добавила совместимость с FFmpeg 5. Нового стабильного upstream-релиза на дату обзора нет, но Homebrew, Ubuntu, Arch и FreeBSD продолжают распространять и пересобирать 7.0.0. Это зрелый, медленно меняющийся проект, а не снятый с доступности продукт.

Преимущества и недостатки unpaper

Плюсы и минусы

Узкая специализация на сканах. Blackfilter, mask, border, deskew и double-page layout решают именно типичные проблемы книжных и архивных страниц, а не пытаются быть универсальным графическим редактором.

Автоматизация. CLI, диапазоны листов и шаблоны имён хорошо подходят для повторяемых пакетных процессов, cron-задач, контейнеров и OCR-конвейеров.

Локальная обработка. Для работы не требуется аккаунт, подписка или отправка документов в облако.

Свободная лицензия и отсутствие платных ограничений. Нет лимита страниц, водяных знаков, платного экспорта и обязательной регистрации.

Контроль по стадиям. Большинство автоматических фильтров можно отключать отдельно и настраивать их пороги, области и направление поиска.

Совместимость с внешними цепочками. PNM хорошо подходит как промежуточный формат между сканированием, очисткой, OCR и сборкой PDF.

Минусы

Нет GUI и предпросмотра. Параметры подбираются через командную строку, а результат нужно открывать внешним просмотрщиком.

Нет прямого PDF. Любой PDF-сценарий требует дополнительных инструментов до и после unpaper.

Вывод ограничен PNM. Для PNG, JPEG, TIFF или PDF потребуется последующее преобразование.

Автоматическая очистка может удалить полезные детали. Особенно рискованны тёмные иллюстрации, тонкие линии, номера страниц и сложные развороты.

Медленный темп upstream-релизов. Актуальная стабильная версия датируется 2022 годом, а совместимость с новыми библиотеками во многом поддерживают пакетные экосистемы.

Нет официального Windows exe. Для Windows нужен WSL, самостоятельная сборка или альтернатива.

Сравнение с аналогами

OCRmyPDF закрывает более высокий уровень задачи: создаёт поисковый PDF и умеет вызывать unpaper через clean и clean-final. Его документация предупреждает, что агрессивная очистка может менять содержимое и что интеграция ожидает один входной и один выходной промежуточный файл.

ScanTailor Advanced предпочтительнее, когда оператору нужен визуальный контроль каждой страницы. ImageMagick, напротив, сильнее как универсальный конвертер и процессор форматов: у него есть deskew, trim и другие операции, но нет бумажной модели unpaper с single/double layout и специализированным blackfilter.

С Sumatra PDF сравнение корректно только по месту в цепочке: Sumatra PDF прежде всего читает готовые документы в Windows, а unpaper готовит растровые страницы до сборки PDF. Они дополняют друг друга, но не заменяют. Для простой Windows-связки «сканировать и получить PDF» можно отдельно сравнить WinScan2PDF; для распознавания и редактирования текста — ABBYY FineReader.

Инструкция по установке

Ubuntu и Debian-подобные системы

При наличии пакета выполните sudo apt update и sudo apt install unpaper. Проверка: unpaper —version и man unpaper. Удаление — sudo apt remove unpaper; FFmpeg-библиотеки вручную не удаляйте, если они нужны другим программам.

Arch Linux

Пакет из официального Extra ставится командой sudo pacman -S unpaper. После установки проверьте версию и один тестовый PGM/PBM до массовой обработки.

macOS через Homebrew

Используйте brew install unpaper. Homebrew подтянет совместимый FFmpeg и подходящий bottle. Проверка — unpaper —version, удаление — brew uninstall unpaper.

FreeBSD

Для готового пакета используйте pkg install unpaper. Сборка из Ports нужна только при специальных требованиях; удаление также выполняйте через pkg.

Сборка из исходников

Подготовьте C-компилятор, development-пакеты FFmpeg, pkg-config, Meson и Ninja. В каталоге исходников настройте builddir и выполните meson compile -C builddir. Перед системной установкой проверьте собранный бинарник и тестовый файл; устанавливайте через штатный механизм Meson в выбранный prefix.

На Windows не заменяйте отсутствие официального exe неизвестной загрузкой. Для unpaper используйте WSL и Linux-пакет; если нужен нативный GUI, выбирайте альтернативу.

Практические кейсы

Очистка одной слегка перекошенной страницы

Цель: подготовить одиночный серый скан к последующему OCR. Подготовка: сохраните исходник отдельно и приведите его к PGM, если входной формат вызывает сомнения. Шаги: выполните unpaper —layout single input.pgm output.pgm. Проверка: сравните края, мелкие символы и угол строк на исходнике и результате. Ограничение: если на листе есть крупная тёмная иллюстрация, отдельно проверьте, не затронул ли её blackfilter.

Разделение книжного разворота

Цель: получить две страницы из одного изображения разворота. Подготовка: убедитесь, что обе половины действительно расположены слева и справа и линия переплёта близка к центру. Шаги: используйте unpaper —layout double —output-pages 2 spread.pgm left.pgm right.pgm. Проверка: откройте обе страницы и внимательно осмотрите внутренние поля. Ограничение: нестандартный разворот может потребовать ручных масок или middle-wipe; стандартный шаблон не понимает смысл иллюстраций, пересекающих корешок.

Пакетная обработка нумерованной серии

Цель: применить одинаковую геометрию к последовательности. Подготовка: сделайте резервную копию и выберите несколько страниц с разными типами содержимого. Шаги: после пробной настройки запустите шаблон вида unpaper scan%04d.pgm clean%04d.pgm. Проверка: контролируйте не только первые листы, но и страницы с таблицами, картинками и очень коротким текстом. Ограничение: единый набор порогов может быть плох для смешанного архива; его лучше делить на однородные партии.

Предобработка перед OCRmyPDF

Цель: улучшить вход для распознавания, сохранив PDF-ориентированный процесс. Подготовка: установите OCRmyPDF и unpaper из доверенных источников. Шаги: OCRmyPDF умеет вызывать unpaper через clean и clean-final; начинайте с менее агрессивного clean, при котором очистка служит подготовкой к OCR. Проверка: сравните распознанный текст и визуальные страницы, особенно номера и мелкие примечания. Ограничение: интеграция OCRmyPDF ожидает один входной и один выходной промежуточный файл, поэтому режимы unpaper, создающие несколько выходов, для неё не подходят.

Навигатор по сбоям

unsupported pixel format. Нормализуйте источник в PBM, PGM или PPM и повторите операцию. Не делайте вывод о поддержке только по расширению файла.

Программа не принимает PDF. Это штатное ограничение, а не ошибка установки. Сначала превратите нужные страницы в растры, затем после обработки снова соберите документ.

Пропал полезный фрагмент. Вернитесь к исходнику, отключите подозрительный blackfilter/noisefilter/grayfilter либо сузьте область действия маской или исключением. Не исправляйте уже очищенный файл повторной обработкой.

Выходной файл уже существует. Используйте другое имя. Параметр overwrite включайте только если предыдущая версия результата больше не нужна или сохранена отдельно.

После обновления поведение изменилось. Зафиксируйте unpaper —version, версию FFmpeg и подробный вывод -vv, воспроизведите проблему на одном файле и только после этого меняйте параметры.

Контроль результата перед сборкой PDF

Перед передачей обработанной партии дальше проверьте одинаковость размеров страниц, отсутствие срезанных номеров, сохранность тонких линий и иллюстраций, правильность разворота и отсутствие случайных чёрных полос. Если следующая стадия создаёт PDF, откройте итоговый документ отдельным просмотрщиком и убедитесь, что порядок страниц совпадает с именами. Для редактирования уже собранного PDF можно использовать инструменты другого класса, например Master PDF Editor; unpaper на этом этапе свою задачу уже выполнил.

Часто задаваемые вопросы

Можно ли проверить файл, не создавая результат?

Да. Параметр —test-only запрещает запись выходного файла. В сочетании с verbose он полезен для диагностики входа и параметров до реальной обработки.

Как временно отключить почти всю обработку?

Опция —no-processing для указанного диапазона листов отключает основные стадии. При этом pre/post rotation, зеркальное отражение и преобразование глубины при сохранении остаются возможными.

Можно ли привести разные сканы к одинаковому размеру листа?

Да. —sheet-size задаёт фиксированный размер. Если исходник меньше, он центрируется на фоне листа; если больше, края могут быть обрезаны. Поддерживаются и стандартные имена вроде a4, letter и их landscape-варианты.

Зачем задавать DPI, если unpaper работает с пикселями?

—dpi используется при переводе физических единиц вроде сантиметров и дюймов в пиксели. В справке значение по умолчанию — 300 DPI; параметр нужно указывать до размеров с физическими суффиксами.

Можно ли выбрать тип выходного PNM явно?

Да. Параметр —type принимает pbm, pgm или ppm, то есть монохромный, 8-битный серый или 24-битный RGB-вывод. Без него выбирается ближайший тип к исходному пиксельному представлению.

Как управлять нумерацией в шаблонах имён?

—start-input и —start-output задают первые номера, подставляемые вместо %d. Это удобно, если обработка начинается не с первой страницы архива.

Чем insert-blank отличается от replace-blank?

—insert-blank вставляет пустое содержимое в заданной позиции, не потребляя очередной исходный файл; —replace-blank заменяет соответствующую входную позицию пустой страницей и игнорирует её изображение.

Вывод

unpaper подходит тем, кто строит локальный, воспроизводимый конвейер обработки сканов и готов управлять им из командной строки. Его сильные стороны — специализированные фильтры для бумажных страниц, deskew, single/double layout, маски и пакетные шаблоны. Особенно уместна утилита между сканированием и OCR, когда исходные страницы однородны и один проверенный набор параметров можно применить к большой серии.

Не стоит выбирать unpaper как универсальный PDF-инструмент, OCR-программу или приложение для визуальной ручной ретуши. Отсутствие GUI, вывод только в PNM и необходимость внешней сборки PDF увеличивают число стадий. Для интерактивной подготовки страниц логичнее ScanTailor Advanced, для поискового PDF — OCRmyPDF или полноценная OCR-система, для широких преобразований изображений — ImageMagick. Если задача ограничена чтением уже готового документа, достаточно просмотрщика вроде Sumatra PDF и этап unpaper вообще не нужен.

Главное условие качественного результата — сохранять исходники и относиться к автоматической очистке как к проверяемой обработке, а не к безошибочному «улучшателю». При таком подходе даже медленно развивающаяся версия 7.0.0 остаётся полезным компонентом современного архивного и OCR-процесса.