Compressão de imagem

Uma imagem sem compressão é uma lista de pixels, cada um com sua cor. Uma foto de 3000 x 2000 pixels em cores, com 3 bytes por pixel, ocupa 18 MB antes de qualquer compressão. Em um PDF com várias páginas assim, o tamanho sobe rápido.

A compressão de imagem é o que torna isso viável. Em PDFs com fotos ou páginas digitalizadas, as imagens costumam ser a maior parte do tamanho do arquivo, bem mais que o texto.

Os filtros de imagem que o PDF prevê

A especificação do PDF (ISO 32000-1) lista, entre os filtros de compressão, estes usados em imagens:

DCTDecode (JPEG): baseado na norma JPEG, com perdas. É o filtro das fotos e das digitalizações coloridas em JPEG. A razão típica do JPEG é de cerca de 10:1.

FlateDecode: o DEFLATE (zlib), sem perdas, o mesmo do ZIP e do PNG. Combina bem com imagens de cores chapadas, como gráficos e prints de tela.

CCITTFaxDecode: o padrão de compressão de fax, usado em imagens monocromáticas (1 bit por pixel). O Group 4 também está disponível no TIFF.

JBIG2Decode: também para imagens monocromáticas. Ele agrupa os pixels de primeiro plano em símbolos, que na prática costumam corresponder a letras, monta um dicionário e descreve em quais posições cada símbolo aparece. O padrão suporta modo sem perdas e modo com perdas. Segundo o grupo que o criou, no modo sem perdas ele costuma gerar arquivos de 3 a 5 vezes menores que o Group 4. No modo com perdas, a especificação do PDF diz que a imagem decodificada pode ser uma aproximação da original, e a Wikipedia registra que implementações ruins podem trocar caracteres parecidos entre si (houve casos de “6” trocado por “8” em copiadoras, em 2013). Para documento com números, isso exige cuidado.

JPXDecode (JPEG 2000): baseado em wavelets, previsto a partir do PDF 1.5.

Na prática

Um PDF digitalizado em cores e em resolução alta tende a ser pesado, porque o número de pixels cresce com o quadrado da densidade (tamanho em polegadas multiplicado pelo DPI). Três variáveis mudam o resultado:

• Resolução. Passar de 600 para 300 DPI reduz o número de pixels a um quarto. O arquivo comprimido não cai necessariamente a um quarto, mas tende a diminuir bastante.
• Modo de cor. Uma imagem de 1 bit (preto e branco) carrega muito menos dados por pixel que uma colorida, e é para esse tipo de imagem que existem o CCITT Group 4 e o JBIG2. O Anexo I do Decreto 10.278/2020 indica, por exemplo, o modo monocromático para textos impressos sem ilustração.
• Nível de compressão. No JPEG, é o ajuste de qualidade, que muda quanto detalhe é descartado.

No FacilPDF, a ferramenta de comprimir PDF não usa JBIG2 nem CCITT. O nível padrão recomprime em JPEG as imagens JPEG embutidas e redimensiona as que passam de 1600 pixels no maior lado, mantendo o texto. Os níveis Leve, Recomendado e Máximo renderizam cada página como imagem JPEG, com resolução e qualidade menores, e o texto deixa de ser selecionável. A ferramenta de PDF em preto e branco converte as páginas para tons de cinza e salva como imagem JPEG; não gera imagem de 1 bit.

Uma ordem de ajuste

Resolução e modo de cor mudam a quantidade de dados antes da compressão, enquanto o ajuste de qualidade do JPEG age depois. Por isso, uma forma de organizar o trabalho é começar pela resolução (evitando excessos), depois decidir se a cor é necessária e só então mexer na qualidade, conferindo o resultado a cada passo.

Se o objetivo é imprimir ou passar o documento por OCR, seja mais conservador: a documentação do Tesseract, motor de OCR de código aberto, indica 300 DPI como ponto em que ele funciona melhor, e ruído na imagem reduz a precisão. O tutorial de reduzir tamanho de PDF detalha as etapas.