OCR은 광학 문자 인식을 의미합니다. 사진, 스캔한 문서, 텍스트 레이어가 없는 PDF 등의 텍스트 이미지를 기계가 읽을 수 있는 실제 문자로 변환하는 기술입니다. OCR의 작동 방식을 이해하면 더 나은 결과를 얻을 수 있고 성공할 부분과 부족한 부분에 대한 현실적인 기대치를 설정하는 데 도움이 됩니다.
OCR이 실제로 수행하는 작업
문서를 스캔하거나 페이지 사진을 찍으면 래스터 이미지, 즉 컬러 픽셀 격자가 생성됩니다. 해당 이미지의 텍스트는 사용자의 눈에는 텍스트처럼 보이지만 컴퓨터에서는 고유한 의미가 없는 어둡고 밝은 점의 패턴일 뿐입니다. OCR 소프트웨어는 이러한 픽셀 패턴을 분석하고, 알려진 알파벳의 문자에 해당하는 모양을 식별하고, 이를 컴퓨터가 저장, 검색 및 처리할 수 있는 텍스트 문자열로 변환합니다.
PDF의 OCR 출력은 일반적으로 검색 가능한 PDF입니다. 이 파일은 원본 스캔과 시각적으로 동일해 보이지만 이미지 뒤에 보이지 않는 텍스트 레이어가 포함되어 있습니다. Ctrl+F를 눌러 검색하거나 텍스트를 복사하거나 검색 엔진에 문서 색인을 요청하면 보이는 이미지가 아닌 이 텍스트 레이어가 사용됩니다.
OCR 소프트웨어가 문자를 인식하는 방법
최신 OCR 엔진은 이미지 전처리, 패턴 일치, 기계 학습을 조합하여 문자를 식별합니다. 이 프로세스는 일반적으로 여러 단계로 진행됩니다.
- 전처리: 이미지가 정리됩니다. 기울어짐이 수정되고(기울어짐 보정), 노이즈가 제거되고, 대비가 향상되며, 이미지가 이진화(순수한 흑백으로 변환)되어 문자가 더욱 선명하게 나타날 수 있습니다.
- 레이아웃 분석: 소프트웨어는 페이지에서 텍스트 블록, 열, 헤더, 이미지 및 표가 어디에 있는지 식별합니다. 이는 읽기 순서를 결정하고 OCR 엔진이 인접한 열의 콘텐츠를 혼합하는 것을 방지합니다.
- 문자 분할: 개별 문자는 서로 분리되고 주변 공백과도 분리됩니다. 생각보다 어려운 작업입니다. 필기체 문자가 터치되고, 잘못 인쇄된 문서의 문자가 조각나고, 구두점이 흩어진 표시로 오인될 수 있습니다.
- 문자 인식: 분할된 각 문자를 훈련된 모델과 비교합니다. 최신 OCR은 다양한 글꼴, 크기 및 인쇄 조건에 걸쳐 수백만 개의 문자 예제를 학습한 딥 러닝 모델을 사용합니다.
- 상황별 수정: 인식된 문자를 언어 모델과 비교하여 확인합니다. "hcllo" "안녕하세요"라고 대답할 가능성이 더 높습니다. 단어 빈도에 따라 엔진이 이를 수정합니다. 이 상황별 단계는 모호한 문자의 정확성을 크게 향상시킵니다.
OCR 정확도를 결정하는 요소
가장 큰 요인은 스캔 품질입니다. 원본 이미지가 흐리거나, 해상도가 낮거나, 조명이 약하거나, 비스듬히 기울어지거나, 배경이 어둡거나 무늬가 있는 경우 OCR 정확도가 급격하게 떨어집니다. 일관된 조명 아래에서 300DPI로 깨끗하게 스캔하면 표준 인쇄 텍스트에 대해 95~99%의 정확도가 생성됩니다. 어두운 조명 아래 휴대폰에서 72 DPI로 스캔한 동일한 문서는 60~70%의 정확도를 생성할 수 있습니다. 이는 요점을 파악하는 데 충분하지만 정확한 텍스트 추출에는 유용하지 않습니다.
언어 선택도 매우 중요합니다. OCR 엔진은 특정 언어 및 문자 집합에 대해 훈련됩니다. 영어로 구성된 OCR 엔진을 통해 아랍어 문서를 실행하면 결과가 좋지 않습니다. WukongPDF의 OCR PDF 도구는 다양한 언어 모델을 지원합니다. 최적의 정확성을 위해 처리하기 전에 항상 올바른 언어를 선택하세요.
아래 표에는 다양한 문서 유형 및 조건에 따른 예상 정확도 범위가 요약되어 있습니다.
이는 일반적인 범위입니다. 개별 결과는 사용된 특정 문서, 스캔 장비 및 OCR 엔진에 따라 다릅니다.
스캔한 PDF와 기본 디지털 PDF의 OCR
일반적인 오해를 명확히 하는 것이 좋습니다. 모든 PDF에 OCR이 필요한 것은 아닙니다. 워드 프로세서, 스프레드시트 또는 디자인 응용 프로그램에서 직접 만든 PDF에는 이미 텍스트 레이어가 포함되어 있습니다. 문자는 픽셀이 아닌 실제 텍스트 데이터로 저장됩니다. OCR 처리 없이 이러한 파일의 텍스트를 선택, 복사 및 검색할 수 있습니다.
OCR은 이미지 기반 PDF(종이 문서를 스캔하여 생성된 파일, 이미지 파일에서 내보낸 PDF 또는 내보내기 프로세스 중에 텍스트가 윤곽선으로 변환된 PDF)에만 필요합니다. 빠른 테스트는 PDF에서 텍스트를 선택하는 것입니다. 개별 단어를 강조 표시할 수 있으면 텍스트 레이어가 이미 존재하는 것입니다. 커서가 십자선으로 바뀌거나 직사각형 영역만 선택할 수 있는 경우 콘텐츠는 이미지 기반이며 OCR을 통해 검색 가능하게 됩니다.
| 문서 유형 | OCR 정확도 | 공통 과제 | 팁 |
|---|---|---|---|
| 인쇄된 텍스트를 깨끗하게 | 95~99% | 유사문자(0/O, l/1) | 300DPI 이상의 스캔을 사용하세요. |
| 타자기 문서 | 90~97% | 잉크 품질 저하, 리본 간격 | OCR 전 고대비 |
| 손으로 쓴 텍스트 | 60~85% | 불규칙한 글자체, 합자 | 전문적인 필기 모델이 필요함 |
| 저해상도 스캔(150DPI 미만) | 50~80% | 흐릿한 문자, 픽셀화 | 가능하면 더 높은 DPI로 다시 스캔하세요. |
| 비라틴 문자(아랍어, 중국어) | 85~95% | 캐릭터의 복잡성, 방향성 | OCR 설정에서 올바른 언어를 선택하세요 |
| 복잡한 테이블 및 양식 | 80~92% | 텍스트와 병합되는 셀 테두리 | OCR 후 수동으로 테이블 영역 검토 |
PDF에 OCR을 적용하는 방법
WukongPDF의 OCR PDF 도구는 브라우저에서 프로세스를 처리합니다. 스캔한 PDF를 업로드하고 문서 언어를 선택한 후 변환하세요. 출력은 텍스트 레이어가 포함된 검색 가능한 PDF입니다. 시각적으로 입력과 동일하지만 이제 완전히 검색하고 텍스트를 선택할 수 있습니다. 여러 페이지로 구성된 문서는 한 번의 작업으로 처리됩니다.
중요한 문서의 정확도를 높이려면 300DPI 이상으로 스캔하고, 그림자 없이 고른 조명을 사용하고, 스캔하기 전에 페이지가 편평하고 똑바른지 확인하세요. 입력 이미지가 깨끗할수록 OCR 출력이 향상됩니다. OCR을 실행하기 전에 스캔을 사전 처리하면 정확성이 중요한 문서에 항상 도움이 됩니다.