스캔한 문서에 OCR을 실행하면 문자 e가 첫 번째 페이지에서는 올바르게 인식되지만 세 번째 페이지에서는 c로 나타납니다. 동일한 문서에 동일한 글꼴의 동일한 문자가 동일한 스캐너에서 동일한 해상도로 스캔되었습니다. OCR 엔진은 페이지마다 다른 결정을 내렸습니다. 이 불일치는 버그가 아닙니다. 이는 OCR 엔진이 각 페이지를 독립적으로 처리하는 방식과 페이지 간의 미묘한 차이가 문자 인식에 미치는 영향의 결과입니다.
OCR PDF 엔진은 페이지를 독립적으로 처리합니다. 인식 알고리즘은 각 페이지 이미지에서 개별적으로 실행됩니다. 1페이지에서 3페이지까지 내용을 전달하지 않습니다. 3페이지 이미지의 대비가 약간 낮거나 문자 e 근처에 작은 얼룩이 있거나 스캐닝 인공물이 있는 경우 e가 c로 잘못 인식될 수 있습니다. 첫 번째 페이지에는 이러한 문제가 없으므로 e가 올바르게 인식되었습니다.
페이지 간 변형이 OCR에 영향을 미치는 이유
스캔하면 페이지 간에 미묘한 차이가 발생합니다. 페이지가 스캐너 유리 위에 완벽하게 편평하지 않았을 수 있습니다. 조명이 약간 고르지 않았을 수 있습니다. 먼지 한 점이 페이지 사이의 스캐너에 묻었을 수 있습니다. 이러한 각 변형은 스캔한 이미지의 픽셀 값을 변경하며 OCR 엔진은 이러한 변경된 픽셀을 문자 신원에 대한 다른 증거로 간주합니다.
페이지 간 용지 품질 차이는 OCR에 영향을 미칩니다. 첫 번째 페이지는 밝은 흰색이고 매끄러울 수 있습니다. 세 번째 페이지는 취급 시 약간 누렇게 변하거나 표면이 거칠어질 수 있습니다. 스캐너는 이러한 차이점을 포착하고 OCR 엔진은 종이 질감을 통해 문자를 해석해야 합니다. 거친 용지는 더 많은 빛을 산란시켜 효과적인 대비를 감소시킵니다.
스캔 PDF 이미지 압축으로 인해 페이지마다 다른 아티팩트가 발생할 수 있습니다. 스캔한 각 페이지에 적용된 JPEG 압축은 독립적으로 작동합니다. 1페이지의 압축 아티팩트는 3페이지의 아티팩트와 다릅니다. OCR 엔진은 동일한 문자 주변의 다양한 픽셀 패턴을 확인하여 때로는 다른 인식 결정을 내리게 됩니다.
문자 모호성과 인식 신뢰도
모든 OCR 인식 결정에는 관련 신뢰도 점수가 있습니다. 엔진은 해당 결정에 대한 가장 가능성 있는 캐릭터와 신뢰도를 보고합니다. 98%의 신뢰도로 인식된 문자는 거의 확실하게 정확합니다. 신뢰도 60%로 인식된 문자는 틀릴 수도 있습니다. 엔진이 최선의 추측을 보고하는 기준과 불확실한 문자를 보고하는 기준은 엔진마다 다릅니다.
시각적으로 유사한 문자 쌍인 e와 c, i와 l, rn과 m, O와 0은 완벽한 스캔에서도 시각적 증거가 모호하기 때문에 본질적으로 인식 신뢰도가 낮습니다. W와 같은 독특한 캐릭터에 영향을 주지 않는 약간의 스캐닝 변형은 모호한 캐릭터를 한 정체성에서 다른 정체성으로 기울일 수 있습니다.
스캔 전 원본 문서의 PDF 품질은 OCR 일관성의 가장 큰 요소입니다. 깨끗하고 선명한 레이저 인쇄 원본은 모든 페이지에서 일관된 OCR을 생성합니다. 다양한 인쇄 품질을 지닌 희미한 카본 복사는 원본 품질이 페이지마다 다르기 때문에 일관되지 않은 OCR을 생성합니다.
페이지 전반에 걸쳐 OCR 일관성 개선
OCR 전에 동일한 설정으로 모든 페이지를 전처리합니다. 모든 페이지에 일관된 대비 조정, 기울기 조정 및 노이즈 제거를 적용합니다. 전처리는 페이지 이미지를 정규화하여 어떤 페이지에 있든 동일한 문자가 동일한 픽셀 값으로 표시되도록 합니다.
투표 또는 다중 패스 인식을 지원하는 OCR 엔진을 사용합니다. 일부 엔진은 각 페이지 이미지를 다양한 설정으로 여러 번 처리하고 결과를 비교합니다. 모든 패스에서 일관되게 인식되는 캐릭터는 유효 신뢰도가 더 높습니다. 인식이 충돌하는 캐릭터는 검토를 위해 플래그가 지정됩니다.
WukongPDF는 브라우저를 통해 문서의 모든 페이지에 걸쳐 일관된 처리로 OCR을 제공하여 페이지 간 인식 품질 차이를 줄입니다.
중요 문서에 대한 OCR 이후 검증
OCR 출력에서 맞춤법 검사를 실행합니다. 맞춤법 검사기에서 맞춤법이 틀린 것으로 표시되는 단어에는 인식 오류가 포함되는 경우가 많습니다. 맞춤법 검사기는 어떤 문자가 잘못되었는지 알지 못하지만 사람의 검토가 필요한 단어를 식별합니다.
페이지 샘플에 대해 OCR 출력을 원본 스캔과 비교하십시오. 샘플에서 특정 문자에 대한 인식이 일관되지 않은 것으로 나타나면 해당 문자는 문서 전체에서 잘못 인식될 가능성이 높으므로 전역적으로 검색하고 수정해야 합니다.
적응형 인식을 지원하는 OCR 엔진은 이전 페이지에서 이미 인식한 문자를 기반으로 문자 모델을 조정합니다. 이 적응형 접근 방식은 사전 훈련된 문자 모델에만 의존하는 대신 문서 자체에서 특정 글꼴 특성을 학습하여 일관성을 향상시킵니다.
페이지 배경색은 흰색에서 황백색, 연한 크림색까지 미묘한 차이가 있어도 이진화 임계값에 영향을 미치고 문자가 배경에서 분리되는 방식을 변경할 수 있습니다. 문서 시작 부분의 페이지는 덜 처리되어 끝 페이지보다 가벼울 수 있습니다.
페이지 전체의 스캔 해상도 일관성은 OCR 일관성에 매우 중요합니다. 일부 오래된 스캐너나 품질이 낮은 스캐너처럼 설정된 해상도와 실제 해상도가 다른 스캐너는 유효 해상도가 다른 페이지를 생성합니다. 300DPI로 설정하면 실제 290DPI로 스캔한 페이지는 실제 300DPI로 스캔한 페이지와 문자 모양이 약간 다릅니다.
인식 보고를 위한 OCR 엔진 신뢰도 임계값을 조정할 수 있습니다. 임계값이 높을수록 더 적은 수의 문자가 보고되지만 정확도는 더 높아집니다. 임계값이 낮을수록 더 많은 문자가 보고되지만 오류도 더 많이 발생합니다. 임계값을 조정하면 여러 페이지의 여백 문자가 일관되게 보고되는지 여부에 영향을 줍니다.
동일한 페이지를 두 개 이상의 서로 다른 OCR 엔진으로 처리하고 그 결과를 비교하는 다중 엔진 OCR은 엔진이 일치하지 않는 문자를 식별할 수 있습니다. 이러한 불일치 지점은 인식 오류일 가능성이 높으며 사람의 검토를 위해 플래그가 지정될 수 있습니다.
문서의 역사적 맥락은 OCR 기대에 중요합니다. 1985년에 도트 매트릭스 프린터로 인쇄된 문서는 2025년에 레이저 프린터로 인쇄한 문서보다 본질적으로 낮고 일관성이 떨어지는 OCR 품질을 갖습니다. 문서 연령과 인쇄 기술을 기반으로 OCR 정확도 기대치를 설정하면 비현실적인 기대를 피할 수 있습니다.
엔진 버전, 설정 및 적용된 모든 전처리를 포함하여 OCR 프로세스를 문서화하면 다양한 처리 세션의 OCR 결과를 비교하고 둘 사이의 불일치를 찾을 수 있는 향후 사용자에게 컨텍스트를 제공할 수 있습니다.
OCR이 각 페이지를 독립적으로 처리한다는 점을 이해하면 페이지 간 변형을 설명하고 사용자에게 일관성을 향상시키는 전처리 기술 및 다중 패스 인식 전략을 안내합니다.
스캔한 문서의 모든 페이지에서 완벽한 OCR 일관성을 추구하는 것은 궁극적으로 원본 문서의 품질과 일관성 및 스캔 프로세스에 의해 제한됩니다.
스캔실의 주변 조명은 스캐너 덮개가 열렸거나 세션 중에 햇빛이 변경된 경우 페이지마다 달라질 수 있으며, 이는 이미지 대비와 문자 인식 일관성에 영향을 미칩니다.
신경망 기반 OCR 엔진은 더 다양한 문자 모양과 조건에 대해 학습되기 때문에 일반적으로 기존 패턴 일치보다 페이지 전체에서 더 일관됩니다.
페이지 이미지가 약간 회전하는 문서 기울어짐은 문자 인식에 영향을 미칩니다. 왜냐하면 OCR 엔진은 인식 전에 기울어져야 하고 페이지 간에 다양한 보간이 도입되기 때문입니다.
OCR 이후 철자 교정은 출력을 사전과 비교하여 한 페이지에서는 철자가 정확하지만 다른 페이지에서는 철자가 틀린 단어에 플래그를 지정하여 일관되지 않은 인식을 포착합니다.
OCR 일관성이 필요한 중요한 문서의 경우, 서로 다른 설정으로 OCR을 두 번 실행하고 출력을 비교하면 두 처리 단계 간에 다르게 인식되는 문자가 식별됩니다.
스캐너 유리 온도는 긴 스캔 세션 동안 변할 수 있으며, 이로 인해 스캐너 센서 감도가 약간 변경되어 초기 페이지와 후반 페이지 간에 캡처된 픽셀 값에 측정 가능한 차이가 발생합니다.
OCR 전처리의 적응형 임계값 알고리즘은 각 페이지를 독립적으로 분석하고, 전체 밝기가 약간 다른 페이지는 문자 모양에 영향을 미치는 다른 임계값을 받습니다.
인쇄된 문서의 물리적 마모, 지문, 얼룩 및 주름은 모든 페이지에 고르게 분포되는 경우가 거의 없으므로 일부 페이지에는 다른 페이지보다 OCR 장애물이 더 많이 발생합니다.
원본 문서에 포함된 글꼴은 OCR 일관성에 영향을 미칠 수 있습니다. 포함된 글꼴에는 특정 페이지의 작은 크기에서 문자 렌더링을 향상시키는 힌트 지침이 포함되어 있기 때문입니다.
스캔한 페이지에 적용된 PDF 압축으로 인해 페이지마다 다른 JPEG 아티팩트가 발생할 수 있으며 이러한 아티팩트는 문자 경계에서 픽셀 값을 변경할 수 있습니다.
동일한 페이지를 다른 설정으로 여러 번 처리하고 결과를 비교하는 다중 패스 OCR 투표는 이상값 인식을 거부하여 일관성을 크게 향상시킵니다.
문서 자체에서 올바르게 인식된 문자 샘플에 대해 OCR 엔진을 훈련하는 과정(적응 인식이라고 함)은 엔진에 특정 글꼴 특성을 가르쳐 일관성을 향상시킵니다.
문서 인쇄 품질의 다양성, 토너 수준이나 인쇄 헤드 상태로 인해 일부 페이지에서는 더 어두운 텍스트, 다른 페이지에서는 더 밝은 텍스트로 인해 OCR 입력 품질에 체계적 차이가 발생합니다.
인식 후 통계 분석을 통해 해당 페이지의 특정 문자에 영향을 미치는 체계적인 인식 오류를 나타내는 비정상적인 문자 빈도 분포가 있는 페이지를 식별할 수 있습니다.
아카이브 디지털화 프로젝트의 경우 각 배치에 사용된 OCR 설정 및 엔진 버전을 문서화하면 향후에 보다 일관된 결과를 생성할 수 있는 개선된 엔진을 사용하여 재처리할 수 있습니다.
OCR 불일치의 원인을 이해하면 사용자가 인식 정확도에 대한 현실적인 기대치를 설정하고 적절한 확인 절차를 적용하는 데 도움이 됩니다.
OCR 전처리 및 품질 검증에 대한 투자는 수동 수정 시간을 줄이고 보다 신뢰할 수 있는 검색 가능한 문서 아카이브로 보답합니다.
| 변이 소스 | OCR에 미치는 영향 | 완화 |
|---|---|---|
| 스캐닝 해상도 차이 | 문자 모양은 픽셀 수에 따라 다릅니다. | 스캐너를 교정합니다. 실제 DPI 확인 |
| 종이 노화/황변 | 오래된 페이지의 대비 감소 | 균일한 대비 보정 적용 |
| JPEG 압축 아티팩트 | 캐릭터 가장자리 근처의 블록 아티팩트 | 보관 스캔에 PNG 또는 TIFF 사용 |
| 특정 페이지의 먼지/얼룩 | 분음 부호나 구두점으로 오해되는 부분 | 스캐너 유리를 청소하십시오. 이미지 전처리 |