광학 문자 인식(OCR)은 텍스트 이미지(스캔, 스마트폰 사진, PDF)를 기계가 읽을 수 있는 문자열로, 그리고 점점 더 구조화된 데이터로 변환합니다. 최신 OCR은 이미지를 정리하고, 텍스트를 찾고, 읽고, 풍부한 메타데이터를 내보내는 파이프라인으로, 다운스트림 시스템이 필드를 검색, 색인 또는 추출할 수 있도록 합니다. 널리 사용되는 두 가지 출력 표준은 hOCR, 텍스트 및 레이아웃을 위한 HTML 마이크로포맷, 및 ALTO XML, 도서관/기록 보관소 지향 스키마입니다. 둘 다 위치, 읽기 순서 및 기타 레이아웃 단서를 보존하며 다음과 같은 인기 있는 엔진에서 지원됩니다. Tesseract.
전처리. OCR 품질은 이미지 정리부터 시작됩니다: 그레이스케일 변환, 노이즈 제거, 임계값 처리(이진화) 및 기울기 보정. 표준 OpenCV 튜토리얼은 전역, 적응형 및 Otsu 임계값 처리를 다룹니다. 이는 불균일한 조명이나 이중 모드 히스토그램이 있는 문서의 필수 요소입니다. 페이지 내에서 조명이 달라지면 (휴대폰 사진을 생각해보세요), 적응형 방법이 단일 전역 임계값보다 성능이 뛰어난 경우가 많습니다. Otsu는 히스토그램을 분석하여 자동으로 임계값을 선택합니다. 기울기 보정도 마찬가지로 중요합니다: Hough 기반 기울기 보정(Hough 라인 변환)과 Otsu 이진화를 함께 사용하면 프로덕션 전처리 파이프라인에서 일반적이고 효과적인 방법입니다.
탐지 대 인식. OCR은 일반적으로 텍스트 탐지(텍스트는 어디에 있는가?)와 텍스트 인식(무슨 내용인가?)으로 나뉩니다. 자연스러운 장면과 많은 스캔에서 완전 컨볼루션 탐지기 같은 EAST 는 무거운 제안 단계 없이 단어 또는 줄 수준의 사각형을 효율적으로 예측하며 일반적인 툴킷(예: OpenCV의 텍스트 탐지 튜토리얼)에 구현되어 있습니다. 복잡한 페이지(신문, 양식, 책)에서는 줄/영역의 분할과 읽기 순서 추론이 중요합니다:Kraken 은 전통적인 영역/줄 분할과 신경망 기준선 분 할을 구현하며, 다양한 스크립트와 방향(LTR/RTL/수직)을 명시적으로 지원합니다.
인식 모델. 고전적인 오픈 소스 주력 제품인 Tesseract (HP에서 시작하여 Google이 오픈 소스로 공개)는 문자 분류기에서 LSTM 기반 시퀀스 인식기로 발전했으며 검색 가능한 PDF, hOCR/ALTO 친화적인 출력등을 CLI에서 내보낼 수 있습니다. 최신 인식기는 미리 분할된 문자 없이 시퀀스 모델링에 의존합니다. 연결주의적 시간 분류(CTC) 는 입력 특징 시퀀스와 출력 레이블 문자열 간의 정렬을 학습하는 기본으로 남아 있으며, 필기 및 장면 텍스트 파이프라인에서 널리 사용됩니다.
지난 몇 년 동안 Transformer는 OCR을 재구성했습니다. TrOCR 은 비전 Transformer 인코더와 텍스트 Transformer 디코더를 사용하며, 대규모 합성 코퍼스에서 훈련한 다음 실제 데이터로 미세 조정하여 인쇄, 필기 및 장면 텍스트 벤치마크에서 강력한 성능을 보입니다(참조: Hugging Face 문서). 병행하여 일부 시스템은 다운스트림 이해를 위해 OCR을 건너뜁니다: Donut(문서 이해 Transformer) 은 문서 이미지에서 직접 구조화된 답변(키-값 JSON 등)을 출력하는 OCR 없는 인코더-디코더입니다(리포지토리, 모델 카드), 별도의 OCR 단계가 IE 시스템에 공급될 때 오류 누적을 방지합니다.
많은 스크립트에서 바로 사용할 수 있는 텍스트 읽기를 원한다면 EasyOCR 은 80개 이상의 언어 모델과 함께 간단한 API를 제공하여 상자, 텍스트 및 신뢰도를 반환하므로 프로토타입과 비라틴 스크립트에 유용합니다. 역사적 문서의 경우 Kraken 은 기준선 분할 및 스크립트 인식 읽기 순서로 뛰어납니다. 유연한 줄 수준 훈련을 위해 Calamari 는 Ocropy 계보를 기반으로 합니다(Ocropy) (다중)LSTM+CTC 인식기와 사용자 지정 모델 미세 조정을 위한 CLI가 있습니다.
일반화는 데이터에 달려 있습니다. 필기의 경우 IAM 필기 데이터베이스 는 훈련 및 평가를 위해 다양한 필체의 영어 문장을 제공합니다. 이는 줄 및 단어 인식을 위한 오랜 참조 세트입니다. 장면 텍스트의 경우 COCO-Text 는 MS-COCO 위에 광범위한 주석을 계층화했으며, 인쇄/필기, 읽기 가능/읽기 불가능, 스크립트 및 전체 전사에 대한 레이블이 있습니다(원본 프로젝트 페이지참조). 이 분야는 또한 합성 사전 훈련에 크게 의존합니다: SynthText in the Wild 는 사실적인 기하학과 조명으로 사진에 텍스트를 렌더링하여 사전 훈련 탐지기 및 인식기를 위한 방대한 양의 데이터를 제공합니다(참조: 코드 및 데이터).
ICDAR의 강력한 읽기 산하의 대회는 평가를 현실에 기반하게 합니다. 최근 과제는 종단 간 탐지/읽기를 강조하며 단어를 구문으로 연결하는 것을 포함하며, 공식 코드 보고 정밀도/재현율/F-점수, 교차 오버 유니온 (IoU) 및 문자 수준 편집 거리 메트릭—실무자가 추적해야 할 사항을 반영합니다.
OCR은 일반 텍스트로 끝나는 경우가 거의 없습니다. 아카이브 및 디지털 도서관은 ALTO XML 을 선호합니다. 왜냐하면 콘텐츠와 함께 물리적 레이아웃(좌표가 있는 블록/줄/단어)을 인코딩하고 METS 패키징과 잘 어울리기 때문입니다. hOCR 마이크로포맷은 대조적으로 ocr_line 및 ocrx_word와 같은 클래스를 사용하여 동일한 아이디어를 HTML/CSS에 포함시켜 웹 도구로 쉽게 표시, 편집 및 변환할 수 있도록 합니다. Tesseract는 둘 다 노출합니다. 예를 들어 CLI에서 직접 hOCR 또는 검색 가능한 PDF 생성(PDF 출력 가이드); pytesseract 와 같은 Python 래퍼는 편의성을 더합니다. 리포지토리에 고정된 수집 표준이 있을 때 hOCR과 ALTO 간에 변환하는 변환기가 있습니다. 이 선별된 목록을 참조하십시오. OCR 파일 형식 도구.
가장 강력한 추세는 융합입니다: 탐지, 인식, 언어 모델링, 심지어 작업별 디코딩까지 통합된 Transformer 스택으로 통합되고 있습니다. 대규모 합성 코퍼스 에서의 사전 훈련은 여전히 힘의 승수입니다. OCR 없는 모델은 대상이 글자 그대로의 전사가 아닌 구조화된 출력인 곳이면 어디에서나 공격적으로 경쟁할 것입니다. 하이브리드 배포도 기대하십시오: 긴 형식 텍스트를 위한 경량 탐지기 + TrOCR 스타일 인식기, 그리고 양식 및 영수증을 위한 Donut 스타일 모델.
Tesseract (GitHub) · Tesseract 문서 · hOCR 사양 · ALTO 배경 · EAST 탐지기 · OpenCV 텍스트 탐지 · TrOCR · Donut · COCO-Text · SynthText · Kraken · Calamari OCR · ICDAR RRC · pytesseract · IAM 필기 · OCR 파일 형식 도구 · EasyOCR
광학 문자 인식 (OCR)은 스캔된 종이 문서, PDF 파일 또는 디지털 카메라로 촬영된 이미지와 같은 다양한 유형의 문서를 편집 가능하고 검색 가능한 데이터로 변환하는데 사용되는 기술입니다.
OCR은 입력 이미지 또는 문서를 스캔하고, 이미지를 개별 문자로 분할하고, 패턴 인식 또는 특징 인식을 사용하여 각 문자를 문자 모양의 데이터베이스와 비교하는 방식으로 작동합니다.
OCR은 인쇄된 문서를 디지털화하고, 텍스트를 음성 서비스를 활성화하고, 데이터 입력 과정을 자동화하며, 시각 장애 사용자가 텍스트와 더 잘 상호작용하도록 돕는 등 다양한 부문과 응용 프로그램에서 사용됩니다.
OCR 기술에는 큰 발전이 있었지만, 완벽하지는 않습니다. 원본 문서의 품질과 사용 중인 OCR 소프트웨어의 특정사항에 따라 정확성이 달라질 수 있습니다.
OCR은 주로 인쇄된 텍스트에 대해 설계되었지만, 일부 고급 OCR 시스템은 분명하고 일관된 필기를 인식할 수도 있습니다. 그러나 일반적으로 필기체 인식은 개개인의 글씨 스타일에 있는 넓은 차이 때문에 덜 정확합니다.
네, 많은 OCR 소프트웨어 시스템은 여러 언어를 인식할 수 있습니다. 그러나, 특정 언어가 사용 중인 소프트웨어에 의해 지원되는지 확인하는 것이 중요합니다.
OCR은 광학 문자 인식을 의미하며 인쇄된 텍스트를 인식하는데 사용되는 반면, ICR은 Intelligent Character Recognition의 약자로서 필기 텍스트를 인식하는데 사용되는 더 고급스러운 기술입니다.
OCR은 명확하고 읽기 쉬운 글꼴과 표준 텍스트 크기와 가장 잘 작동합니다. 다양한 글꼴과 크기로 작업할 수 있지만, 특이한 글꼴이나 매우 작은 텍스트 크기를 처리할 때 정확도가 떨어질 수 있습니다.
OCR은 해상도가 낮은 문서, 복잡한 폰트, 인쇄 상태가 좋지 않은 텍스트, 필기체, 텍스트와 방해되는 배경을 가진 문서 등에 대해 어려움을 겪을 수 있습니다. 또한, 많은 언어를 처리할 수 있지만 모든 언어를 완벽하게 커버하지는 않을 수 있습니다.
네, OCR은 컬러 텍스트와 배경을 스캔할 수 있지만, 일반적으로 검은색 텍스트와 흰색 배경과 같은 높은 대비 색상 조합에서 더 효과적입니다. 텍스트와 배경색이 충분히 대비를 이루지 못할 때 정확성이 감소할 수 있습니다.
레드, 그린, 블루를 의미하는 RGB 이미지 형식은 디지털 이미징의 초석으로, 인간의 시각적 인식을 밀접하게 반영하는 방식으로 이미지를 캡처하고 표시합니다. 이 세 가지 기본 색상을 다양한 강도로 결합하면 광범위한 색상을 재현할 수 있습니다. 이 형식의 중요성은 카메라와 모니터에서 스마트폰과 텔레비전에 이르기까지 다양한 기기와 플랫폼에서 널리 채택되어 디지털 컬러 이미징의 기반을 형성한다는 데 있습니다.
RGB 형식은 본질적으로 가산 색상 모델을 기반으로 합니다. 이 모델은 빛의 색상을 혼합하여 다른 색상의 범위를 만들 수 있다는 원리에 따라 작동하며, 레드, 그린, 블루가 기본 색상으로 사용됩니다. 이 세 가지 색상을 최대 강도로 결합하면 흰색 빛이 생성되고, 반대로 없으면(빛이 없으면) 검은색이 됩니다. 이 모델은 컬러 프린팅에 사용되는 CMYK(시안, 마젠타, 옐로우, 블랙)와 같은 감산 색상 모델과 대조되며, 감산 색상 모델에서는 색상이 흰색(종이의 색상)에서 뺍니다.
실제로 RGB 이미지는 수백만 개의 픽셀로 구성되며, 각 픽셀은 이미지의 가장 작은 요소 역할을 합니다. 모든 픽셀에는 레드, 그린, 블루 빛의 강도를 나타내는 세 가지 구성 요소(채널)가 있습니다. 각 색상의 강도는 일반적으로 0에서 255까지의 8비트 스케일을 사용하여 정량화되며, 여기서 0은 강도가 없음을 의미하고 255는 최대 밝기를 나타냅니다. 따라서 이 스케일은 1,600만 개 이상의 가능한 색상 조합(256^3)을 허용하여 광범위한 색상을 재현할 수 있습니다.
RGB 이미지의 생성 및 조작에는 수많은 기술적 고려 사항과 프로세스가 포함됩니다. 예를 들어, 디지털 카메라는 센서 위의 필터 배열을 사용하여 캡처한 빛을 RGB 값으로 변환합니다. 종종 바이어 필터라고 하는 이 배열은 레드, 그린, 블루 빛만 각 센서 픽셀로 통과시킵니다. 그런 다음 카메라 소프트웨어는 이 원시 데이터를 처리하여 값을 보간하여 풀 컬러 이미지를 생성합니다. 마찬가지로 RGB 이미지가 화면에 표시될 때 각 픽셀의 색상은 백라이트의 레드, 그린, 블루 구성 요소의 강도를 조정하거나 최신 디스플레이의 개별 발광 다이오드(LED)를 조정하여 생성됩니다.
RGB 이미지의 인코딩 및 저장은 또 다른 중요한 기술적 측면입니다. 기본 전제는 각 픽셀에 대한 세 가지 색상 값을 저장하는 것이지만 실제 구현은 크게 다를 수 있습니다. JPEG, PNG, GIF와 같은 파일 형식은 각각 RGB 데이터를 처리하는 방식에 미묘한 차이가 있으며, 특히 컴프레션과 관련이 있습니다. 예를 들어 JPEG는 일부 이미지 데이터를 삭제하여 파일 크기를 줄이는 무손실 컴프레션 기법을 사용하며, 이는 이미지 품질에 영향을 미칠 수 있습니다. PNG는 무손실 컴프레션을 제공하여 이미지 품질을 유지하지만 파일 크기가 커집니다. GIF는 무손실 컴프레션을 사용하지만 색상이 256개로 제한되어 풀 컬러 사진에는 적합하지 않지만 간단한 그래픽에는 이상적입니다.
색상 캡처 및 표시의 기본 사항을 넘어서 RGB 형식은 컬러 관리 및 감마 보정과 같은 디지털 이미징의 더 복잡한 측면에서 중요한 역할을 합니다. 컬러 관리를 통해 다양한 기기와 시청 조건에서 색상이 일관되게 유지됩니다. 여기에는 색상이 어떻게 해석되어야 하는지 설명하는 컬러 프로필이 포함됩니다. 감마 보정은 이미지의 루미넌스를 조정하여 우리 눈이 빛을 인식하는 비선형적 방식과 디스플레이 기기의 비선형적 응답을 보완합니다. 이 두 가지 모두 정확하고 일관된 색상 재현을 위해 필수적입니다.
RGB 형식은 편재적이고 효과적이지만 한계가 있습니다. 주목할 만한 과제 중 하나는 다양한 기기가 RGB 값을 해석하고 표시하는 방식의 차이로 인해 색상 재현에 차이가 발생하는 것입니다. 이 문제는 색상 공간 또는 기기가 생성할 수 있는 색상 범위의 차이에서 비롯됩니다. sRGB 색상 공간은 일정 수준의 일관성을 보장하도록 설계된 웹 및 소비자 기기에 가장 일반적인 표준입니다. 그러나 전문가용 기기는 호환성을 희생하고 더 넓은 색상 범위를 제공하는 Adobe RGB 또는 ProPhoto RGB를 사용할 수 있습니다.
정밀도가 가장 중요한 고급 이미지 처리 및 과학적 응용 분야의 경우 scRGB와 같은 RGB 형식의 변형은 더 넓은 비트 심도를 사용하고 음수 값을 포함하여 확장된 색상 범위와 더 높은 정밀도를 제공합니다. 이러한 형식은 RGB의 한계 중 일부를 극복하도록 설계되었으며 더 넓고 정확한 색상 표현을 제공하지만 더 정교한 소프트웨어 지원과 하드웨어 기능이 필요합니다.
RGB 형식 사용에서 고려해야 할 또 다른 측면은 이미지 인식 및 컴퓨터 비전을 위한 알고리즘 개발에서의 역할입니다. 픽셀 수준에서 이미지를 분석하고 조작하여 색상과 모양을 구별하는 기능은 자율 주행 차량에서 얼굴 인식 기술에 이르기까지 수많은 응용 분야의 기본입니다. RGB 형식의 단순성과 보편성은 이러한 기술의 개발을 용이하게 하며 이미지 데이터에 대한 일관된 프레임워크를 제공합니다.
RGB 형식은 또한 인간의 눈이 인식할 수 있는 광범위한 빛의 강도를 더 밀접하게 모방하는 이미지의 광도 범위를 향상시키는 것을 목표로 하는 고동적 범위(HDR) 이미징과 같은 신기술과도 교차합니다. HDR 기술은 종종 8비트/채널의 기존 제한을 넘어서는 방식으로 RGB 값을 사용하여 그림자와 하이라이트 모두에서 더 많은 세부 사항을 캡처하는 데 채널당 더 많은 비트를 활용합니다.
또한 RGB 형식의 기본 원리는 정적 이미지에 국한되지 않고 비디오 기술에도 확장됩니다. 디지털 형태의 동영상 표현은 유사한 개념에 의존하며, 비디오 코덱은 시간이 지남에 따라 RGB 데이터(또는 YUV와 같이 RGB에서 파생된 형식의 데이터)를 인코딩하고 디코 딩합니다. 이는 스트리밍 미디어, 디지털 방송, 콘텐츠 생성에 큰 영향을 미치며, 여기서 RGB 데이터의 효율적인 처리가 품질과 대역폭 요구 사항에 상당한 영향을 미칠 수 있습니다.
환경적 영향을 고려할 때 RGB 기반 기기의 광범위한 사용은 에너지 소비에 대한 우려를 불러일으킵니다. 특히 디스플레이는 전자 기기에서 가장 많은 전력을 소비하는 구성 요소 중 하나입니다. 더 높은 해상도와 이미지 품질을 추구하면 컴퓨팅 요구 사항과 에너지 사용이 증가합니다. 이로 인해 LED 기술의 발전과 이미지 품질을 저하시키지 않고 처리 및 전송되는 데이터 양을 줄이는 방법을 포함하여 RGB 이미지를 생성하고 표시하는 더욱 에너지 효율적인 방법에 대한 연구가 활발해졌습니다.
미래를 내다보면 RGB 이미징 기술의 진화는 계속해서 재료 과학, 컴퓨팅 성능, 디지털 통신 표준의 발전에 영향을 받을 것입니다. 예를 들어, 양자점과 유기 발
이 변환기는 전적으로 브라우저에서 실행됩니다. 파일을 선택하면 메모리로 읽어와 선택한 형식으로 변환됩니다. 그런 다음 변환된 파일을 다운로드할 수 있습니다.
변환은 즉시 시작되며 대부분의 파일은 1초 이내에 변환됩니다. 파일이 크면 더 오래 걸릴 수 있습니다.
파일은 서버에 업로드되지 않습니다. 브라우저에서 변환된 다음 변환된 파일이 다운로드됩니다. 우리는 귀하의 파일을 절대 보지 않습니다.
JPEG, PNG, GIF, WebP, SVG, BMP, TIFF 등을 포함한 모든 이미지 형식 간의 변환을 지원합니다.
이 변환기는 완전히 무료이며 항상 무료입니다. 브라우저에서 실행되기 때문에 서버 비용을 지불할 필요가 없으므로 비용을 청구할 필요가 없습니다.
예! 한 번에 원하는 만큼 많은 파일을 변환할 수 있습니다. 추가할 때 여러 파일을 선택하기만 하면 됩니다.