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.
그래픽 교환 포맷(GIF)은 인터넷에서 널리 사용되는 비트맵 이미지 포맷입니다. GIF87이라는 이름으로 알려진 원래 버전은 1987년에 CompuServe에서 파일 다운로드 영역에 컬러 이미지 포맷을 제공하기 위해 출시되었습니다. 이는 컬러 컴퓨터의 증가와 다양한 소프트웨어 및 하드웨어 플랫폼에서 사용할 수 있는 표준 이미지 포맷에 대한 필요성에 대한 대응이었습니다. GIF87 포맷은 1989년에 GIF89a로 대체되었지만 GIF가 무엇이 될 것 인지에 대한 기본 원칙을 마련했습니다. 단순성, 폭넓은 지원, 이식성으로 인해 웹에서 그래픽을 위한 지속적인 선택이 되었습니다.
GIF는 LZW(Lempel-Ziv-Welch) 압축 알고리즘을 기반으로 하는데, 이는 초기 인기에 중요한 요인이었습니다. LZW 알고리즘은 무손실 데이터 압축 기법으로, 원본 이미지에서 정보나 품질을 손실하지 않고 파일 크기를 줄이는 것을 의미합니다. 인터넷 속도가 훨씬 느리고 데이터 절약이 가장 중요한 시기에 특히 중요했습니다. LZW 알고리즘은 반복되는 픽셀 시퀀스를 단일 참조로 대체하여 이미지를 표현하는 데 필요한 데이터 양을 효과적으로 줄이는 방식으로 작동합니다.
GIF87 포맷의 특징적인 특징은 색인 색상을 지원한다는 것입니다. 각 픽셀에 대한 색상 정보를 직접 저장하는 포맷과 달리 GIF87은 최대 256개의 색상으로 구성된 팔레트를 사용합니다. GIF87 이미지의 각 픽셀은 팔레트의 인덱스를 참조하는 단일 바이트로 표현됩니다. 이 팔레트 기반 접근 방식은 색상 충실도와 파일 크기 사이의 절충안이었습니다. 초기 웹 인프라의 한계에도 불구하고 데이터 크기를 관리 가능하게 유지하면서 비교적 다채로운 이미지를 허용했습니다.
색상 모델 외에도 GIF87 포맷에는 몇 가지 다른 중요한 기능이 포함되어 있습니다. 하나는 인터레이싱 기능으로, 느린 연결을 통해 이미지를 점진적으로 로드할 수 있습니다. 이미지를 위에서 아래로 로드하는 대신 인터레이싱은 여러 패스로 이미지를 로드하는데, 각 패스는 이전 패스보다 세부 사항이 더 많습니다. 이는 시청자가 이미지를 빠르게 대략적으로 미리 볼 수 있게 되었고, 초기 월드 와이드 웹에서 사용자 경험을 크게 향상시켰습니다.
GIF87 파일의 구 조는 비교적 간단하며, 헤더, 논리적 화면 설명자, 글로벌 색상표, 이미지 데이터, 마지막으로 파일의 끝을 나타내는 트레일러로 구성됩니다. 헤더에는 서명('GIF87a')과 버전 정보가 포함되어 있습니다. 논리적 화면 설명자는 이미지의 크기와 글로벌 색상표가 사용되는지에 대한 세부 정보를 제공합니다. 글로벌 색상표 자체가 뒤따르며, 이미지에서 사용되는 색상의 정의가 포함되어 있습니다. 이미지 데이터 세그먼트에는 이미지의 시작과 크기 정보가 포함되어 있으며, 그 뒤에 LZW 압축 픽셀 데이터가 있습니다. 마지막으로 파일은 파일의 끝을 나타내는 단일 바이트 트레일러로 끝납니다.
GIF87 포맷의 한 가지 한계는 애니메이션과 투명성을 지원하지 않는다는 것입니다. 이러한 기능은 후속 버전인 GIF89a에서 도입되었습니다. 그러나 이러한 기능이 없어도 GIF87은 초기 웹에서 로고, 아이콘, 간단한 그래픽에 널리 사용되었습니다. 품질을 유지하면서 이미지를 효과적으로 압축하는 포맷의 능력은 당시 대역폭 제약에 이상적이었습니다.
GIF87 포맷 디자인의 또 다른 측면은 단순성과 구현의 용이성입니다. 이 포맷은 읽고 쓰기가 간단하도록 설계되어 소프트웨어 개발자에게 접근하기 쉽습니다. 이러한 사용 편의성은 GIF가 웹에서 거의 모든 이미지 편집 소프트웨어와 웹 브라우저에서 지원되는 이미지 표준 포맷이 되는 데 도움이 되었습니다. GIF의 광범위한 채택은 오늘날 웹에서 흔히 볼 수 있는 풍부한 멀티미디어 경험의 길을 열었습니다.
장점에도 불구하고 GIF87 포맷은 특히 LZW 압축 알고리즘과 관련하여 논란이 없었던 것은 아닙니다. LZW 압축에 대한 특허를 보유한 Unisys는 1990년대 중반에 특허권을 집행하기 시작했습니다. 이러한 집행은 광범위한 비판을 불러일으켰고 특허 문제에 구속되지 않는 대체 이미지 포맷의 개발을 장려했습니다. 이 논란은 소프트웨어 특허의 복잡성과 웹 기술 개발에 미치는 영향을 강조했습니다. 결국 특허가 만료되어 GIF 포맷을 둘러싼 법적 문제가 완화되었습니다.
웹 그래픽 개발에 대한 GIF87의 영향은 과장될 수 없습니다. 그 도입은 초기 인터넷에서 다채롭고 컴팩트한 이미지를 쉽게 공유할 수 있는 수단을 제공했습니다. 기술이 발전하고 새로운 포맷이 등장했지만 GIF87이 제시한 원칙은 여전히 이미지가 온라인에서 사용되는 방식에 영향을 미칩니다. 예를 들어, 품질을 크게 손실하지 않고 압축하는 것에 대한 강조는 현대 웹 표준의 초석입니다. 마찬가지로, 색상 팔레트의 개념은 파일 크기를 디스플레이 기능에 맞게 최적화하려는 새로운 포맷에서 다양한 형태로 볼 수 있습니다.
출시된 이후 수십 년 동안 GIF87은 더 큰 색상 깊이, 더 작은 파일 크기, 애니메이션 및 투명성과 같은 기능을 제공하는 더욱 고급 포맷으로 대체되었습니다. PNG(Portable Network Graphics)와 WebP는 그러한 예로, 무손실 압축과 더 많은 색상 및 투명성을 지원하면서 색상 팔레트의 한계가 없습니다. 그럼에도 불구하고 GIF(GIF87과 GIF89a 모두 포함)는 단순성, 폭넓은 지원, 애니메이션 밈과 그래픽을 통해 문화적 시대 정신을 포착하는 독특한 능력으로 인해 여전히 인기가 있습니다.
GIF87의 개발과 영향을 되돌아보면, 그 유산이 단순히 기술적 사양이나 불러일으킨 논란에 있는 것이 아니라 인터넷의 시각적 언어를 형성하는 데 어떻게 도움이 되었는지에 있다는 것이 분명합니다. 이 포맷의 한계는 종종 창의적인 과제가 되어 새로운 스타일의 디지털 아트와 커뮤니케이션으로 이어졌습니다. 디지털 이미지로 가능한 것의 경계를 계속 넓혀 나가면서 GIF87과 같은 포맷의 역사와 기술적 기반을 이해하는 것은 혁신, 표준화, 사용자 경험 간의 균형에 대한 귀중한 교훈을 제공합니다.
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.