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.
PCX 이미지 형식은 '픽처 익스체인지'(Picture Exchange)의 약자로, 1980년대 후반과 1990년대에 DOS와 Windows 기반 컴퓨터에서 주로 사용되었던 래스터 그래픽 파일 형식입니다. ZSoft Corporation에서 개발되었으며, IBM PC 호환 컴퓨터에서 컬러 이미지를 널리 사용하게 된 최초의 형식 중 하나였습니다. PCX 형식의 단순성과 구현의 용이성으로 인해 개인용 컴퓨터의 초기 시절에 널리 채택되었습니다. 특히 Microsoft Paintbrush(이후 Microsoft Paint)와 같은 소프트웨어에서 널리 사용되었으며, 화면 캡처, 스캐너 출력, 데스크탑 배경화면 등에서도 사용되었습니다.
PCX 파일 형식은 스캔된 이미지와 기타 그래픽 데이터를 나타내도록 설계되었습니다. 단색, 2색, 4색, 16색, 256색, 그리고 24비트 트루컬러 이미지 등 다양한 색상 깊이를 지원합니다. 또한 다양한 해상도와 종횡비를 지원하여 다양한 디스플레이 장치와 인쇄 요구 사항에 적합합니다. 그러나 JPEG, PNG, GIF 등의 더 발전된 이미지 형식이 등장하면서 PCX 형식은 점차 사라지고 있습니다. 압축 효율과 색상 지원이 뛰어난 이러한 새로운 형식들에 의해 PCX가 대체되었습니다. 하지만 레거시 시스템이나 디지털 아카이브의 PCX 파일을 다루는 데에는 여전히 이해가 필요합니다.
PCX 파일은 헤더, 이미지 데이터, 그리고 선택적인 256색 팔레트로 구성됩니다. 128바이트 길이의 헤더에는 PCX 형식의 버전, 이미지 크기, 색 평면 수, 픽셀당 비트 수, 인코딩 방식 등 중요한 정보가 포함되어 있습니다. PCX 파일에 사용되는 인코딩 방식은 런 길이 인코딩(RLE)으로, 이미지 품질을 저하시키지 않고 파일 크기를 줄이는 간단한 무손실 데이터 압축 방식입니다. RLE는 동일한 바이트 시퀀스를 하나의 바이트와 카운트 바이트로 압축하는 방식입니다.
PCX 파일의 이미지 데이터는 평면 단위로 구성됩니다. 예를 들어 24비트 컬러 이미지는 빨강, 녹색, 청색의 3개 평면으로 구성됩니다. 각 평면의 데이터는 RLE로 인코딩되며, 가로줄(행)로 저장됩니다. 행은 위에서 아래로, 각 행의 픽셀은 왼쪽에서 오른쪽으로 저장됩니다. 24비트 미만의 색상 깊이 이미지의 경우 파일 끝에 추가적인 팔레트 섹션이 있어 사용된 색상을 정의합니다.
선택적인 256색 팔레트는 8비트 이하 이미지에서 중요한 PCX 형식의 특징입니다. 이 팔레트는 일반적으로 이미지 데이터 뒤에 위치하며, 각각 적, 녹, 청 3바이트로 구성된 색상 엔트리의 배열입니다. 이 팔레트를 이용해 각 픽셀은 색상 인덱스만 저장하면 되므로 파일 크기가 작아지지만, 트루컬러 이미지에 비해 색상 품질은 떨어집니다.
PCX 형식의 장점은 구현이 간단하다는 것입니다. 고정 크기와 레이아웃의 헤더 덕분에 이미지 데이터를 쉽게 구문 분석하고 처리할 수 있습니다. 또한 RLE 압축이 다른 복잡한 압축 알고리즘보다 단순해 제한적인 당시의 하드웨어에서도 쉽게 생성하고 조작할 수 있었습니다.
단순성에도 불구하고 PCX 형식에는 한계가 있습니다. 대표적으로 투명도나 알파 채널을 지원하지 않아 아이콘 디자인이나 비디오 게임 그래픽과 같은 현대적 그래픽 작업에 적합하지 않습니다. 또한 RLE 압축은 JPEG나 PNG와 같은 다른 형식에 비해 압축 효율이 낮아 고해상도나 트루컬러 이미지에서 큰 파일 크기를 초래할 수 있습니다.
PCX 형식의 또 다른 한계는 메타데이터 지원이 부족하다는 점입니다. TIFF나 JPEG와 같은 다른 형식들은 사진 촬영 설정이나 생성 날짜 등 다양한 메타데이터를 포함할 수 있지만, PCX 파일에는 이미지를 표시하는 데 가장 기본적인 정보만 포함됩니다. 이로 인해 전문 사진 분야나 메타데이터가 중요한 다른 응용 분야에 적합하지 않습니다.
이러한 한계에도 불구하고 PCX 형식은 과거에 널리 사용되었으며, 오늘날에도 많은 이미지 편집 및 뷰어 프로그램에서 여전히 지원되고 있습니다. 이는 PCX 형식의 유산이 Adobe Photoshop, GIMP, CorelDRAW 등의 소프트웨어에 계속 반영되고 있음을 보여줍니다. 레거시 시스템을 다루거나 역사적인 디지털 콘텐츠에 액세스해야 하는 사용자들에게 PCX 파일 처리 기능은 여전히 관련성이 있습니다. 또한 PCX 형식의 단순성은 이미지 파일 형식과 데이터 압축 기술을 배우는 데 유용한 사례 연구가 됩니다.
PCX 형식은 초기 데스크톱 퍼블리싱과 그래픽 디자인 분야에서도 중요한 역할을 했습니다. 다양한 해상도와 색상 깊이를 지원하여 서로 다른 소프트웨어와 하드웨어 플랫폼 간에 그래픽을 교환하는 데 유용했습니다. 독점적인 형식으로 인한 협업의 장벽이 있을 때, PCX 형식은 다양한 시스템 간 이미지 공유를 가능하게 했습니다.
기술적으로 PCX 파일 생성은 이미지 속성에 맞는 128바이트 헤더를 작성하고, 각 색상 평면의 RLE 압축 이미지 데이터를 추가하는 것입니다. 팔레트를 사용하는 경우 파일 끝에 팔레트 데이터를 추가합니다. PCX 파일 읽기는 이 과정을 역순으로 수행합니다. 헤더를 읽어 이미지 속성을 확인하고, RLE 데이터를 압축 해제하여 이미지를 재구성합니다. 그리고 팔레트가 있는 경우 색상 인덱스를 RGB 값에 매핑합니다.
PCX 헤더에는 이미지 데이터 해석에 중요한 여러 필드가 있습니다. 제조업체 ID(항상 10), PCX 형식 버전, RLE 인코딩, 비트/픽셀, 이미지 크기, 해상도, 색 평면 수, 행 바이트 수, 그레이스케일 플래그 등이 그것입니다.
PCX 형식의 RLE 압축은 균일한 색상 영역이 큰 이미지에 효과적입니다. 예를 들어 푸른 하늘 이미지는 파란색 픽셀을 하나의 바이트와 카운트 바이트로 압축할 수 있어 효율적입니다. 하지만 복잡한 패턴이나 색상 변화가 많은 이미지에서는 RLE 압축 효과가 크지 않아 파일 크기 감소가 크지 않습니다.
결론적으로 PCX 이미지 형식은 개인용 컴퓨팅과 디지털 그래픽의 초기에 중요한 역할을 한 역사적인 파일 형식입니다. 구현의 단순성과 편의성 덕분에 개발자와 사용자 모두에게 널리 채택되었습니다. 현대적인 이미지 형식에 의해 대체되었지만, PCX 형식은 여전히 디지털 유산의 중요한 부분으로 남아 있으며 많은 그래픽 응용 프로그램에서 지원되고 있습니다. PCX 형식의 이해는 디지털 이미징 기술의 진화와 파일 형식 설계의 과제를 이해하는 데 도움이 됩니다.
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.