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.
PDF/A는 전자 문서의 디지털 보존을 위해 특화된 PDF(Portable Document Format)의 ISO 표준화 버전입니다. PDF/A는 글꼴 연결(글꼴 임베딩과 반대) 및 암호화와 같이 장기 보관에 적합하지 않은 기능을 금지하여 PDF와 다릅니다. PDF/A 파일 뷰어에 대한 ISO 요구 사항에는 색상 관리 지침, 임베디드 글꼴 지원, 임베디드 주석 읽기 위한 사용자 인터페이스가 포함됩니다.
PDF/A 표준은 단일 형식이 아니라 PDF/A라는 우산 아래에 있는 일련의 표준으로, 각각 특정 요구 사항을 충족하고 특정 보관 요구 사항을 다룹니다. 가장 일반적으로 사용되는 표준은 PDF/A-1, PDF/A-2, PDF/A-3입니다. PDF/A-1은 PDF 1.4를 기반으로 하며 게시된 최초의 표준이었습니다. PDF/A-2는 PDF 1.7을 기반으로 하며 더 풍부한 미디어와 기능을 허용합니다. 또한 PDF 1.7에 의존하는 PDF/A-3은 PDF/A가 아닌 파일을 임베드할 수 있습니다.
PDF/A의 맥락에서 '적합성 수준'이라는 용어는 PDF/A 문서가 표준의 특정 요구 사항을 얼마나 준수하는지를 나타냅니다. 적합성 수준은 'a'(접근 가능)와 'b'(기본)의 두 가지가 있습니다. 수준 'a' 준수는 문서가 시각적으로 보존될 뿐만 아니라 시각 장애인이 사용하는 화면 판독기와 같은 접근성을 위한 추가 구조와 태그를 포함하고 있음을 나타냅니다. 수준 'b' 준수는 시각적 모양이 보존되지만 문서가 접근 가능할 필요는 없습니다.
PDF/A의 주요 기능 중 하나는 임베디드 글꼴을 사용하는 것입니다. 이를 통해 원본 글꼴이 시청 시스템에서 사용 가능한지 여부에 관계없이 문서를 의도한 대로 미래에 표시하고 인쇄할 수 있습니다. 글꼴을 임베드하면 파일 크기가 증가하지만 문서의 원래 모양을 보존하는 더 안정적인 방법을 제공합니다. PDF/A는 또한 색상 정보를 장치에 독립적인 방식으로 저장하도록 규정합니다. 즉, 문서의 색상은 문서를 보거나 인쇄하는 데 사용되는 장치에 관계없이 동일하게 나타납니다.
PDF/A는 또한 장기 보관에 적합하지 않은 특정 기능의 사용을 금지합니다. 여기에는 암호화, 오디오 및 비디오 콘텐츠, JavaScript 및 실행 파일 실행, 투명성이 포함됩니다. 이러한 기능을 사용하면 기술이 발전하고 특정 기능이 더 이상 사용되지 않거나 지원되지 않으면 미래에 문서를 읽을 수 없게 될 수 있습니다.
PDF/A 문서를 만드는 것은 일반적으로 PDF 생성 도구를 사용하여 문서를 원래 형식(예: Word 또는 Excel)에서 PDF/A 형식으로 변환하는 것을 포함합니다. 이 도구는 모든 필수 구성 요소(예: 글꼴 및 색상 프로필)를 임베드하고 PDF/A 표준에서 허용되지 않는 모든 기능을 제거할 수 있어야 합니다. 또한 생성된 PDF/A 문서가 표준 요구 사항을 충족하는지 확인하기 위해 유효성을 검사하는 것도 중요합니다. 유효성 검사는 PDF/A 사양에 따라 문서를 검사하는 특수 소프트웨어를 사용하여 수행할 수 있습니다.
메타데이터 보존은 PDF/A 표준의 또 다른 중요한 측면입니다. PDF/A 문서의 메타데이터에는 제목, 작성자, 주제, 키워드와 같은 문서 자체에 대한 정보가 포함됩니다. 이 메타데이터는 디지털 문서 및 데이터 세트에 대한 표준화된 맞춤형 메타데이터를 생성, 처리, 교환하기 위한 ISO 표준인 XMP(eXtensible Metadata Platform) 형식으로 저장됩니다. XMP는 다양한 애플리케이션과 플랫폼에서 메타데이터를 쉽게 통합하고 교환할 수 있도록 설계되었습니다.
PDF/A는 문서 보존이 중요한 산업과 조직에서 널리 사용됩니다. 여기에는 정부 기관, 법률 시스템, 도서관, 기록 보관소가 포함됩니다. PDF/A를 사용하면 문서가 수년 동안 읽을 수 있고 진본으로 유지될 수 있으므로 법적 요구 사항을 준수하고 역사적이고 중요한 문서의 무결성을 유지하는 데 필수적입니다. 이 형식은 기술적 노후화로 인해 콘텐츠에 액세스할 수 없게 될 위험 없이 장기 보관을 위해 문서를 보관하려는 개인과 기업에도 유용합니다.
PDF/A 형식으로 문서를 보관하는 프로세스는 더 큰 문서 관리 전략의 일부가 될 수 있습니다. 이 전략에는 PDF/A 표준을 지원하고 문서의 변환, 유효성 검사, 보존을 처리할 수 있는 문서 관리 시스템(DMS) 사용이 포함될 수 있습니다. 이러한 시스템에는 종종 버전 제어, 액세스 제어, 감사 추적과 같은 기능이 포함되어 보관된 문서에 대한 추가적인 보안 및 추적성 계층을 제공합니다.
PDF/A는 장기 보존을 위해 설계되었지만 디지털 보존의 과제에 면역이 아닙니다. 그러한 과제 중 하나는 디지털 아카이브의 지속적인 관리 및 마이그레이션이 필요하다는 것입니다. 기술이 변화함에 따라 액세스 가능성과 가독성을 유지하기 위해 PDF/A 문서를 표준의 최신 버전이나 다른 형식으로 마이그레이션해야 할 수 있습니다. 이를 위해서는 마이그레이션 프로세스 중에 문서가 무결성이나 진본성을 잃지 않도록 신중한 계획과 실행이 필요합니다.
PDF/A를 사용할 때 또 다른 고려 사항은 생성 프로세스 중에 품질 관리가 필요하다는 것입니다. PDF/A 문서는 원본 콘텐츠를 정확하고 정확하게 표현하도록 의도되어 있으므로 변환 프로세스에서 오류나 누락이 발생하지 않도록 하는 것이 중요합니다. 여기에는 문서의 완전성, 텍스트 및 이미지의 정확성, 글꼴 및 색상 프로필의 올바른 임베딩을 확인하는 것이 포함될 수 있습니다. 품질 관리는 중요한 정보가 포함된 문서나 엄격한 규제 표준을 충족해야 하는 문서에 특히 중요합니다.
PDF/A 표준은 새로운 요구 사항과 기술이 등장함에 따라 계속해서 발전하고 있습니다. PDF 기술 채택을 촉진하는 기업 및 조직의 국제 컨소시엄인 PDF 협회는 PDF/A를 포함한 PDF 표준 개발에 적극적으로 참여하고 있습니다. 그들은 PDF/A 구현을 위한 리소스와 지침을 제공하고, 새로운 요 구 사항을 해결하고 장기적인 디지털 보존에 적합한 상태를 유지하기 위해 표준의 지속적인 개발에 기여합니다.
결론적으로 PDF/A는 전자 문서의 장기 보존을 위해 설계된 견고한 형식입니다. 모든 필수 콘텐츠를 임베드하고, 특정 기능을 금지하며, 장치에 독립적인 색상 표현을 보장하는 데 중점을 두고 있어 중요한 문서를 보관하는 데 이상적인 선택입니다. 이는 안정적인 형식이지만 시간이 지남에 따라 문서가 액세스 가능하고 진본으로 유지되도록 신중한 구현과 지속적인 관리가 필요합니다. 기술이 계속해서 발전함에 따라 PDF/A 표준도 발전하여 디지털 보존 분야의 핵심 도구로 남게 될 것입니다.
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.