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 분할을 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/CSS 에 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.
PNG(Portable Network Graphics) 포맷은 무손실 압축으로 고품질 이미지를 제공하는 능력으로 디지털 세계에서 주류로 자리 잡았습니다. 그 변형 중에서 PNG8은 색상 효율성과 파일 크기 감소의 독특한 조합으로 두드러집니다. PNG8에 대한 이 자세한 검토는 이 이미지 포맷의 계층을 풀어내고, 구조, 기능, 실제적 응용을 탐구하는 것을 목표로 합니다.
핵심적으로 PNG8은 색상 팔레트를 256색으로 제한하는 PNG 포맷의 비트 깊이 변형입니다. 이 제한은 PNG8이 원본 이미지의 품질을 유지하면서도 파일 크기를 크게 줄일 수 있는 능력의 핵심입니다. PNG8의 '8'은 픽셀당 8비트를 나타내며, 이미지의 각 픽셀이 색상 팔레트의 256색 중 하나일 수 있음을 의미합니다. 이 팔레트는 이미지 파일 자체 내에서 정의되므로 특정 이미지에 맞춘 맞춤형 색상 세트를 사용할 수 있어 포맷의 효율성을 향상시킵니다.
PNG8 파일의 구조는 PNG 파일 서명과 청크 기반 아키텍처를 따르는 다른 PNG 포맷과 유사합니다. PNG 파일은 일반적으로 8바이트 서명으로 시작한 다음, 다양한 유형의 데이터(예: 헤더 정보, 팔레트 정보, 이미지 데이터, 메타데이터)를 전달하는 일련의 청크가 이어집니다. PNG8에서 PLTE(팔레트) 청크는 이미지 픽셀이 참조하는 색상 팔레트를 저장하기 때문에 중요한 역할을 합니다. 이 팔레트는 RGB(적색, 녹색, 청색) 값으로 정의된 최대 256개의 색상을 포함합니다.
PNG8의 압축은 필터링과 DEFLATE 알고리즘을 조합하여 사용합니다. 필터링은 이미지 데이터를 압축에 맞게 준비하는 방법으로, 압축 알고리즘이 정보를 손실하지 않고 파일 크기를 줄이는 것을 더 쉽게 만듭니다. 필터링 후 LZ77과 허프만 코딩 기법을 결합한 DEFLATE 알고리즘이 이미지 데이터를 효율적으로 압축하는 데 적용됩니다. 이 2단계 프로세스를 통해 PNG8 이미지는 높은 수준의 압축을 달성할 수 있으므로 대역폭과 로딩 시간이 고려되는 웹 사용에 이상적입니다.
PNG8의 투명도는 tRNS(투명도) 청크를 사용하여 처리되며, 이 청크는 팔레트의 단일 색상을 완전히 투명하게 지정하거나 팔레트 색상에 해당하는 일련의 알파 값을 지정하여 다양한 투명도를 가능하게 합니다. 이 기능을 통해 PNG8은 투명한 배경이나 부드러운 오버레이가 필요한 웹 그래픽에 적합한 간단한 투명도 효과를 가질 수 있습니다. 그러나 PNG8의 투명도는 각 픽셀에 대한 전체 알파 투명도를 지원하는 PNG32와 동일한 수준의 세부 정보를 달성할 수 없다는 점에 유의하는 것이 중요합니다.
PNG8 이미지의 생성과 최적화는 색상 충실도와 파일 크기 간의 균형을 포함합니다. PNG8 이미지를 생성하는 도구와 소프트웨어에는 일반적으로 색상 양자화 및 디더링 알고리즘이 포함됩니다. 색상 양자화는 색상 수를 256색 한도에 맞게 줄여 이상적으로 이미지의 시각적 무결성을 유지합니다. 디더링은 픽셀 수준에서 색상을 혼합하여 색상 감소의 시각적 영향을 최소화하고 더 큰 색상 팔레트의 환상을 만듭니다. 이러한 기술은 시각적으로 매력적이고 효율적으로 압축된 PNG8 이미지를 생성하는 데 필수적입니다.
장점에도 불구하고 PNG8에는 특정 응용 프로그램에 적합하지 않게 만드는 한계가 있습니다. 제한된 색상 팔레트는 그라디언트에 밴딩을 유발하고 복잡한 이미지에서 세부 정보가 손실될 수 있습니다. 또한 간단한 투명도 메커니즘은 전체 알파 투명도를 지원하는 포맷만큼 부드러운 그림자나 반투명 개체가 있는 장면을 효과적으로 수용할 수 없습니다. 따라서 PNG8은 색상 범위가 제한된 간단한 그래픽, 아이콘, 로고에 뛰어나지만 사진과 복잡한 텍스처에는 최선의 선택이 아닐 수 있습니다.
웹 개발과 디지털 미디어 제작에서 PNG8을 채택한 것은 특정 맥락에서의 호환성, 효율성, 유용성에 의해 주도되었습니다. 모든 최신 웹 브라우저와 이미지 처리 소프트웨어에서 지원되므로 웹 자산을 최적화하려는 웹 디자이너에게 안정적인 선택입니다. 콘텐 츠의 시각적 복잡성이 낮고 대역폭 사용을 최소화해야 하는 응용 프로그램의 경우 PNG8은 최적의 균형을 제공합니다. 게다가 투명도 지원은 다양성을 더해 로딩 시간을 크게 늘리지 않고도 웹사이트에서 창의적인 레이어링과 테마를 사용할 수 있습니다.
요약하자면 PNG8은 디지털 이미지 생태계에서 여전히 관련성 있고 가치 있는 이미지 포맷으로, 특히 효율적인 저장 및 전송이 필요한 웹 그래픽과 디지털 미디어에 적합합니다. 그 디자인은 색상 다양성과 파일 크기 효율성 간의 절충을 가능하게 하여 특정 요구 사항이 있는 다양한 응용 프로그램에 적합합니다. PNG8에는 한계가 없지는 않지만, 단순성, 압축, 광범위한 호환성 측면에서의 고유한 장점으로 인해 이미지 포맷 스펙트럼에서 자리를 굳혔습니다. PNG8의 이러한 측면을 이해하는 것은 프로젝트의 기술적, 미적 요구 사항을 충족하기 위해 이미지 포맷 선택에 대해 정보에 입각한 결정을 내리려는 디자이너, 개발자, 디지털 미디어 전문가에게 필수적입니다.
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.