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.
태그 이미지 파일 형식(TIFF)은 이미지 데이터를 저장하기 위한 다목적이고 유연한 형식입니다. 1980년대 중반에 Aldus Corporation(현재 Adobe Systems의 일부)에서 개발한 TIFF는 독점 이미지 형식 간의 격차를 해소하고 이미지 저장을 위한 적응적이고 세부적인 프레임워크를 제공하도록 설계되었습니다. 더 간단한 이미지 형식과 달리 TIFF는 고해상도, 다중 계층 이미지를 저장할 수 있어 사진, 출판, 지리공간 영상과 같은 분야 의 전문가에게 선호되는 선택입니다.
TIFF 형식의 핵심은 컨테이너와 유사하며 JPEG, LZW, PackBits, 원시 압축되지 않은 데이터를 포함하여 다양한 유형의 이미지 인코딩을 보유할 수 있습니다. 이러한 유연성은 TIFF 이미지를 최상의 이미지 품질을 유지하든 공유를 위해 파일 크기를 줄이든 다양한 요구 사항에 맞게 최적화할 수 있으므로 핵심 기능입니다.
TIFF의 독특한 특징은 태그의 기본 원칙을 따르는 구조입니다. 각 TIFF 파일은 하나 이상의 디렉토리로 구성되며, 일반적으로 IFD(이미지 파일 디렉토리)라고 하며, 이미지 메타데이터, 이미지 데이터 자체, 잠재적으로 다른 하위 파일을 포함합니다. 각 IFD는 정의된 항목 목록으로 구성되며, 각 항목은 이미지 크기, 압축 유형, 색상 정보와 같은 파일의 다양한 속성을 지정하는 태그입니다. 이 태그 구조를 통해 TIFF 파일은 광범위한 이미지 유형과 데이터를 처리할 수 있어 매우 다목적입니다.
TIFF의 장점 중 하나는 RGB, CMYK, LAB 등 다양한 색 공간과 색상 모델을 지원하여 수많은 전문적이고 창의적인 응용 프로그램에서 정확한 색상 표현을 가능하게 한다는 것입니다. 또한 TIFF는 1비트(흑백)에서 32비트(이상) 진정한 색상 이미지까지 다양한 색상 깊이를 지원할 수 있습니다. 이러한 색상 지원 깊이는 알파 채널(투명도)을 처리하는 기능과 결합되어 TIFF를 고품질 이미지 재현을 위한 이상적인 형식으로 만듭니다.
TIFF는 또한 저작권 정보, 타임스탬프, GPS 데이터 등을 포함할 수 있는 견고한 메타데이터 지원을 제공합니다. 이는 IPTC(국제 언론 통신 협의회), EXIF(교환 가능 이미지 파일 형식), XMP(확장 가능 메타데이터 플랫폼) 표준을 활용하여 가능합니다. 이러한 포괄적인 메타데이터 기능은 특히 각 이미지에 대한 자세한 정보가 중요한 전문적인 환경에서 대규모 이미지 라이브러리를 분류, 검색, 관리하는 데 매우 중요합니다.
TIFF의 또 다른 주목할만한 기능은 단일 파일 내에서 여러 이미지와 페이지를 처리할 수 있는 기능으로, 이를 다중 페이지 지원이라고 합니다. 이를 통해 TIFF는 관련 이미지를 단일 파일로 통합하여 워크플로와 파일 관리를 크게 간소화할 수 있는 스캔된 문서, 팩스 문서, 스토리보드 응용 프로그램에 특히 유용합니다.
많은 장점에도 불구하고 TIFF의 복잡성과 유연성은 호환성 문제를 초래할 수 있습니다. 모든 TIFF 파일이 동일하게 생성되는 것은 아니며, 모든 소프트웨어가 모든 가능한 TIFF 변형을 처리하는 것은 아닙니다. 이로 인해 디지털 카메라 이미지의 형식을 표준화하는 것을 목표로 하는 TIFF/EP(전자 사진)와 출판 산업의 요구 사항을 타겟으로 하는 TIFF/IT(정보 기술)와 같은 하위 집합이 등장했습니다. 이러한 하위 집합은 파일이 특정 프로필에 부합하도록 하여 다양한 플랫폼과 응용 프로그램 간의 상호 운용성을 향상시킵니다.
압축은 TIFF의 또 다른 중요한 측면으로, 이 형식은 무손실 및 손실 압축 방식을 모두 지원합니다. LZW(Lempel-Ziv-Welch) 및 Deflate(ZIP과 유사)와 같은 무손실 압축은 원래 이미지 품질을 유지하는 것이 가장 중요한 응용 프로그램에 선호됩니다. JPEG와 같은 손실 압축은 파일 크기가 완벽한 충실도보다 더 중요한 경우에 사용될 수 있습니다. 압축에서 TIFF의 유연성은 장점이지만, 사용자는 압축 방법을 선택할 때 관련된 장단점을 이해해야 합니다.
TIFF의 더 기술적인 측면 중 하나는 파일 내에서 사용되는 바이트 순서를 포함하여 파일의 중요한 정보 를 포함하는 파일 헤더입니다. TIFF는 big-endian(Motorola)과 little-endian(Intel) 바이트 순서를 모두 지원하며, 헤더의 처음 몇 바이트는 이 중 어느 것이 사용되는지 나타내므로 TIFF 파일을 다른 시스템과 아키텍처에서 올바르게 읽을 수 있습니다. 또한 헤더는 첫 번째 IFD에 대한 오프셋을 지정하여 기본적으로 이미지 데이터와 메타데이터가 시작되는 위치를 가리키며, 이는 파일을 읽는 데 중요한 측면입니다.
고동적 범위(HDR)가 있는 이미지를 처리하는 것은 TIFF가 뛰어난 또 다른 분야입니다. TIFF 파일은 픽셀 데이터에 부동 소수점 값을 사용하여 표준 이미지 형식보다 더 넓은 휘도 및 색상 값 범위를 표현할 수 있어 특수 효과, 디지털 시네마, 전문 사진과 같은 산업의 요구 사항을 수용하며 이러한 고품질 이미지 캡처와 재현을 요구합니다.
전문 분야에서 다목적이고 널리 사용되고 있음에도 불구하고 TIFF 형식은 비판을 받지 않습니다. TIFF를 매우 강력하게 만드는 유연성 자체가 복잡성에 기여하여 특수 소프트웨어나 복잡한 내용에 대한 철저한 이해 없이는 작업하기 어렵습니다. 게다가 TIFF 이미지의 파일 크기는 특히 압축되지 않은 이미지 데이터나 고해상도 이미지를 처리할 때 상당히 클 수 있어 저장 및 전송에 어려움이 있습니다.
수년 동안 TIFF의 기능을 더욱 향상시키고 한계를 해결하기 위한 노력이 있었습니다. 예를 들어, BigTIFF는 4GB보다 큰 파일을 허용하는 원래 TIFF 사양의 확장으로, 표준 TIFF 파일의 한계를 초과하는 매우 고해상도 또는 세부적인 영상을 처리해야 하는 요구 사항을 해결합니다. 이러한 진화는 발전하는 기술과 새로운 응용 프로그램의 요구 사항을 충족하기 위해 TIFF를 지속적으로 개발하고 적용하고 있음을 반영합니다.
결론적으로, 태그 이미지 파일 형식(TIFF)은 디지털 이미지 저장의 진화하는 요구 사항과 과제를 증명하며, 유연성과 복잡성의 균형을 맞춥니다. 세부적인 이미지 데이터와 메타데이터를 캡슐화하고, 다양한 압축 방식을 지원하고, 다양한 전문적인 설정에 적응하는 기능은 이를 지속적인 형식으로 만듭니다. 그럼에도 불구하고 복잡성을 탐색하려면 구조와 기능에 대한 탄탄한 이해가 필요합니다. 디지털 이미징 기술이 계속 발전함에 따라 TIFF 형식은 전문적이고 창의적인 영역에서 관련성과 유용성을 유지하면서 진화할 가능성이 높습니다.
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.