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.
Google에서 개발한 WEBP 이미지 포맷은 웹에서 사용되는 이미지에 뛰어난 압축을 제공하도록 설계된 현대적인 이미지 포맷으로 자리매김하여 웹 페이지가 고품질의 시각적 요소를 유지하면서도 더 빠르게 로드되도록 합니다. 이는 손실 압축과 무손실 압축 기술을 모두 사용하여 달성됩니다. 손실 압축은 인간의 눈으로는 차이를 감지하기 어려운 영역의 이미지 데이터를 돌이킬 수 없게 제거하여 파일 크기를 줄이는 반면, 무손실 압축 은 중복 정보를 제거하는 데이터 압축 알고리즘을 사용하여 이미지 세부 사항을 희생하지 않고 파일 크기를 줄입니다.
WEBP 포맷의 주요 장점 중 하나는 JPEG 및 PNG와 같은 기존 포맷에 비해 이미지 파일 크기를 눈에 띄게 줄일 수 있는 능력입니다. 이는 사이트 성능과 로딩 시간을 최적화하여 사용자 경험과 SEO 순위에 직접적인 영향을 미치는 웹 개발자와 콘텐츠 제작자에게 특히 유익합니다. 게다가 이미지 파일이 작아지면 대역폭 사용량이 줄어들어 호스팅 비용이 절감되고 데이터 요금제가 제한적이거나 인터넷 연결이 느린 사용자의 접근성이 향상됩니다.
WEBP의 기술적 기반은 VP8 비디오 코덱을 기반으로 하며, 예측, 변환, 양자화와 같은 기술을 사용하여 이미지의 RGB(적색, 녹색, 청색) 구성 요소를 압축합니다. 예측은 주변 픽셀을 기반으로 픽셀 값을 추측하는 데 사용되고, 변환은 이미지 데이터를 압축하기 쉬운 형식으로 변환하며, 양자화는 파일 크기를 줄이기 위해 이미지 색상의 정밀도를 낮춥니다. 무손실 압축의 경우 WEBP는 공간적 예측과 같은 고급 기술을 사용하여 이미지 세부 사항을 잃지 않고 이미지 데이터를 인코딩합니다.
WEBP는 다양한 애플리케이션에 다목적으로 사용할 수 있는 광범위한 기능을 지원합니다. 주목할 만한 기능 중 하나는 투명성(알파 채널이라고도 함)을 지원하여 이미지에 가변 불투명도와 투명한 배경을 가질 수 있게 해주는 것입니다. 이 기능은 웹 디자인과 사용자 인터페이스 요소에 특히 유용하며, 이미지를 서로 다른 배경과 원활하게 혼합해야 합니다. 또한 WEBP는 애니메이션을 지원하여 더 나은 압축과 품질로 애니메이션 GIF의 대안으로 사용할 수 있습니다. 이를 통해 웹에 가볍고 고품질의 애니메이션 콘텐츠를 만드는 데 적합한 선택이 됩니다.
WEBP 포맷의 또 다른 중요한 측면은 다양한 플랫폼과 브라우저에서의 호환성과 지원입니다. 마지막 업데이트 시점에 Google Chrome, Firefox, Microsoft Edge를 포함한 대부분의 최신 웹 브라우저는 WEBP를 기본적으로 지원하여 추가 소프트웨어나 플러그인 없이 WEBP 이미지를 직접 표시할 수 있습니다. 그러나 일부 구형 브라우저와 특정 환경에서는 완전히 지원하지 않을 수 있으며, 이로 인해 개발자는 WEBP를 지원하지 않는 브라우저에 JPEG 또는 PNG 형식으로 이미지를 제공하는 것과 같은 대체 솔루션을 구현하게 되었습니다.
웹 프로젝트에 WEBP를 구현하려면 워크플로우와 호환성에 대한 몇 가지 고려 사항이 있습니다. 이미지를 WEBP로 변환할 때는 WEBP가 가장 적합한 선택이 아닐 수 있는 상황이나 보관 목적으로 원본 파일을 기본 형식으로 유지하는 것이 중요합니다. 개발자는 다양한 프로그래밍 언어와 환경에 사용할 수 있는 다양한 도구와 라이브러리를 사용하여 변환 프로세스를 자동화할 수 있습니다. 이러한 자동화는 특히 이미지가 많은 프로젝트의 경우 효율적인 워크플로우를 유지하는 데 필수적입니다.
이미지를 WEBP 형식으로 전환할 때 변환 품질 설정은 파일 크기와 시각적 충실도 간의 균형을 맞추는 데 중요합니다. 이러한 설정은 프로젝트의 특정 요구 사항에 맞게 조정할 수 있으며, 더 빠른 로딩 시간을 위해 더 작은 파일 크기를 우선시하든 시각적 영향을 위해 더 높은 품질의 이미지를 우선시하든 상관없습니다. 또한 다양한 기기와 네트워크 조건에서 시각적 품질과 로딩 성능을 테스트하여 WEBP 사용이 의도하지 않은 문제를 일으키지 않고 사용자 경험을 향상시키는지 확인하는 것이 중요합니다.
수많은 장점에도 불구하고 WEBP 포맷은 과제와 비판에 직면하기도 합니다. 그래픽 디자인과 사진 분야의 일부 전문가는 특정 애플리케이션에 TIFF 또는 RAW와 같이 더 높은 색상 깊이와 더 넓은 색 영역을 제공하는 포맷을 선호합니다. 게다가 기존 이미지 라이브러리를 WEBP로 변환하는 프로세스는 시간이 많이 걸릴 수 있으며, 원본 이미지의 특성과 변환에 사용된 설정에 따라 파일 크기나 품질이 크게 향상되지 않을 수도 있습니다.
WEBP 포맷의 미래와 채택은 모든 플랫폼에서 더 폭넓은 지원과 압축 알고리즘의 지속적인 개선에 달려 있습니다. 인터넷 기술이 발전함에 따라 최소한의 파일 크기로 고품질의 시각적 요소를 제공할 수 있는 포맷에 대한 수요는 계속해서 증가할 것입니다. WEBP를 포함한 새로운 포맷의 도입과 기존 포맷의 개선은 이러한 요구 사항을 충족하는 데 필수적입니다. 지속적인 개발 노력은 압축 효율성, 품질, 고동적 범위(HDR) 이미지와 확장된 색 공간에 대한 향상된 지원과 같은 새로운 기능의 통합을 약속합니다.
결론적으로 WEBP 이미지 포맷은 웹 이미지 최적화에 있어서 파일 크기 감소와 시각적 품질 간의 균형을 제공하는 중요한 진전을 나타냅니다. 투명성과 애니메이션 지원을 포함한 다목적성은 현대적인 웹 애플리케이션에 대한 포괄적인 솔루션으로 만듭니다. 그러나 WEBP로의 전환에는 호환성, 워크플로우, 각 프로젝트의 특정 요구 사항을 신중하게 고려해야 합니다. 웹이 계속해서 발전함에 따라 WEBP와 같은 포맷은 온라인 미디어의 미래를 형성하고 더 나은 성능, 향상된 품질, 개선된 사용자 경험을 주도하는 데 중요한 역할을 합니다.
이 변환 기는 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.