이미지에서 텍스트 추출

작동 방식

광학 문자 인식(OCR)은 복사할 수 없는 스크린샷, 텍스트로 필요한 스캔 페이지, 문서를 찍은 사진을 다룰 때 찾게 되는 도구입니다. 그런데 이미지가 대개 문서, 영수증, 서신이기 때문에 업로드를 정당화하기가 가장 어려운 도구이기도 합니다.

OCR로서는 드물게 기기에서 실행됩니다

무료 OCR 서비스는 거의 모두 이미지를 업로드해 서버에서 처리합니다. 이 도구는 WebAssembly로 컴파일한 Tesseract를 페이지 안에서 실행합니다. 대신 처음 사용할 때 약 11 MB의 인식 데이터를 한 번 내려받아야 하며(이후 브라우저가 캐시합니다), 인식 자체에는 내 컴퓨터의 프로세서를 사용합니다.

잘하는 것과 못하는 것

스크린샷, 깨끗한 스캔, 정면에서 찍은 인쇄 문서는 결과가 아주 좋습니다. 비스듬한 글자, 어두운 조명, 복잡한 배경, 특이한 장식용 글꼴은 결과가 좋지 않습니다. 손글씨는 실질적으로 지원하지 않습니다. 영어를 읽습니다.

레이아웃 설정은 생각보다 중요합니다

"텍스트 한 페이지"는 문단이 있는 문서에 알맞습니다. "하나의 블록"은 한 구절을 찍은 스크린샷에 더 좋습니다. "한 줄"은 캡션이나 일련번호용입니다. "흩어진 단어"는 여러 군데에 관련 없는 글자가 있는 표지판이나 라벨에 맞습니다. 잘못 고르는 것이 결과가 나빠지는 흔한 이유입니다.

더 나은 결과를 얻으려면

실행 전에 글자 부분만 자르세요. 줄이 수평이 되도록 이미지를 회전하세요. 해상도는 어느 정도까지는 높을수록 도움이 됩니다. 300 dpi 상당이 이상적이며, 그 이상은 정확도 향상 없이 시간만 늘립니다.