파일 및 출력
파일에 무엇이 포함되어 있는지부터 시작하세요. PDF에는 이미지, 인코딩된 텍스트 또는 둘 다 포함될 수 있습니다. 파일 이름만으로는 단어를 선택할 수 있는지 알 수 없습니다.
OCR — 광학 문자 인식
이미지에서 보이는 문자를 식별하여 인코딩된 텍스트로 표현하는 과정입니다. 스캔이나 사진에서 단어를 재사용할 수 있게 해주지만, 인식된 결과는 여전히 수정이 필요할 수 있습니다.
스캔된 PDF
페이지에 스캔하거나 촬영한 문서 이미지가 포함된 PDF입니다. 일부 스캔된 PDF에는 OCR 텍스트 레이어가 있지만, 이미지만 포함된 경우도 있습니다.
디지털 생성 PDF
종이를 스캔하는 대신 문서 편집기 등 디지털 콘텐츠에서 직접 생성된 PDF입니다. 실제 텍스트가 포함되어 있는 경우가 많지만, 생성 방식에 따라 선택 및 추출이 영향을 받을 수 있습니다.
검색 가능한 PDF
사용자가 검색할 수 있는 텍스트가 포함된 PDF입니다. 스캔된 페이지는 인식된 텍스트가 이미지와 함께 추가되면 검색 가능해질 수 있습니다. 검색 가능성 자체가 정확도나 접근성을 보장하지는 않습니다.
텍스트 레이어
PDF에 저장된 인코딩된 텍스트입니다. 스캔된 페이지에서는 보이지 않게 이미지 위나 아래에 배치되어 원본 모양은 유지하면서 선택 및 검색이 가능하도록 합니다.
페이지 구조
인식기는 단순히 글자를 식별하는 것 이상의 작업을 수행해야 합니다. 어떤 표시가 서로 속해 있는지, 독자가 어떻게 읽어 나가야 하는지도 결정해야 합니다.
레이아웃 분석
단락, 제목, 이미지, 표와 같은 영역을 식별하는 것입니다. 표의 단어를 인식하고 행과 열 구조를 유지하는 것은 관련이 있지만 별개의 작업입니다.
읽기 순서
의도된 텍스트 순서입니다. 2단으로 된 기사는 일반적으로 양쪽 단을 번갈아 읽는 것이 아니라 한 단을 먼저 읽고 다음 단으로 이어져야 합니다. 순서가 잘못된 올바른 단어는 사용할 수 없는 기록물을 만들 수 있습니다.
세그멘테이션(분할)
페이지를 텍스트 영역, 줄 또는 문자와 같은 더 작은 단위로 나누는 것입니다. 경계가 잘못되면 인접한 단어가 합쳐지거나, 문자가 분리되거나, 페이지의 관련 없는 부분이 섞일 수 있습니다.
RTL — 오른쪽에서 왼쪽으로 쓰는 텍스트
일반적으로 오른쪽에서 왼쪽으로 흐르는 아랍어나 히브리어와 같은 스크립트의 텍스트입니다. 숫자와 포함된 라틴 텍스트는 다른 방향을 따를 수 있습니다. 표시 순서와 저장된 문자 순서가 반드시 일치하는 것은 아닙니다.
이미지 준비
준비 과정은 기존 표시가 인식 시스템에 제시되는 방식을 변경합니다. 원본 이미지에 더 이상 포함되지 않은 텍스트를 생성할 수는 없습니다.
PPI 및 DPI
인치당 픽셀 수는 물리적 크기에서의 이미지 샘플링을 설명하며, 인치당 도트 수는 인쇄된 도트 밀도를 설명합니다. 스캔 설정에서는 종종 DPI를 비공식적으로 사용합니다. 저장된 값만 변경한다고 해서 기존 이미지에 세부 정보가 추가되지는 않습니다.
기울기 보정(Deskew)
텍스트 줄이 더 수평이 되도록 약간의 기울기를 수정하는 것입니다. 이는 거꾸로 된 페이지를 회전하거나 비스듬히 촬영된 사진의 원근감을 수정하는 것과는 다릅니다.
이진화(Binarization)
임계값이나 기타 결정 규칙을 사용하여 이미지를 흑백 픽셀로 변환하는 것입니다. 선명한 페이지를 단순화할 수 있지만, 희미한 표시를 잃거나 근처의 획을 합쳐버릴 수도 있습니다.
전처리
방향 보정, 자르기 또는 대비 변경과 같이 인식 전에 수행되는 이미지 조정입니다. 유용한 조정은 문장 부호, 악센트 또는 기타 의미 있는 세부 정보를 제거하지 않으면서 인식 가능한 표시를 개선합니다.
인식 및 검토
평가는 특정 작업과 데이터 세트를 설명합니다. 다른 결과와 비교하거나 자신의 문서를 판단하기 전에 점수의 정의를 읽어보세요.
필기 인식
손으로 쓴 문자나 단어를 인식하는 것입니다. 연결된 글자, 개인적인 약어 및 필기자 고유의 모양 때문에 선명한 인쇄 텍스트와는 다른 도전 과제입니다.
신뢰도 점수
인식 시스템이 예측에 부여할 수 있는 추정치입니다. 그 의미는 시스템과 보정 방식에 따라 다릅니다. 전체 문서가 정확할 확률을 자동으로 의미하지는 않습니다.
CER — 문자 오류율
참조 길이 대비 문자 삽입, 삭제 및 대체를 기반으로 인식된 텍스트를 확인된 참조와 비교한 것입니다. 낮을수록 좋습니다. CER이 낮아도 이름이나 숫자의 중요한 오류가 숨겨져 있을 수 있습니다.
WER — 단어 오류율
단어 수준에서의 유사한 비교입니다. 잘못된 문자 하나가 전체 단어를 틀린 것으로 간주하게 만들 수 있습니다. 따라서 WER과 CER은 기록물의 서로 다른 측면을 설명하므로 상호 교환 가능한 것으로 취급해서는 안 됩니다.
정답 데이터(Ground truth)
인식을 평가하는 데 사용되는 확인된 참조입니다. 문장 부호, 철자, 공백 및 읽을 수 없는 텍스트를 처리하는 방식과 같은 전사 규칙이 중요하며 비교에 영향을 미칩니다. 결함이 있는 참조는 오해의 소지가 있는 점수를 생성할 수 있습니다.
질문과 답변
OCR은 번역과 같나요?
아니요. OCR은 보이는 텍스트를 편집 가능한 형태로 읽어내는 것입니다. 번역은 텍스트를 다른 언어로 표현하는 것입니다. 먼저 인식을 검토하면 잘못 읽힌 원본을 번역하는 것을 방지하는 데 도움이 됩니다.
Word 다운로드는 원본 레이아웃의 복사본인가요?
반드시 그렇지는 않습니다. 편집 가능한 문서에는 원본의 표, 간격 또는 페이지 디자인을 유지하지 않고 인식된 텍스트만 포함될 수 있습니다. 레이아웃이 중요한 경우 출력물을 원본과 비교해 보세요.
왜 두 정확도 점수가 다를 수 있나요?
서로 다른 문서, 참조 규칙 또는 측정값을 사용할 수 있기 때문입니다. 문자 오류, 단어 오류, 누락된 영역 및 읽기 순서 문제는 서로 다른 것입니다.