개요
광학 문자 인식은 이미지에 나타난 글자의 형태를 분석해 기계가 읽을 수 있는 텍스트로 변환하는 기술이다. 종이를 스캔해 얻은 이미지와 텍스트 데이터는 서로 다르다. 이미지에 보이는 글자는 그 자체로 문서 편집기에서 검색하거나 고칠 수 있는 텍스트가 아니므로, 이를 추출하는 과정에 OCR이 사용된다.
처리 과정
스캔이나 촬영으로 입력한 이미지에서 기울기와 잡음 등을 보정하고 글자가 있는 영역을 분석한다. 인식 과정에서는 글자 모양을 저장된 패턴과 비교하거나 획과 윤곽 등의 특징을 분석할 수 있다. 결과는 텍스트 파일로 추출하거나 원래 이미지와 함께 PDF에 저장한다.
검색과 편집
OCR로 텍스트 계층을 추가한 PDF는 원래 페이지 모습을 유지하면서 글자를 검색하거나 선택할 수 있다. 다만 검색 가능한 텍스트를 얻는 것과 기존 문장의 배치를 유지하며 내용을 편집하는 것은 서로 다른 기능이다. 일부 PDF 편집기는 스캔 페이지에 OCR을 적용해 편집 가능한 사본을 만든다. 원래 이미지 위의 빈 공간에 새 텍스트 상자를 추가하는 작업은 기존 글자를 모두 인식하지 않고도 할 수 있다.
인식 품질과 검토
흐리거나 기울어진 이미지, 작은 글자와 복잡한 표 등에서는 결과를 검토해야 한다. 인식 언어를 맞추고 글자가 분명한 스캔을 사용하며, 숫자와 기호·띄어쓰기 등이 원본과 일치하는지 확인한다. 편집 후에는 글꼴과 줄바꿈, 표의 배치를 검토하고 원본 사본을 보관한다. OCR은 종이 문서의 원래 편집 파일이나 글꼴을 완벽하게 복원하는 것을 보장하지 않는다.