사진 속 글자를 텍스트로

사진을 읽는 방식

인식기가 원하는 크기는 파일이 아니라 글자에서 측정합니다. 텍스트 한 줄의 높이를 사진 자체에서 추정한 뒤, 한 줄이 약 34픽셀이 되도록 전체 크기를 조정합니다. 작은 스크린샷은 최대 4배까지 키우고, 아주 큰 사진은 줄이며, 어느 쪽이든 긴 변에는 상한이 있습니다. 그래서 900만 화소로 찍은 메뉴판 사진이 선명한 작은 사진보다 더 정확하지 않고, 짧은 변이 약 300픽셀 미만인 사진은 언어 감지를 아예 건너뛰고 라틴 문자로 읽습니다. 그에 앞서 글자 뒤의 종이 색을 구역별로 추정해 나눠 조명을 고르게 하고, 페이지 전체 높이에 걸쳐 기울기를 측정해 똑바로 돌린 다음, 전체에 하나의 임계값을 적용해 흑백으로 바꿉니다.

언어 선택은 조회가 아니라 오디션입니다. 흔히 쓰는 감지기는 사실 언어를 감지하지 않기 때문입니다. 첫 단계는 문자 체계와 회전만 알려 줄 뿐입니다. 문자 체계로 후보를 좁히고, 같은 문자를 쓰는 언어끼리는 브라우저의 언어 설정으로 우열을 가린 뒤, 각 후보로 축소한 사진을 실제로 읽어 확신 있는 단어를 얼마나 많이 냈는지 점수를 매깁니다. 이긴 언어가 실제 페이지를 읽고, 인식된 텍스트를 다시 발음 부호, 특징적인 글자 쌍, 흔한 짧은 단어 기준으로 살펴 다른 언어가 더 나을지 확인합니다. “언어를 잘못 지정하면 확신에 찬 빈 페이지가 나온다”는 말 뒤에 있는 장치가 바로 이것입니다. 오디션은 추측을 단정하지 않고 실제 사진으로 검증하기 위해 존재합니다.

결과에 무엇이 나오는지에 대해 알아 둘 점이 하나 있습니다. 인식기가 확신하지 못한 문단은 표시하지 않고 버립니다. 그래서 사진에서 보이는 글자가 엉뚱한 문자로 나오는 대신 결과에서 통째로 빠질 수 있습니다. 인식기가 그림이나 잡음으로 분류한 블록, 글자나 숫자가 없는 외딴 표시도 마찬가지입니다. 확신도가 낮은 일반 단어에는 이런 기준을 적용하지 않으므로, 문단 안의 오인식은 그대로 남아 직접 찾아내야 합니다. 확신도 수치는 괜찮은데 페이지의 한 부분이 그냥 없다면, 바로 이런 일이 일어난 것입니다.

다른 작업이 필요할 때

아무것도 저장하지 않지만, 이 도구는 사이트에서 처음 실행이 공짜가 아닌 유일한 도구입니다. 인식기 자체가 몇 MB이고 언어 팩마다 1~5 MB가 더 필요하며, 이 사이트에서 받아 온 뒤 다음을 위해 보관됩니다. 한 페이지라면 기다릴 만하지만 정기적으로 스캔 2,000장을 처리한다면 그렇지 않습니다. 그럴 때는 OCRmyPDF 같은 데스크톱 OCR 도구가 맞습니다. 명령 하나로 폴더 전체에 텍스트 레이어를 넣어 주며, 다운로드도 클릭도 필요 없습니다.

여기서 아예 시도하지 않는 것이 세 가지 있으며, 직접 겪기 전에 알아 두는 편이 빠릅니다. 원근은 보정하지 않습니다. 페이지의 회전을 측정해 똑바로 돌리지만, 옆에서 찍은 사진은 사다리꼴 모양이 그대로 남으므로 바로 위에서 찍는 데 1초를 더 쓸 가치가 있습니다. 글자와 종이를 가르는 임계값은 영역마다가 아니라 사진 전체에 하나이므로, 절반이 그늘진 페이지는 조명을 고르게 맞춘 뒤에도 어두운 절반을 놓칩니다. 씨름하지 말고 고른 조명에서 다시 찍으세요. 그리고 괘선 없이 간격으로만 배치한 표는 찾을 괘선이 없어 여러 단의 글로 읽히므로, 스프레드시트에 붙여 넣었을 때 제대로 되는 건 운입니다.