Skip to main content

OCR

광학 문자 인식 Optical Character Recognition​

  • 과정
    • 이미지 전처리
    • 텍스트 위치 추정
    • 문자 분리 / 텍스트 추출
    • 문자 인식
    • 후처리
  • 텍스트 추출의 어려움
    • 다양한 크기, 색상, 방향 등
    • 여러 개의 글자를 하나의 단어로 인식하는 문제
    • 하나의 단어를 여러 개의 글자로 인식하는 문제
  • 다른 이미지 인식 과제와 달리 문자의 종류는 제한되어 있음
  • 별도로 개발할 필요 없이 오픈소스 라이브러리만으로 해결할 수 있음

PaddleOCR​

  • 중국 Baidu에서 개발한 딥러닝 기반 OCR 라이브러리
  • 한국어 포함 80개 언어 지원
  • 2025 현재 기준 가장 성능이 높음(PaddleOCRVL)

설치

!pip install paddlepaddle paddleocr

불러오기

from paddleocr import PaddleOCR
ocr = PaddleOCR(
    use_doc_orientation_classify=False, # 문서 방향 분류 사용 안 함
    use_doc_unwarping=False, # 문서 왜곡 보정 사용 안 함
    use_textline_orientation=False, # 텍스트 라인 방향 분류 사용 안 함
    lang='korean') # 언어: 한국어 (영어는 'en')

이미지 처리

result = ocr.predict(input="blueprint.jpg")

결과

res = result[0] # 첫 번째 이미지 결과
res['rec_texts'] # 인식된 텍스트
res['rec_polys'] # 텍스트별 폴리곤(다각형)의 꼭지점 좌표
res['rec_boxes'] # 텍스트별 박스의 왼쪽 위, 오른쪽 아래 꼭지점 좌표

시각화

res.save_to_img("output")

수동 시각화

from PIL import Image, ImageDraw, ImageFont
try:
    # 한글 출력을 위해 나눔고딕과 같은 한글 폰트가 필요합니다.
    font = ImageFont.truetype("NanumGothic.ttf", 20)
except IOError:
    print("NanumGothic.ttf 폰트를 찾을 수 없습니다. 기본 폰트를 사용합니다.")
    font = ImageFont.load_default()

img = Image.open('blueprint.jpg').convert("RGB")
draw = ImageDraw.Draw(img)

for text, poly in zip(res['rec_texts'], res['rec_polys']):
    # 텍스트를 감싸는 다각형(폴리곤)을 파란색으로 그립니다.
    # PIL의 polygon은 (x1,y1), (x2,y2)... 형태의 튜플 리스트를 인자로 받습니다.
    draw.polygon([tuple(p) for p in poly], outline="#0000FF", width=2)
    
    # 인식된 텍스트를 폴리곤의 첫 번째 꼭짓점 위치에 빨간색으로 씁니다.
    # 텍스트가 박스 안쪽에 그려지도록 위치를 약간 조정할 수 있습니다.
    text_position = tuple(poly[0])
    draw.text((text_position[0] + 5, text_position[1] + 5), text, fill="#FF0000", font=font)
img

추가 설명​

PDF에서 텍스트 추출하기​

설치(miniforge prompt에 입력할 때는 ! 제거)

!pip install pdf2image
!mamba install -y poppler

PDF에서 페이지들을 이미지 배열로 변환

import pdf2image
import numpy as np
pages = pdf2image.convert_from_path("교안.pdf")
page_arrays = [np.array(p) for p in pages]

텍스트 추출

result = ocr.predict(input=page_arrays)

result[0]은 1페이지, result[1]은 2페이지, ...

이미지 전처리​

import cv2 as cv
img = cv.imread("blueprint.jpg")
img = cv.resize(img, fx=0.5, fy=0.5) # 절반 크기로 축소
crop1 = img[0:400, :, :] # 상단 400픽셀 자르기
crop2 = img[401:, :, :] # 하단 나머지 자르기
imgs = [crop1, crop2] # 자른 이미지 배열
result = ocr.predict(input=imgs)

신뢰도 조정​

ocr.predict(img, text_det_thresh=0.1) # 텍스트 감지 임계값 낮추기

기타 자세한 설정값은 PaddleOCR 공식 문서를 참고하세요.