OCR 정확도 향상 방법:
실제로 효과가 있는 실용 팁 10가지

시작 전 확인 사항

OCR 정확도는 파이프라인에 따라 달라집니다. 입력 이미지의 품질, OCR 엔진이 이를 처리하는 방식, 그리고 출력 결과를 어떻게 활용하는지가 모두 영향을 미칩니다. 이 체인에서 어느 한 고리라도 약하면 최종 결과가 저하됩니다.

다행히도 가장 큰 개선 효과는 가장 초기 단계인 스캔 품질과 이미지 전처리에서 얻을 수 있으며, 대부분 사용자가 직접 제어할 수 있습니다. 조명이 고르고 대비가 적절한 환경에서 300 DPI로 스캔한 문서는 최신 OCR 엔진으로 약 99%에 가까운 정확도를 달성할 수 있습니다. 동일한 문서를 조명이 좋지 않은 환경에서 휴대폰으로 촬영해 150 DPI로 스캔하면 어떤 OCR 소프트웨어를 사용하든 80%를 넘기기 어렵습니다.

이 가이드에서는 영향이 큰 순서부터 낮은 순서로 10가지 기법을 소개합니다. 처음 몇 가지부터 시작하세요. 대부분의 정확도 문제를 해결할 수 있습니다.

OCR 정확도가 어떻게 측정되는지, 그리고 공급업체의 주장이 왜 오해를 불러일으키는지 잘 모르신다면 먼저 OCR 정확도의 실제 의미를 읽어보세요. 문자 수준과 필드 수준 정확도의 차이를 설명하며, 아래 팁을 더 의미 있게 이해하는 데 도움이 됩니다.

1. 300 DPI 이상으로 스캔하세요

중요한 이유: 이미지 해상도는 OCR 정확도에서 가장 많이 제어할 수 있는 요소입니다. OCR 엔진이 문자를 인식할 때 글자 모양을 구분할 만큼 충분한 픽셀이 필요합니다. 픽셀이 너무 적으면 서로 다른 문자가 뚜렷하게 구분되지 않고 흐릿한 형태로 섞여 버립니다. AI Multiple의 OCR 정확도 벤치마크에 따르면 150 DPI로 스캔한 문서는 동일 문서를 300 DPI로 스캔한 경우보다 정확도가 15~20% 떨어집니다. 150 DPI 아래로 내려가면 정확도가 급격히 떨어집니다.

실행 방법: 스캐너를 최소 300 DPI로 설정하세요. 작은 글씨나 조밀한 표가 있는 문서는 400~600 DPI를 사용하세요. 600 DPI를 초과하지 마세요. 추가적인 이득이 미미해집니다. 600 DPI는 작은 글씨에서 300 DPI보다 약 2~3% 향상되며, 1,200 DPI는 거의 차이가 없으면서 파일 크기와 처리 시간만 3배로 늘어납니다.

휴대폰 사진의 경우: 대부분의 최신 휴대폰은 300 DPI에 해당하는 것보다 높은 해상도로 이미지를 촬영합니다. 문제는 실효 해상도입니다. 너무 멀리서 또는 기울어진 각도로 촬영하면 텍스트가 더 적은 픽셀로 덮이게 됩니다. 문서가 프레임의 대부분을 차지할 만큼 가까이서 촬영하세요. 휴대폰 화면에서 모든 텍스트를 편안하게 읽을 수 있다면 해상도는 대체로 충분합니다.

기대 효과: 저해상도 스캔 대비 15~20% 향상. 스캐너 설정만 조정하면 되므로 비용이 들지 않는 가장 높은 ROI의 변경입니다.

2. 조명 조건 제어하기

중요한 이유: 고르지 못한 조명은 문서 전체에 그림자, 반사, 그라데이션을 만들어 OCR 엔진이 텍스트를 읽기 전에 반드시 걸러내야 하는 요소입니다. 송장 날짜에 드리운 그림자는 "2024-03-15"를 "2024-03-1S"로 읽히게 만들 수 있는데, "5"가 일부 가려지기 때문입니다. 책상 램프의 눈부심은 열 전체를 지워버릴 수도 있습니다.

해결 방법: 문서를 평평한 표면에 놓고 고르고 부드러운 조명을 확보하세요. 손이나 휴대폰으로 인한 그림자가 생기는 직사광선은 피하세요. 흐린 날 창가에서 들어오는 자연광이 가장 좋은 경우가 많습니다. 문서를 정기적으로 스캔한다면 작은 평판 스캐너나 문서 급지 스캐너가 조명 변동 문제를 완전히 해결해 줍니다.

일괄 캡처의 경우: 평판 스캐너와 문서 급지 장치는 일정하고 안정적인 조명을 제공합니다. 처리량이 충분하다면 일관된 조명만으로 얻는 정확도 향상이 하드웨어 비용을 충당하는 경우가 많습니다.

기대 효과: 이전에 조명 상태가 좋지 않았던 모바일 촬영 문서에서 5–10%의 정확도 향상. 더 중요한 것은 조명 변화로 인해 발생하는 예측 불가능한 오류를 제거한다는 점입니다. 그런 오류는 그럴듯해 보여서 놓치기 쉽습니다.

3. 이미지 대비 향상

중요한 이유: 낮은 대비 — 밝은 회색 배경의 진한 회색 텍스트 — 는 OCR 정확도의 조용한 적입니다. 사람이 겨우 읽을 수 있는 문자도 OCR 엔진에는 동일하게 보입니다. 텍스트가 배경에 섞여 버리면 엔진은 부분적인 형태 정보를 바탕으로 추측하게 됩니다.

해결 방법: 텍스트와 배경 사이의 대비를 높이세요. 가장 효과적인 방법은 CLAHE(Contrast Limited Adaptive Histogram Equalization)로, 균일한 영역의 노이즈를 과도하게 증폭하지 않으면서 국부 대비를 향상시킵니다. 표준 전역 히스토그램 평활화도 효과가 있지만 노이즈가 많은 배경을 더 악화시킬 수 있습니다.

실제 적용: 많은 OCR 도구에는 대비 향상 기능이 내장되어 있습니다. 이미지를 직접 전처리한다면 OpenCV의 createCLAHE 함수로 직접 제어할 수 있습니다. 대부분의 문서에서 클립 한도를 2.0–3.0, 타일 그리드 크기를 8×8로 설정하세요.

기대 효과: 자연적으로 대비가 낮은 문서에서 5–10%의 정확도 향상.

4. 기울기 보정

중요한 이유: 문서가 아주 약간이라도 회전된 경우 OCR 단어 오류율이 15% 이상 증가할 수 있습니다. 엔진은 수평 텍스트 기준선에 의존하여 줄과 단어를 분할합니다. 기준선이 기울어지면 줄 분할이 실패하여 두 줄의 문자가 병합되거나 한 줄이 조각으로 나뉠 수 있습니다. 그 결과 원본과 거의 유사하지 않은 뒤섞인 출력이 생성됩니다.

수행 방법: Deskew를 사용하세요. 대부분의 OCR 소프트웨어에는 자동 deskew 기능이 포함되어 있으므로 이를 활성화하세요. 수동 전처리의 경우 기울기 각도를 감지하고 해당 각도의 음수만큼 이미지를 회전하세요. ScanTailor, unpaper(Linux), Adobe Acrobat의 내장 deskew 기능 모두 이를 잘 처리합니다.

핵심 임계값: Tesseract OCR은 약 ±2도의 기울기까지는 정확도 손실 없이 처리할 수 있습니다. 2도를 초과하면 자동 deskew가 필수적입니다. 10도를 초과하면 일부 OCR 엔진은 완전히 실패합니다.

기대 효과: 눈에 띄는 기울기가 있는 페이지에서 단어 오류가 10~15% 감소합니다. 대부분의 스캔 소프트웨어에서 체크박스 하나로 해결되는 가장 저렴한 수정 방법 중 하나입니다.

5. 올바른 언어 설정

중요한 이유: OCR 엔진은 언어 모델을 사용하여 문자를 판별합니다. 엔진이 영어로 설정된 경우 특정 문맥에서 "rn"이 "m"보다 더 가능성 있는 문자 시퀀스라는 것을 알지만, "an" 다음에 오는 단어가 특정 문자 조합으로 시작할 가능성이 낮다는 것도 알고 있습니다. 문서가 독일어인데 엔진이 영어로 설정되어 있으면 "ß", "ä", "ö"와 같은 일반적인 독일어 문자 조합을 잘못 해석하고 잘못된 언어 모델에 기반한 부정확한 수정을 강제할 수 있습니다.

수행 방법: OCR 언어를 문서에 맞게 설정하세요. 문서에 여러 언어가 포함된 경우 관련 언어를 모두 선택하세요. 대부분의 최신 OCR 엔진은 다중 언어 모드를 지원합니다. 추가 언어를 활성화하는 성능 비용은 무시할 수 있는 반면, 잘못된 언어를 사용하는 정확도 비용은 상당합니다.

다중 언어 문서: 국제 송장, EU 세관 양식, 이중 언어 계약서와 같은 문서는 종종 언어를 혼합합니다. OCR 엔진에서 관련 언어를 활성화하면 엔진이 프랑스어 단어를 "유효하지 않은" 영어 철자로 간주하여 오독하는 일반적인 실패 모드를 방지할 수 있습니다.

기대 효과: 비원어민 언어 문서에서 3~8% 개선됩니다. 더 중요한 것은 언어별 문자에 대한 치명적인 오류를 줄여준다는 점입니다.

문서 유형에 따라 언어 설정 변경에 대한 반응이 다릅니다. 더 자세한 분석은 문서 유형별 OCR 정확도 저하 원인을 참조하세요.

6. 그레이스케일 변환 및 적응형 임계값 적용

중요한 이유: 컬러 이미지에는 OCR 엔진이 문자 인식에 필요로 하는 것보다 훨씬 많은 데이터가 포함되어 있으며, 이러한 추가 데이터에는 문자 분할을 방해하는 노이즈, 압축 아티팩트, 색상 그라데이션이 자주 포함됩니다. 그레이스케일 변환은 휘도 정보를 유지하면서 색상 차원을 제거합니다. 임계값 적용은 한 단계 더 나아가 이미지를 흰색 배경의 순수한 검은색 텍스트로 변환하며, 이는 대부분의 OCR 엔진이 내부적으로 선호하는 형식입니다.

수행 방법: 먼저 그레이스케일 변환을 적용합니다. 그런 다음 전역 임계값이 아닌 적응형 임계값을 사용하여 이미지를 이진화합니다. 전역 임계값은 전체 이미지에 대해 하나의 임계값을 선택하는데, 조명이 고르지 않거나 부분적으로 그림자가 있는 문서에서는 심각하게 실패합니다. 적응형 임계값은 각 영역에 대해 로컬 임계값을 계산하여 그라데이션을 자연스럽게 처리합니다.

권장 방법: Otsu 이진화는 깨끗한 문서에 좋은 출발점입니다. 조명이 다양한 문서의 경우 적응형 가우시안 임계값을 사용합니다.

기대 효과: 배경 노이즈나 색상 그라데이션이 있는 문서에서 절대 정확도가 5–15% 향상됩니다. International Journal of Environmental Sciences에 게재된 연구에 따르면 Otsu 이진화와 가우시안 블러를 적용하면 인쇄 텍스트 OCR 정확도가 65.56%에서 90.35%로 향상되었습니다.

7. 후처리에서 맞춤법 검사 및 사전 검증 사용

중요한 이유: 최고의 OCR 파이프라인도 실수를 합니다. 문자 정확도 99%라도 100자 중 1자는 틀렸다는 뜻이며, 5,000자 문서에서는 50개의 오류가 발생합니다. 이러한 오류 중 다수는 미묘합니다. "rn"이 "m"으로, "cl"이 "d"로, "0"이 "O"로 읽히는 경우입니다. 맞춤법 검사기는 추출된 "1O"가 "10"이어야 하는지 알려줄 수 없지만, 후처리 검증 레이어는 이를 의심스러운 값으로 표시하고 도메인별 수정을 적용할 수 있습니다.

수행 방법: OCR 출력을 도메인별 사전이 포함된 맞춤법 검사기에 통과시키세요. 실용적인 2계층 접근 방식은 다음과 같습니다:

계층 1 — 일반 맞춤법 검사: 출력을 언어 맞춤법 검사기에 통과시키세요. 도메인 용어가 아닌 명백한 오타를 수정합니다.

계층 2 — 맞춤 사전: 도메인 특화 용어의 사전을 만드세요. OCR 출력에 나타나지만 일반 사전이나 맞춤 사전에 없는 단어를 모두 표시하세요. 표시된 용어는 수동으로 검토합니다.

기대 효과: 단독으로는 1~3%의 정확도 향상이 있지만, 가장 중요한 것은 다른 모든 단계를 통과하는 오류를 잡아낸다는 점입니다. 생산 워크플로우에서 후처리 검증은 자동 OCR 검증에 관한 발표된 연구에 따르면 잔여 OCR 단어 오류의 약 60%를 잡아냅니다.

8. 중요 필드 별도 검증

중요한 이유: 모든 필드가 동등하지는 않습니다. 본문 단락에서 문자가 잘못 읽혀도 무해합니다. 독자가 알아낼 수 있기 때문입니다. 그러나 송장 합계, 마감일 또는 사업자등록번호에서 숫자가 잘못 읽히면 치명적입니다. 문자 수준 정확도와 필드 수준 정확도의 구분은 OCR 품질에서 가장 중요한 개념입니다. 문자 정확도가 99%여도 다섯 자리 금액 중 한 자리가 잘못 읽히면 송장 합계가 틀릴 수 있습니다.

수행 방법: 문서에서 중요 필드를 식별하고 해당 필드에만 더 엄격한 검증을 적용하세요.

금액 필드: 추출된 값이 예상 형식과 일치하는지 확인합니다. 패턴에서 벗어난 값은 표시하세요. 예를 들어 대부분의 공급업체 인보이스가 $100~$5,000 사이라면, $1,200,000의 합계는 오독 가능성이 높습니다.
날짜 필드: 예상 날짜 형식(YYYY-MM-DD vs DD/MM/YYYY), 범위, 논리적 일관성을 검증합니다.
숫자 식별자: 인보이스 번호, PO 번호, 세금 ID는 종종 특정 패턴을 따릅니다. 알려진 형식이 "INV-2026-XXXXX"라면, 일치하지 않는 추출 번호를 표시하세요.

기대 효과: 이 팁은 전반적인 정확도를 높이지 않습니다. 실사용 가능한 정확도를 높입니다. 가장 중요한 필드가 올바른지 보장하면서, 중요하지 않은 텍스트의 사소한 오류는 허용합니다. 비즈니스 워크플로에서 이는 완전한 수동 검토가 필요한 출력과, 표본 검사 후 바로 사용할 수 있는 출력의 차이를 만듭니다.

비즈니스 문서에서 필드 수준 정확도가 중요한 지표인 이유를 자세히 알아보려면 OCR 정확도란 실제로 무엇을 의미하는가?를 참조하세요.

9. 가능하면 OCR 친화적 글꼴 선택

중요한 이유: 모든 글꼴이 OCR 엔진의 눈에는 동일하지 않습니다. Arial, Helvetica, Courier, Times New Roman과 같은 단순하고 균일하며 간격이 좋은 글꼴이 가장 높은 인식률을 보입니다. 장식용 글꼴, 필기체 글꼴, 좁은 글꼴, 매우 가는 획의 글꼴은 문자 간 변형이 너무 작아 엔진이 안정적으로 구분하지 못해 문제를 일으킵니다.

수행 방법: 문서를 직접 작성하는 경우, 10pt 이상의 표준 산세리프 또는 세리프 글꼴을 사용하세요. 다음은 피하세요:

• 필기체 또는 손글씨 스타일 글꼴
• 좁은 글꼴
• 매우 가볍거나 가는 글꼴
• 이미 작은 글꼴의 이탤릭 변형

수신 측이라면: 이 팁은 주로 예방적입니다. 공급업체가 어려운 글꼴로 문서를 보낸다면, 전처리가 부분적으로 보완할 수 있지만 인식률은 여전히 표준 글꼴보다 낮습니다. 이를 알면 현실적인 기대치를 설정하는 데 도움이 됩니다. 문서 작성자의 잘못된 글꼴 선택은 전처리 품질과 관계없이 정확도를 제한할 수 있습니다.

기대 효과: 어려운 글꼴에서 표준 글꼴로 전환하면 2~5% 향상됩니다. 더 중요한 것은 특정 글꼴의 일부 문자가 일관되게 오독되고 다른 문자는 정상인 "무작위 실패" 패턴을 제거한다는 점입니다.

10. 깨끗한 원본부터 시작하세요

중요한 이유: 전처리만으로는 근본적으로 훼손된 원본에서 텍스트를 완전히 복구할 수 없습니다. 지갑에 넣고 다닌 지 여섯 달 된 구겨진 영수증, 팩스로 보낸 뒤 다시 스캔한 계약서, 시간이 지나 검게 변한 감열지 출력물 — 이러한 문서는 정보가 영구적으로 손실된 상태입니다. 전처리는 노이즈를 제거하고 기울기를 보정하며 대비를 개선할 수 있지만, 더 이상 존재하지 않는 픽셀을 복원할 수는 없습니다.

해야 할 일: 문서가 스캐너에 도달하기 전에 문서 품질에 대해 생각하십시오.

• 원본은 평평하고 건조한 곳에 보관하십시오. 구겨진 종이는 접힌 부분에 그림자가 생기고 영구적인 왜곡을 유발합니다.
• 중요한 문서의 경우, 물리적 사본을 스캔하는 대신 발신자에게 깨끗한 사본이나 디지털 원본(PDF)을 요청하십시오.
• 팩스 기계를 거친 문서는 스캔하지 마십시오 — 팩스 전송은 이미지를 과도하게 압축하고 상당한 아날로그 노이즈를 유발합니다.
• 훼손된 원본을 디지털화해야 한다면 수동 검증을 우선시하십시오 — 자동화된 프로세스로 완전히 해결할 수 없는 오류가 있을 것입니다.

기대 효과: 현재 원본 문서의 훼손 정도에 전적으로 달려 있어 정량화하기 어렵습니다. 하지만 간단한 테스트가 있습니다: 여러분이 자신 있게 읽을 수 없는 문자가 있다면 OCR 엔진도 마찬가지일 것입니다. 더 깨끗한 원본에 투자할지, 아니면 수동 검토가 필요함을 받아들일지 결정하는 기준으로 이 테스트를 사용하십시오.

일반적인 OCR 문제 해결

열 가지 팁을 모두 적용해도 일부 정확도 문제는 지속됩니다. 가장 흔한 실패 유형과 진단 방법은 다음과 같습니다.

자주 묻는 질문