OCR Low Accuracy on
Scanned Documents? 5 Root Causes and Fixes

스캔된 문서는 디지털 네이티브 PDF와 근본적으로 다릅니다. 문서가 디지털로 생성되면 텍스트는 깔끔한 벡터 형태로 존재합니다. 스캔된 문서는 인쇄된 페이지의 사진입니다. 사진에 존재하는 모든 이미지 결함은 OCR 엔진이 단 한 글자를 인식하기 전에 해결해야 하는 문제가 됩니다. 사람의 눈에는 "충분히 가깝다"고 보이는 것이 픽셀 수준에서 작동하는 알고리즘에게는 절망적으로 모호할 수 있습니다.

좋은 소식: 스캔된 문서의 낮은 OCR 정확도는 예측 가능한 패턴을 따릅니다. 각 근본 원인은 진단적 지문을 남기며, 어떤 결함을 다루고 있는지 파악하면 해결 방법은 반복 가능합니다.

원인 1 — 낮은 DPI: 가장 흔한 정확도 저하 요인

증상: 확대하면 문자가 블록처럼 보입니다. OCR이 유사한 글리프를 혼동합니다 — 8을 B로, 5를 S로. 단어가 예기치 않게 끊기고 구두점이 자주 누락됩니다.

발생 이유: DPI는 스캐너가 물리적 페이지 1인치당 캡처하는 픽셀 수를 결정합니다. 200 DPI 미만에서는 문자당 픽셀 수가 너무 작아져 서로 다른 글리프 모양이 동일하게 보이기 시작합니다. 소문자 e와 c는 모두 몇 픽셀 크기의 덩어리가 됩니다. 150 DPI에서는 대부분의 엔진에서 문자 수준 정확도가 90% 미만으로 떨어집니다. 100 DPI — 허리 높이에서 스마트폰 사진을 찍은 것과 거의 같은 수준 — 에서는 작은 글씨가 있는 문서의 경우 정확도가 사용할 수 없을 정도가 됩니다.

해결 방법: 최소 300 DPI로 스캔하세요. 이는 OCR의 업계 표준이며 파일 크기와 인식 품질의 균형을 유지합니다. 10포인트 미만의 텍스트는 400–600 DPI로 높이세요. 다시 스캔할 수 없다면, 초고해상도 업스케일링이 포함된 전처리 파이프라인으로 너무 손상되어 사용할 수 없어 보이는 이미지에서도 측정 가능한 정확도를 회복할 수 있습니다.

원인 2 — 기울어짐과 틸트: 페이지가 곧지 않을 때

증상: 텍스트 줄이 위나 아래로 기울어집니다. 일부 단어는 올바르게 인식되지만 같은 줄의 인접한 단어는 조각납니다. 표의 열이 어긋나고, 한 열에 속한 데이터가 다음 열로 넘어갑니다.

발생 이유: 기존 OCR은 텍스트가 수평 직선으로 이어진다고 가정합니다. 사람 눈에는 거의 보이지 않는 3도 기울기만으로도 문자가 엔진이 예상하는 기준선을 벗어납니다. 줄 분할 알고리즘이 단어를 여러 행으로 나누고, 엔진이 회전된 참조와 글리프를 매칭하려 하여 문자 인식이 실패합니다. 효과는 누적됩니다. 왼쪽 위에서 시작된 3도 기울기가 오른쪽 아래에서는 수 밀리미터의 오프셋이 됩니다.

해결 방법: 대부분의 전처리 라이브러리에는 자동 기울기 보정 기능이 포함되어 있습니다. 이 알고리즘은 지배적인 텍스트 각도를 감지하고 이미지를 회전하여 보정합니다. 기울기 보정은 이진화 전에 적용하세요. 이진 이미지는 각도 감지가 의존하는 미세한 그라데이션 정보를 잃습니다. 이것이 바로 비전 기반 AI 추출이 기존 OCR과 차별화되는 지점입니다. 비전 모델은 페이지를 전체적인 시각 장면으로 처리하며 회전에 본질적으로 더 강합니다.

원인 3 — 노이즈 및 압축 아티팩트

증상: 출력에 원본 페이지에 없는 추가 문자가 나타납니다. 무작위 점, 쉼표 또는 조각입니다. 깨끗한 흰 공간처럼 보이는 영역에서 추출 결과에 "유령 텍스트"가 나타납니다.

발생 이유: 소금-후추 노이즈는 팩스 문서와 더러운 스캐너 유리로 스캔한 문서에서 흔합니다. JPEG 압축 아티팩트는 문자 가장자리 주변에 블록 모양의 왜곡을 만들어 OCR이 이를 글리프의 일부로 해석하게 합니다. 도장과 인장이 인쇄된 텍스트와 겹치면 문자 경계 감지가 혼란스러워집니다. 엔진은 도장 잉크와 인쇄 잉크를 분리하려다 둘 다 잘못 인식하는 경우가 많습니다.

해결 방법: 중간값 필터는 가우시안 블러보다 문자 가장자리를 보존하면서 소금-후추 노이즈를 제거합니다. JPEG 아티팩트의 경우 양방향 필터가 텍스트를 부드럽게 하지 않고 압축 경계를 완화합니다. 도장이 주요 문제라면, HSV 공간에서 색상 기반 필터링을 사용하여 OCR 전에 겹치는 도장 잉크를 분리하고 제거할 수 있습니다. 워터마크나 보안 인쇄와 같은 배경 패턴의 경우 적응형 임계값 처리를 사용하세요. 이는 지역적 밝기 수준을 계산하고 페이지의 다른 영역에 다른 임계값을 적용하여 단일 전역 임계값으로는 불가능한 배경 억제와 문자 보존을 동시에 달성합니다.

원인 4 — 흐림 및 낮은 대비: 보이지 않는 텍스트

증상: 출력 결과에서 텍스트 줄 전체가 누락됩니다. 엔진이 감지하는 것은 단편적입니다 — 인식 가능한 단어 중간의 문자 누락, 부분적인 단어 등. 출력은 원본의 무작위 샘플처럼 보입니다.

원인: 바랜 잉크, 오래된 감열지, 카본 사본은 모두 동일한 문제를 공유합니다: 잉크와 종이 간 대비가 너무 낮아 OCR이 신뢰성 있게 분리할 수 없습니다. 엔진이 이미지를 이진화할 때 밝기 임계값 이하의 픽셀은 "배경"으로 분류되어 폐기됩니다. 잉크가 충분히 연하거나 종이가 충분히 누렇게 변하면 문자가 그냥 사라집니다. 감열지 영수증이 악명 높습니다: 인쇄되는 순간부터 이미지 레이어가 지속적으로 저하되며, 6개월 전에는 읽을 수 있었던 영수증이 지금은 빈 출력을 생성할 수 있습니다.

해결책: CLAHE가 가장 효과적인 기술입니다 — 균일한 영역에서 노이즈를 과도하게 증폭하지 않으면서 국소적 대비 차이를 증폭합니다. 클립 한계 2.0–3.0과 텍스트 크기에 맞는 타일 그리드 크기로 적용하세요. 균일하게 어두워진 감열지의 경우, 처리 전에 이미지를 반전하세요 — 엔진의 이진화가 어두운 배경의 밝은 텍스트에서 더 잘 작동할 수 있습니다. 불균일한 흐림의 경우, 적응형 이진화가 전역 방법보다 국소적 변동을 더 잘 처리합니다.

원인 5 — 접힘 및 물리적 손상

증상: OCR 출력을 가로지르는 어두운 띠가 나타나며, 띠를 따라 있는 문자는 누락되거나 쓰레기 값으로 대체됩니다. 접힌 선 근처에서는 텍스트가 변위되거나 중복되어 나타날 수 있습니다.

원인: 물리적 접힘은 스캔 시 그림자 선을 만듭니다 — 엔진의 이진화가 이를 전경 객체로 처리할 만큼 어둡습니다. 그림자와 교차하는 문자는 가려지거나 조각으로 분할됩니다. 심하게 구겨진 문서의 경우, 접힌 부분의 종이 높이 변화로 인해 페이지가 스캐너의 피사계 심도를 벗어나 그림자에 흐림 띠가 추가됩니다. 이 조합은 최악의 OCR 입력을 만듭니다: 높은 대비 변동, 초점이 맞지 않는 문자, 깨진 글리프 모양.

해결책: 인페인팅 — 주변 픽셀을 보간하여 손상된 영역을 채우는 방법 — 이 가장 효과적인 치료법입니다. OpenCV의 cv2.inpaint()와 Telea 알고리즘을 사용하면 기본 텍스트를 보존하면서 접힌 그림자를 제거합니다. 인페인팅 반경 3–5픽셀로 시작하세요. 텍스트가 물리적으로 제거된 찢어진 가장자리의 경우, 형태학적 팽창이 끊어진 획을 재연결하여 인식 불가능한 조각을 다시 읽을 수 있는 글리프로 바꾸는 경우가 많습니다.

여러 결함을 처리하는 전처리 파이프라인 구축하기

실제 스캔 문서 대부분은 결함이 하나 이상입니다. 팩스로 받은 계약서는 낮은 DPI와 노이즈 아티팩트가 함께 있을 수 있습니다. 오래된 구매 주문서는 번진 잉크와 접힌 자국이 동시에 있을 수 있습니다. 전처리 단계를 적용하는 순서가 중요합니다.

품질 문제가 여러 개 있는 스캔 문서에 권장되는 파이프라인 순서는 다음과 같습니다:

이 파이프라인은 이론에 그치지 않습니다. 여러 OCR 벤치마크에서 수천 개의 열화된 문서 이미지로 검증되었습니다. OCR 정확도 향상을 위한 전용 가이드에서는 언어 모델 기반 보정, 필드 수준 검증, 신뢰도 점수 등 추가 후처리 기법을 다룹니다.

전처리만으로 부족할 때

전처리는 문서를 "읽을 수 없는" 상태에서 "사용 가능한" 상태로 만들 수 있습니다. 하지만 한계가 있습니다. 소스가 더러운 평판 스캐너에서 72 DPI로 스캔된 후 팩스로 전송되고 다시 스캔된 경우, 알고리즘 정리로 복구할 수 있는 한계가 있습니다. 어느 시점에서 질문은 "이 이미지를 어떻게 고칠까"에서 "올바른 추출 방식을 사용하고 있나?"로 바뀝니다.

기존 OCR은 개별 문자 모양을 인식하는 방식으로 작동합니다. 근본적으로 픽셀 수준입니다. 픽셀이 손상되면 출력도 손상됩니다. 현대의 비전 기반 AI 추출은 문서를 전체적인 시각적 장면으로 읽습니다. 일부 픽셀이 누락되어도 단어가 단어임을 이해하는데, 이는 문자 모양 템플릿이 아닌 의미를 매칭하기 때문입니다.

이러한 차이는 여러 결함이 있는 문서에서 가장 두드러집니다. 희미한 보라색 인쇄, 스테이플 모서리로 인한 약간의 기울어짐, 공급업체 주소를 가로지르는 접힌 자국이 있는 카본 카피 인보이스의 경우, 기존 OCR은 이 입력에서 60~70%의 필드 정확도를 낼 수 있습니다. 비전 AI 도구는 접힌 자국의 그림자를 "텍스트가 아님"으로 처리하고 그 주변을 읽기 때문에 종종 90% 이상을 달성할 수 있습니다. 문서 유형에 따라 정확도 저하에 대한 반응이 다릅니다, 하지만 원칙은 일관됩니다. 손상이 픽셀에 있다면 해결책은 패러다임에 있을 수 있습니다.

자주 묻는 질문

스캔 문서에서 안정적인 OCR을 위한 최소 DPI는 얼마인가요?

300 DPI가 업계 표준입니다. 200 DPI 미만에서는 대부분의 OCR 엔진에서 문자 단위 정확도가 눈에 띄게 저하됩니다. 150 DPI 미만에서는 표준 인쇄 텍스트의 정확도가 90% 아래로 떨어집니다. 텍스트가 10포인트보다 작다면 400–600 DPI를 권장합니다. 600 DPI 이상에서는 한계 효과가 있습니다. 해상도가 높을수록 파일 크기는 커지지만 일반적인 문서 텍스트의 정확도 향상은 미미합니다.

AI가 매우 낮은 품질의 스캔 문서에서도 데이터를 추출할 수 있나요?

비전 AI 모델은 픽셀 단위가 아닌 의미적으로 페이지를 처리하기 때문에 전통적인 OCR보다 이미지 결함에 훨씬 관대합니다. 사람의 눈으로 읽을 수 있는 문서라면 — 간신히 보이는 수준이라도 — 일반적으로 추출이 가능합니다. 단, 텍스트가 실제로 보이지 않는 문서는 예외입니다. 이미지에 존재하지 않는 데이터는 어떤 기술로도 복구할 수 없습니다.

기울기 보정이 실제로 OCR 정확도를 의미 있게 향상시키나요?

네. 5도 기울기는 전통적인 OCR 엔진의 단어 오류율을 10–15% 증가시킵니다. 10도에서는 손실이 30%를 초과할 수 있습니다. 기울기 보정은 ROI가 가장 높은 전처리 단계 중 하나입니다. 처리 시간이 거의 들지 않으면서 일관된 개선 효과를 제공합니다.

스캔에 낮은 DPI와 노이즈가 모두 있다면 무엇을 먼저 해결해야 하나요?

노이즈를 먼저 해결한 다음 해상도를 처리하세요. 저해상도 이미지의 노이즈 제거가 그 반대보다 더 효과적입니다. 먼저 업스케일하면 텍스트와 함께 노이즈도 증폭됩니다. 이 가이드의 파이프라인 순서는 이 원칙을 따릅니다. 대비 향상 전에 노이즈를 제거하고, 해상도 관련 작업 전에 대비 향상을 수행합니다.

플랫베드 스캔 대신 스마트폰 사진을 사용해도 되나요?

스마트폰 사진은 플랫베드 스캔에는 없는 원근 왜곡, 렌즈 블러, 불균일한 조명이 발생합니다. 플랫베드 스캐너를 사용할 수 있다면 더 일관된 결과를 얻을 수 있습니다. 휴대폰을 꼭 사용해야 한다면 페이지 바로 위에서 촬영하고, 균일한 자연광을 사용하며, 최대 해상도로 촬영하세요. 대부분의 최신 휴대폰은 충분히 가까이 대면 300 DPI 이상의 해상도를 제공합니다.

체계적인 접근 방식이 승리합니다

스캔 문서의 낮은 OCR 정확도는 우연이 아닙니다. 이는 각각 알려진 메커니즘과 맞춤형 해결책이 있는 식별 가능한 이미지 결함의 결과입니다. 대부분의 사람들이 저지르는 실수는 밝기와 대비를 임의로 조정하며 무작정 일반적인 "향상" 필터를 적용하는 것입니다.

체계적인 접근 방식은 더 간단합니다. OCR 출력을 살펴보고, 오류 패턴을 식별하고, 근본 원인을 추적한 다음, 단일 해결책을 적용하세요. 낮은 DPI → 업스케일 또는 재스캔. 기울어짐 → 기울기 보정. 노이즈 → 중앙값 필터. 색 바램 → CLAHE. 접힘 자국 → 인페인팅. 문서에 여러 결함이 있는 경우 의존 순서대로 수정을 적용하세요. 노이즈는 해상도보다 먼저, 기울기 보정은 다른 모든 것보다 먼저.

올바른 순서로 올바른 수정을 적용했는데도 정확도가 워크플로우 요구 사항보다 여전히 낮다면, 제약은 전처리가 아니라 추출 패러다임에 있습니다. 픽셀 모양이 아닌 의미로 문서를 읽는 비전 AI 도구가 실용적인 결과를 얻는 더 빠른 경로일 수 있습니다. 전처리만으로 충분하지 않을 때 필드 수준 검증 및 정확도 검증 방법에 대해 자세히 알아보기