문자인식 — 사진 속 글자는 왜 복사가 안 될까

오래된 신문을 스캔해 화면으로 열었다. 글자는 또렷한데 문장을 끌어 선택하려 하면 페이지 전체가 움직인다. 사람에게는 분명 글인데 컴퓨터에는 왜 복사할 수 있는 문장으로 보이지 않을까.

답은 같은 모양이 서로 다른 정보일 수 있다는 데 있다. 사진에는 글자 모양의 픽셀이 있고, 텍스트에는 어떤 글자인지 구별하는 정보가 있다. OCR, 즉 광학 문자 인식은 이미지에서 글자를 찾아 컴퓨터가 다룰 수 있는 텍스트로 옮기는 기술이다. 종이 문서가 검색 가능한 자료가 되는 길목에 있다.

01. 사람은 글을 보고 기계는 그림을 받았다

종이에 인쇄된 이름을 촬영하면 사진 파일에는 밝기와 색의 배열이 들어간다. 사람은 익숙한 모양에서 글자를 읽지만, 파일 자체가 이름의 철자를 문자 데이터로 갖고 있는 것은 아니다. 인쇄물을 스캔했다고 자동으로 워드프로세서 문서가 되지는 않는다.

반대로 처음부터 컴퓨터에서 작성한 PDF에는 텍스트와 글꼴 정보가 들어 있을 수 있다. 같은 PDF 확장자라도 한쪽은 페이지 이미지가 중심이고 다른 쪽은 실제 텍스트를 포함한다. 겉모습만 비슷하다고 내부에서 할 수 있는 작업까지 같지는 않다.

02. 문자인식은 번역보다 앞선 일이다

OCR은 원래 글을 다른 언어로 바꾸는 작업이 아니다. 이미지 속 모양을 어떤 문자로 읽을지 알아내려는 작업이다. 예를 들어 종이에 쓰인 서울이라는 두 글자를 서울이라는 텍스트로 옮기는 것이 먼저다. 그 뜻을 영어로 전달하는 번역은 다른 단계다.

물론 인식에는 언어와 문맥에 관한 정보가 도움이 될 수 있다. Tesseract의 문서는 사전과 단어 목록, 언어 설정이 결과에 영향을 준다고 설명한다. 형태만 하나씩 완벽하게 판독하면 끝나는 문제라기보다, 이미지와 문자 체계의 조건이 함께 관여한다.

03. 같은 글도 사진 상태에 따라 다르게 읽힌다

흐릿한 초점과 얼룩, 배경의 그림자는 인식을 어렵게 할 수 있다. 기울어진 줄이나 지나치게 작게 촬영된 글자도 영향을 준다. 사람이라면 주변 내용을 보고 추측해 넘어갈 부분에서 프로그램은 다른 글자를 내놓을 수 있다.

Tesseract의 공식 안내는 해상도와 기울기 보정, 불균일한 배경과 잡음 등을 다룬다. 다만 사진을 크게 늘리기만 하면 모든 정보가 되살아나는 것은 아니다. 처음부터 글자의 세부가 충분히 남도록 준비하는 것과 나중에 화면을 확대하는 것은 다른 문제다.

04. 옆 칸의 글을 한 문장으로 붙일 수도 있다

옛 신문처럼 한 페이지에 여러 단이 있는 자료는 글자만 알아보아서는 충분하지 않다. 어느 줄 다음에 어느 줄을 읽어야 하는지도 파악해야 한다. 왼쪽 단의 중간과 오른쪽 단의 중간을 이어 붙이면 글자는 맞아도 문장은 이상해진다.

표에서도 숫자와 제목의 관계가 중요하다. 값 자체를 제대로 읽어도 다른 행에 붙이면 뜻이 달라진다. OCRmyPDF는 문서의 자연스러운 읽기 순서에 한계가 있을 수 있다고 설명한다. 잘 읽히는 글자와 제대로 이해할 수 있는 문서 구조는 별도의 어려움을 갖는다.

05. 원래 페이지 위에 글의 층을 더하기

OCRmyPDF 같은 도구는 스캔한 PDF에 인식한 텍스트 층을 더한다. 화면에는 기존의 페이지 모습이 보이면서 검색과 선택에 사용할 글자 정보가 함께 들어갈 수 있다. 이미지를 전부 새 활자로 다시 조판하지 않아도 찾을 수 있게 만드는 방식이다.

그래서 검색이 된다고 문서 전체가 자유롭게 편집되는 것은 아니다. 검색을 위한 글자 정보가 생겼다는 것과 원래의 표·문단·서체를 완벽하게 복원했다는 것은 다르다. 어떤 기능이 추가되었는지 구별하면 결과를 더 알맞게 사용할 수 있다.

06. 검색 결과가 없다는 말도 조심해서 읽기

인식이 틀리면 페이지에 실제로 있는 단어를 검색으로 찾지 못할 수 있다. 오래된 신문에서 특정 이름이 안 나온다고 곧바로 기록이 없었다고 단정할 수 없는 이유다. 검색은 많은 자료를 빨리 살피게 하지만 그 기반이 되는 텍스트에 오류가 있을 수 있다.

반대로 비슷한 모양을 잘못 읽어서 없던 단어가 생길 수도 있다. 인용하거나 사실을 확인할 때는 해당 페이지의 원래 모습을 함께 대조하는 편이 좋다. 편리해진 찾기 기능이 근거 확인을 대신하는 것이 아니라, 확인할 자리를 더 빨리 찾아 주는 역할을 한다.

07. 결과를 고치는 일에도 의미가 있다

자료를 디지털화할 때는 스캔한 이미지와 인식 결과를 구분해 보관하고 틀린 글자를 검토하는 과정이 필요할 수 있다. 기술이 문자를 자동으로 내놓는 일과 믿고 인용할 수 있는 자료를 만드는 일 사이에는 편집이 남는다.

이 글에서 참고한 Tesseract와 OCRmyPDF는 인쇄 문자를 중심으로 설명한 공개 도구들이다. OCR이라는 넓은 분야 전체의 성능을 한 프로그램의 결과로 판단할 필요는 없다. 특히 손글씨나 복잡한 문서가 같은 수준으로 읽힌다고 기대해서는 안 된다. 대상과 도구에 따라 가능한 범위가 다르다.

08. 오래된 페이지를 다시 찾아갈 수 있도록

함께 실은 AI 삽화는 스캐너와 오래된 책을 살피는 장면이다. 실제 장비 사용 순서를 가르치거나 인식 전후의 정확도를 비교한 사진은 아니다. 종이의 모습과 검색 가능한 글을 함께 보존하려는 작업의 분위기를 담았다.

문자인식의 매력은 사람 대신 책을 완벽하게 이해한다는 데 있지 않다. 눈으로만 넘기던 많은 페이지에서 필요한 말의 위치를 찾도록 돕는 데 있다. 그리고 그 자리를 찾은 뒤 다시 원본을 읽는 순간, 기계의 편리함과 사람의 검토가 같은 작업 안에서 만난다.