웹 서핑하다가 좋은 글 좋은 기사 있으면 스크롤 캡처해 둔다.
그런데 캡처 내용을 글로 뽑으려고 하면 문제가 생긴다.
캡처 그림을 보면서 열심히 타이핑하는 건 너무 지겨워서.....
그래서 생각한 게 OCR 기능을 이용하는 건데,
유료는 매달 돈을 내야 하니 싫고,
무료로 가능한 것 중에서 구글 드라이브를 사용한 OCR을 사용해 봤다.
성능이 어느 정도 만족스럽더라.
그럼에도 불구하고 더 나은 성능을 바란다.
내게 한 가지 아이디어가 있다
지금 화면에 표시되는 글자는 맑은고딕 폰트이고, 폰트 사이즈는 10이다.
한글을 가나다라마바사아자차카타파하 거너더러머버서어저처커터퍼허....
이런 식으로 모든 글자를 1세트로 하면 1만2천 자 정도가 된다고 하더라.
그 중에서 '가'라는 글자만 생각해 보자.
흰색 배경색에 ㄱ, ㅏ 가 합쳐져서 '가'라는 글자가 되었다.
'가'라는 글자를 포함하는 사각형 영역을 구하면,
다른 곳은 다 흰 색이고, ㄱ과 ㅏ 부분만 검은색 또는 회색으로 되어 있을 것이다.
이 사각형 안의 점들의 RGB 값을 더하면, '가'라는 글자에 대한 고유 RGB 값이 나올 것이다.
그리고 다른 모든 한글 글자도 고유 RGB 값이 나올 것이다. (값이 중복될 수는 있다.)
그러면 다른 모든 한글 글자의 고유 RGB 값 리스트를 만들 수 있을 것이다.
즉 맑은고딕 폰트이고, 폰트 사이즈가 10일 때의 RGB 값 리스트가 생긴다.
OCR을 할 때는 글자마다 사각형 영역을 설정하고, RGB값을 더하고, 위에서 만든 리스트와 비교한다...
그러면 틀릴 가능성이 거의 없는 OCR이 되지 않을까?
스크롤 캡처말고 페이지 자체를 저장하셈
그 방법도 쓰긴 하는데, 캡처하는 경우도 많거든..
OCR이 그래프 이론으로 두 점 사이 지나가는 선분 갯수로 인식하는 방법도 있긴 한데 요새는 인공지능으로 넘어간 상태.
OCR 처리를 인공지능이 하고 나서, 그걸 인간이 또 일일이 비교 확인을 해야 하는 상황임.... 그래서 틀릴 일이 없는 방법을 찾고 있음...
글자 크기나 글꼴이 바뀌면 이런 식으로 안됨 결국 인공지능 패턴인식으로 해야. 이미 90년대 OCR도 다 인공지능 패턴인식을 내장한 상태.
본문에는 적지 않았지만, 이 OCR은 2단계로 이뤄짐...
1단계는 폰트의 종류와 폰트 사이즈를 알아내는 단계인데, 이건 머신러닝을 통해서 판별하게 만들고, 2단계는 본문처럼 하자는 것임..
문장 각도도 알아내야 함. 스캔 삐뚤게 하거나 세로쓰기 같은 것, 그래프 첨부 등
그리고 한국이 OCR 만들기 가장 힘든 나라인데 한글, 한자, 일본어를 다 쓰기 때문입니다.
음... 이 OCR 프로그램은 1단계로서, 웹서핑 화면 중에서 캡처한 그림파일에서 문자를 인식하려고 하는 것임.. 그러니까 문장 각도를 알아낼 필요가 없음... 2단계로 개발할 OCR 프로그램은 책 사진이나 다른 인쇄물 사진에서 문자를 인식하려고 하는 것임.. 이 때는 문장의 각도을 알아내야 할 필요가 생길 것임.. 3단계로 개발할 OCR 프로그램은 사람의 필기체를 인식하는 것임... 3단계의 OCR 프로그램은 인식 방법이 달라져야 할 것임..
옛날 낭만쟁이들이 룰베이스드 모델로 별 짓을 다 해봤지만 허접한 딥러닝 모델 하나를 못 이겼대
위 글에 있는 방법처럼 예전에는 음악이나 노래를 하나의 고유한 벡터로 만들어서 구분하고 그랬었다고 알고있음