Tesseract 기반 수필 OCR의 정확도 한계와 전처리 Trade-off 분석

Context

다양한 필체와 노후된 상태의 수필 문서를 구조화된 데이터로 변환하기 위한 파이프라인 구축 시도. 오픈소스 Tesseract OCR를 활용한 초기 설계 단계에서 인쇄체 중심의 엔진 특성으로 인한 낮은 인식률 발생.

Technical Solution

• Tesseract OCR 엔진의 Page Segmentation 및 Character Allowlist 설정을 통한 기본 인식률 최적화 시도
• Grayscale 변환 및 Autocontrast 적용을 통한 저대비 문서의 가시성 확보
• ImageFilter.SHARPEN 및 Contrast Enhance(1.8x)를 이용한 텍스트 경계 명확화
• Mean Threshold 기반 Binarization 처리를 통한 노이즈 제거 및 이진 이미지 생성
• 전처리 파라미터 조정에 따른 이미지 품질과 인식률 간의 상충 관계 분석