Python으로 문서 이미지 처리(Document Image Processing) – 스캔 자동화

오늘날 디지털 업무 환경에서는 문서의 전자화와 자동화가 필수적입니다.
종이 문서를 스캔하고, 필요한 정보를 추출하며, 정리하는 과정은 많은 시간을 소모할 수 있습니다.
이때 Python을 활용한 문서 이미지 처리(Document Image Processing) 기술이 강력한 솔루션이 됩니다.

이번 글에서는 Python과 OpenCV, Tesseract OCR을 활용하여
문서 스캔 자동화 및 이미지 기반 정보 추출 시스템 구축 방법을
단계별로 설명하고, 실무에서의 활용 방안까지 다뤄보겠습니다.

---

문서 이미지 처리(Document Image Processing)의 개념

문서 이미지 처리는 종이 문서나 PDF 스캔 이미지를 분석하여
컴퓨터가 이해할 수 있는 데이터로 변환하는 기술입니다.
주요 기능은 다음과 같습니다.

1. 이미지 전처리(Image Preprocessing) – 스캔 품질 향상 및 노이즈 제거
2. 문서 구조 인식(Document Structure Recognition) – 텍스트, 표, 이미지 영역 분리
3. OCR(Optical Character Recognition) – 이미지에서 문자 추출
4. 후처리(Post-processing) – 텍스트 정제, 자동 저장, 데이터베이스 연동

Python에서는 OpenCV, Pillow, Tesseract OCR, PyMuPDF 등 다양한 라이브러리를 활용해
문서 자동화 프로세스를 구현할 수 있습니다.

---

Python 환경 구성과 라이브러리 설치

문서 이미지 처리를 위해 필요한 라이브러리는 다음과 같습니다.

pip install opencv-python pytesseract pillow numpy

• OpenCV: 이미지 처리, 필터링, 윤곽선 검출
• Pillow(PIL): 이미지 포맷 변환 및 처리
• Tesseract OCR: 이미지에서 문자 인식
• NumPy: 이미지 배열 처리

Tesseract OCR 설치는 운영체제에 따라 다르지만,
Windows에서는 공식 설치 파일을 다운로드하고 환경 변수에 경로를 추가해야 합니다.

---

이미지 전처리(Image Preprocessing)

문서 스캔 이미지는 종종 기울어지거나, 조명과 그림자 때문에
OCR 인식률이 낮아질 수 있습니다. 따라서 전처리가 매우 중요합니다.

주요 전처리 단계는 다음과 같습니다.

1. 그레이스케일 변환

import cv2
img = cv2.imread('document.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

1. 노이즈 제거

blur = cv2.GaussianBlur(gray, (5,5), 0)

1. 이진화(Binarization)

_, thresh = cv2.threshold(blur, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

1. 문서 기울기 보정(Deskewing)

coords = cv2.findNonZero(thresh)
angle = cv2.minAreaRect(coords)[-1]
if angle < -45:
    angle = -(90 + angle)
else:
    angle = -angle
(h, w) = thresh.shape[:2]
center = (w//2, h//2)
M = cv2.getRotationMatrix2D(center, angle, 1.0)
deskewed = cv2.warpAffine(thresh, M, (w, h), flags=cv2.INTER_CUBIC, borderMode=cv2.BORDER_REPLICATE)

이 과정을 통해 OCR 인식률을 크게 향상시킬 수 있습니다.

---

OCR을 활용한 문자 추출

전처리된 이미지를 기반으로 Tesseract OCR을 사용하면
문서에서 텍스트를 자동으로 추출할 수 있습니다.

import pytesseract
from PIL import Image

text = pytesseract.image_to_string(Image.fromarray(deskewed), lang='eng')
print(text)

OCR 결과는 바로 활용 가능한 텍스트 형태로 반환되며,
후처리를 통해 문서 분류, 데이터베이스 저장, PDF 변환 등 다양한 자동화 작업에 활용할 수 있습니다.

---

문서 구조 분석과 영역 분리

스캔된 문서에는 텍스트, 표, 이미지가 혼합되어 있을 수 있습니다.
OpenCV를 사용하면 각 영역을 탐지하고 분리할 수 있습니다.

contours, _ = cv2.findContours(deskewed, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
for cnt in contours:
    x, y, w, h = cv2.boundingRect(cnt)
    cv2.rectangle(img, (x, y), (x+w, y+h), (0,255,0), 2)

이 과정을 통해 표 영역, 이미지 영역, 텍스트 영역을 구분하면
OCR 후 후처리 과정에서 데이터 구조를 보존할 수 있습니다.

---

스캔 자동화 파이프라인 구축

여러 장의 문서를 자동으로 처리하는 파이프라인을 구축하면 업무 효율을 크게 향상시킬 수 있습니다.

1. 이미지 불러오기 및 전처리
2. 문서 기울기 및 노이즈 보정
3. 영역 분리 및 OCR 수행
4. 추출 텍스트 후처리 및 데이터 저장

Python을 활용하면 이 모든 단계를 코드로 자동화할 수 있으며,
CSV, Excel, 데이터베이스 또는 PDF 파일로 결과를 바로 저장할 수 있습니다.

import pandas as pd
data = {'filename': filenames, 'text': extracted_texts}
df = pd.DataFrame(data)
df.to_csv('document_texts.csv', index=False)

---

문서 이미지 처리의 실제 활용 사례

• 🏢 사무 자동화: 계약서, 송장, 영수증 자동 처리
• 🏥 의료 기록 관리: 환자 기록 스캔 및 전자화
• 🏛️ 공공 기관: 문서 디지털 아카이브 구축
• 🛒 전자상거래: 주문서, 청구서 자동 처리
• 📚 교육 기관: 시험 답안지 스캔 및 채점 보조

이러한 사례들은 문서 이미지 처리 기술이 업무 효율과 정확성을 크게 높일 수 있음을 보여줍니다.

---

결론

Python 기반의 문서 이미지 처리 기술은 스캔 자동화와 데이터 추출을 통해
사람이 반복적으로 수행하던 문서 작업을 효율적으로 대체할 수 있습니다.

OpenCV를 통한 전처리, Tesseract OCR을 통한 텍스트 추출,
영역 분석 및 후처리까지 파이프라인화하면,
사무 자동화, 의료 기록 관리, 전자상거래 문서 처리 등 다양한 분야에서
실무적 가치를 제공할 수 있습니다.

지속적인 기술 발전과 OCR 정확도 향상을 통해,
문서 이미지 처리 시스템은 앞으로 더욱 스마트하고 정교한 자동화 솔루션으로 자리잡게 될 것입니다.