对抗OCR的图片文字隐写方案：从检测机制到字号混排实践

一、问题背景：为什么需要“防OCR”

在内容安全、版权保护、隐私脱敏等场景中，图片中的文字往往不希望被自动化OCR（光学字符识别）系统批量提取。典型需求包括：防止公开图片被爬虫批量采集文本、避免截图中的敏感信息被自动化工具抓取、以及在特定业务链路中阻断机器读取而保留人工可读性。

一个自然的思路是“把文字藏起来”。但真正有效的方案需要回答两个问题：OCR的管线是如何工作的？以及在哪一环施加干扰成本最低、效果最稳？

二、OCR管线拆解：检测与识别是两个阶段

现代OCR系统通常采用两阶段架构：

1. 文本检测：在图像中定位文字区域，输出候选框（bounding box）。
2. 文本识别：对每个候选框内的像素进行序列识别，输出字符内容。

关键洞察在于：检测阶段的遗漏，会让识别阶段无从下手。如果检测模型认为某个区域“没有文字”或“已经处理过”，识别模型就不会对该区域做二次分析。因此，干扰检测阶段比干扰识别阶段更高效。

这也解释了为何简单的“加噪”“模糊”并非最优解——它们可能同时破坏人类可读性，且一旦有人工介入，模糊反而成为阅读障碍而非保护手段。更优雅的策略是：让机器读出错误的文字，同时让人眼读出正确的文字。

三、核心思路：用“可识别”来制造“不可识别”

传统对抗思路是“让OCR什么都识别不出”。但堵不如疏——更巧妙的方式是主动提供一段可被OCR识别的文字，用它来占据检测模型的注意力，使其认为该区域已被处理，从而放弃对真正敏感文字的二次检测。

这种误导对机器有效，对人类却几乎无感，因为人眼具备语义理解和视觉分组能力，能自然地区分大小字号、忽略干扰层。

根据OCR系统的强弱项，可分为两种策略：

• 大字藏小字：适用于全局检测能力强、但对细小文字不敏感的OCR。
• 小字藏大字：适用于对小字检测精确、但对超大字号容易误判的OCR。

两种方式可以组合使用，形成“总有一种能生效”的冗余防御。

四、参数设计：字号、间距与填充逻辑

原文给出的参数示例具有参考价值。核心变量包括：

• 大字字号：200–400像素
• 小字字号：12–30像素
• 行间距：0–1像素
• 字间距：0–1像素

方案A：大字400px，小字12px，行间距1px，字间距1px
方案B：大字200px，小字12px，行间距1px，字间距1px
方案C：大字300px，小字12px，行间距1px，字间距1px
方案D：大字400px，小字30px，行间距0px，字间距0px

参数选择需要试错：不同OCR引擎的预处理、缩放、二值化策略不同，对字号反差的敏感度也不同。建议采用灰度发布思路，先小范围测试目标OCR的识别结果，再逐步调整参数，直到达到“人眼可读、机器误读”的平衡点。

此外，填充逻辑也影响效果。早期采用“全局由上至下、由左至右”的顺序填充，后来优化为“大字逐字填充”，降低了人眼识别小字时的难度。这说明隐写方案不仅要对抗机器，还要优化人类阅读体验，否则就失去了“人工可读”的意义。

五、方案边界与风险提示

必须明确：该方法的成功前提是目标OCR系统没有针对此类隐写术专门训练。一旦攻击方针对字号混排、重叠文字等模式进行专项训练，防御效果会显著下降。因此，它更适合作为增加自动化成本的手段，而非绝对安全屏障。

另外，手机端图片压缩可能改变像素级细节，影响隐写效果；电脑端获取原图通常更可靠。在实际部署时，应针对不同传输链路做验证。

六、工程落地建议

1. 明确威胁模型：是防批量爬虫，还是防特定OCR工具？不同目标对应不同参数。
2. 建立测试集：收集目标OCR在不同字号、间距、压缩条件下的识别结果，形成调参依据。
3. 人眼评估不可省略：任何方案都必须通过人工阅读测试，确保正常用户不受影响。
4. 组合策略：大字藏小字与小字藏大字可叠加使用，提高鲁棒性。
5. 持续迭代：OCR能力在进化，隐写参数也需要定期复测和更新。

七、总结

对抗OCR的核心不是“让文字消失”，而是利用OCR检测与识别阶段的信息差，制造机器误判而人类无感的视觉结构。通过字号反差、间距微调和填充逻辑优化，可以在不依赖复杂加密的前提下，显著提升自动化文本提取的成本。对于开发者而言，理解OCR管线、掌握参数调优方法、并建立持续评估机制，比追求单一“万能参数”更有价值。