如何防止图片文字被OCR识别：基于视觉错觉与光栅扰动的技术实践

一、问题背景：为什么常规遮挡和模糊不够可靠

在很多安全场景中，我们希望图片中的文字对人眼保持可读，但对自动化OCR系统形成识别障碍。常见做法包括添加噪点、扭曲字符、使用复杂背景或部分遮挡。然而这些手段存在明显局限：噪点和模糊会同时降低人眼可读性；简单扭曲可以通过几何校正恢复；背景干扰在深度学习模型面前往往效果有限。

更关键的是，当前大量多模态模型和OCR引擎并不是简单地对像素做模板匹配，而是通过深度神经网络提取高层视觉特征。这意味着，如果想有效阻止机器识别，就需要从“人类视觉感知”与“神经网络特征表示”之间的差异入手。本文要讨论的技术思路正是基于这一出发点：构造一种图像，使人眼能够借助视觉系统的组织与补全机制读出文字，而机器在特征提取过程中难以稳定地重建字符结构。

二、核心原理：利用人类视觉的轮廓补全机制

人类视觉系统具有强大的知觉组织能力。即使字符的物理边缘不完全连续，只要局部线索满足一定的方向一致性和空间邻近性，视觉皮层就能将其组织成完整轮廓。这是格式塔心理学中“闭合原则”与“连续原则”的体现。

基于此，可以设计一种图像结构：将文字区域和背景区域都用相同或相近的周期性纹理填充，使二者在颜色统计上高度接近，但在纹理相位上存在系统性的半周期错位。人眼通过捕捉这种相位错位形成的“虚幻轮廓”来感知字符边界，而机器视觉系统在经过缩放、卷积、池化等操作后，这类细微的相位关系容易被削弱甚至丢失。

这种方法的优势在于：它不依赖简单的像素级遮挡，而是从感知层面制造差异。文字信息被编码在纹理的相位结构中，而不是明暗对比中，因此传统的阈值分割、边缘检测和基于灰度梯度的OCR预处理手段都难以有效提取字符。

三、彩色对接光栅的构造方法

3.1 文字掩码提取

首先需要从原始图片中提取文字的二值掩码。具体步骤如下：

1. 将彩色图像转换为灰度图；
2. 使用Otsu自适应阈值法进行二值分割，得到前景文字区域和背景区域；
3. 对二值掩码进行形态学处理，去除孤立噪点并填充细小孔洞。

import cv2
import numpy as np
def extract_text_mask(image_path):
    img = cv2.imread(image_path)
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    _, mask = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
    kernel = np.ones((3, 3), np.uint8)
    mask = cv2.morphologyEx(mask, cv2.MORPH_CLOSE, kernel)
    mask = cv2.morphologyEx(mask, cv2.MORPH_OPEN, kernel)
    return mask

3.2 生成周期性光栅

生成光栅时，需要为每个像素计算其对应的相位值。对于方向角为θ、空间频率为f的光栅，像素位置(x, y)处的相位可以表示为：

phase = f * (x * np.cos(theta) + y * np.sin(theta))

为了构造“对接”效果，在文字区域内部和背景区域使用相同频率和方向的光栅，但将文字区域内部的光栅相位偏移π（即半个周期）。这样，在文字边界处，光栅条纹会出现明显的错位，而文字内外区域的颜色分布保持相似。

3.3 多通道光栅编码

为了进一步增强对机器特征提取的干扰，可以将不同方向和频率的光栅分别编码到不同的颜色通道中。例如：

• 红色通道：使用水平方向、较高频率的光栅；
• 绿色通道：使用45度方向、中等频率的光栅；
• 蓝色通道：使用垂直方向、较低频率的光栅。

不同通道的光栅在文字区域内部同样进行半周期相位反转。由于各通道的条纹方向和频率不同，叠加后的彩色图像在视觉上形成复杂的纹理结构，但人眼仍能通过通道间的一致性线索感知到字符轮廓。

def generate_grating(height, width, freq, theta, phase_shift_mask):
    y, x = np.mgrid[0:height, 0:width]
    theta_rad = np.deg2rad(theta)
    phase = freq * (x * np.cos(theta_rad) + y * np.sin(theta_rad))
    phase = np.where(phase_shift_mask > 0, phase + np.pi, phase)
    grating = 0.5 * (1 + np.sin(phase))
    return grating

3.4 局部形变增强

在基础光栅上叠加低频随机位移场，可以使文字轮廓产生轻微的局部形变。这种形变对于人眼而言几乎不可察觉，因为人类视觉系统对整体形状的感知具有较强的鲁棒性。但对于依赖精确特征对齐的神经网络，即便是小范围的几何扰动也可能导致特征图上的响应分散。

实现方式为：生成两个低频随机矩阵作为x方向和y方向的位移量，用双线性插值对光栅图像进行采样，使每个像素的位置发生微小偏移。

四、对抗性扰动：从特征空间进一步抑制识别

仅靠光栅错觉可能不足以应对所有OCR系统。对于基于深度学习的识别模型，还可以引入对抗性扰动的思想。核心目标不是让人眼无法识别，而是让视觉编码器提取的特征偏离正确的字符语义。

具体而言，可以定义一个目标语义向量，例如一个与原文无关的文本特征。然后优化图像上的微小扰动，使得经过视觉编码器后得到的特征向量与目标语义向量的相似度最大化。在白盒场景下，可以利用目标模型的梯度信息直接更新扰动；在黑盒场景下，可以使用多个通用视觉语言模型作为代理，通过迁移性提高攻击的泛化能力。

需要注意的是，对抗性扰动应当与光栅错觉结合使用，而不是单独施加。光栅错觉负责破坏底层的边缘和形状线索，对抗性扰动负责在高维特征空间中进一步偏置模型的判断。两者叠加后，即使模型对光栅纹理具有一定的鲁棒性，也难以抵消特征空间中的定向干扰。

五、与常规脱敏方案的对比

方案	人眼可读性	抗OCR效果	抗图像预处理能力
马赛克/遮挡	差	好	好
字符扭曲	一般	一般	较差
噪点叠加	一般	一般	较差
光栅错觉	较好	较好	较好
光栅错觉+对抗扰动	较好	好	较好

从表中可以看出，光栅错觉方案在保持人眼可读性的同时，对自动化识别具有较好的抑制作用，并且对缩放、裁剪等常见预处理操作具有一定的抵抗能力。这是因为光栅的相位信息在空间上是全局分布的，局部裁剪不会完全破坏字符轮廓的整体感知。

六、实现中的注意事项

首先，光栅频率的选择需要与文字大小匹配。频率过高会导致人眼也难以分辨相位错位，频率过低则可能使光栅条纹本身成为明显的纹理，降低隐藏效果。通常建议光栅周期为字符笔画宽度的2到4倍。

其次，多通道光栅的颜色设计需要考虑色彩对比度。不同通道的光栅叠加后，如果某些区域的颜色饱和度过高或过暗，可能形成额外的亮度边缘，反而为OCR系统提供可用的分割线索。因此建议在HSV空间中对生成结果进行约束，控制饱和度和明度的动态范围。

最后，对于实际部署场景，如果图片需要经过有损压缩传输，光栅的相位信息可能受到压缩噪声的破坏。建议在生成图片时使用较高的分辨率和较低的压缩率，并在测试阶段模拟实际传输链路的压缩效果，以评估方案的稳定性。

七、适用场景与技术边界

这种技术思路主要适用于验证码加固、敏感文本的视觉展示保护、防止截图内容被自动批量提取等场景。但需要明确的是，任何基于图像处理的防识别手段都不存在绝对安全性。随着识别模型对纹理敏感度和特征提取能力的提升，现有的视觉错觉方案也可能被针对性攻破。

因此，更合理的做法是将此类技术作为纵深防御体系中的一层，与其他访问控制、频率限制、行为分析等安全机制配合使用。同时，研究者应当持续关注视觉感知与机器特征提取之间的差异变化，不断调整和优化图像生成策略。

从技术研究的角度看，探索人类视觉与机器视觉的感知差异，不仅能帮助改善验证码设计，也有助于理解深度神经网络在图像理解中的脆弱性和局限性。这种理解反过来又可以指导更鲁棒的视觉模型训练，形成攻防之间的有益循环。