Anti-OCR Typography 探讨 OCR 技术对图像文字隐私的冲击

光学字符识别（OCR）是一种将文字图像转换为数字化文本数据的技术。OCR程序从扫描文档、场景照片、截图和纯图像PDF中提取文本，使这些文本数据得以归档、编辑、搜索和翻译。

OCR技术对我们大有裨益。旧印刷书籍、报纸和历史档案等资源正被数字化为PDF。我们可以选择用手和墨水做笔记，再让OCR将手写内容转换为数字化文本。我们只需将手机摄像头对准产品成分标签，就能翻译上面的外文。

尽管OCR技术将我们从手工劳动中解放出来，但其访问和处理大规模图像数据的能力对监控系统极为有用。过去，图像中的文字与数字世界的其余部分之间存在一道天然屏障——它们是孤立的、不可搜索的、不留记录的，唯一的预期受众是真实的人类眼睛。如今，基于网络的通信在我们眼中将永远不再安全，因为OCR技术已经打破了文字与图像之间的屏障。

例如，iOS 15的最新功能Live Text可以检测并提取相机胶卷中照片里的文字，让你轻松复制、保存和翻译。某些社交媒体应用也利用关键词检测来过滤和审查包含不良文字内容的图像。

当我们的通信方式在机器、程序和算法的眼皮底下变得越来越透明时，我想挖掘一些仅存在于人与人之间的安全空间。通过视觉设计和排版，我们或许能够开发出OCR系统无法识别、但人类可以辨认的文字呈现方式。在此，我想探讨反OCR排版的一些方法和方向。

在实际进行文字识别之前，OCR软件通常会执行图像预处理来“清理图像”，以提高识别成功率。相关技术包括：

1. 去倾斜 该过程将扭曲、倾斜和带角度的文字及文本块恢复至竖直位置。去倾斜技术在Google Lens等软件的场景照片文字检测中尤为强大。
2. 去噪点 去除正负噪点，平滑边缘，清除噪声。
3. 二值化 将图像转换为黑白图像。由于大多数文档是白底黑字，图像二值化是区分文字与背景的简便方法。大多数PDF阅读器只能识别具有二值对比度的文字，但Google Lens等更先进的OCR软件通过检查多个颜色维度来检测文字。
4. 线条去除 清理非字形方框和线条。
5. 版面分析 将分栏、段落、图注等识别为块。在多栏布局和表格中尤为有用。
6. 调整图像尺寸 OCR软件从小尺寸图像开始训练，因此在较小像素尺寸下识别准确率更高。
7. 边缘检测 复杂光照条件需要更复杂的图像预处理技术，这些技术通常从边缘检测开始。

图像处理完成后，OCR软件执行方向与文字检测（OSD）以识别文字系统、建立单词和字符形状的基线，并在需要时进行分词或分割。

当OCR程序被输入各种字体和格式的文字示例时，会使用模式识别来比对和识别扫描文档或图像文件中的字符。

早期的OCR技术使用定制设计的字体，如OCR-A、OCR-B和MICR-E。这些字体专门设计用于提高文字识别准确率，应用于护照、身份证、信用卡和支票等重要文件。

后来，研究人员收集了庞大的文字识别数据集，包括印刷字体和手写文本。MNIST数据库就是一个例子。

特征检测是指OCR应用关于特定字母或数字特征的规则来识别扫描文档中的字符。特征包括字符中斜线、交叉线或曲线的数量。例如，大写字母“A”被存储为两条对角线在中间与一条水平线相交。当字符被识别后，它会被转换为ASCII码（美国信息交换标准代码），供计算机系统进行进一步处理。

一些OCR软件利用特定词典并考虑语法来提高文字识别准确率。

人类能够识别模式和分组，从而相应地理解信息。算法只有在被指令的情况下才能做到。因此，信息和文字可以通过文本图像的结构和组织来隐藏。

人类可以通过错误和干扰来识别模式。

大多数OCR算法在识别较小和低分辨率的文字方面训练得更好。当存在纹理和轮廓偏差时，OCR算法会优先识别较小的文字而非整体轮廓。

网上有许多文字生成器，如Leet Speak和Zalgo，被用来混淆和迷惑机器。

OCR执行二值化和边缘检测以丢弃文字图像中的颜色数据。我们可以尝试通过应用非均匀渐变和使用相似亮度的颜色来增加这一过程的难度。