图像隐写技术

图像隐写技术（Image Steganography）

隐写术是一种将保密信息隐藏在公开信息中的技术，利用图像文件的特性，咱们能够把一些想要刻意隐藏的信息或者证实身份、版权的信息隐藏在图像文件中。好比早期流行的将一些下载连接、种子文件隐藏在图片文件中进行传播，再好比某互联网公司内部论坛“月饼事件”中经过员工截图精准定位我的信息的技术，均可以归为图像隐写技术（Image Steganography）。本文主要介绍一些常见的图像隐写技术及 Python 实现方法。

元数据修改

图像是由像素组成的，但图像文件除了保存像素信息以外，还须要存储一些额外的描述信息。以常见的 JPEG 图像为例，文件格式规定了一些特定的字符用以标志特定的元数据起点位，以下图所示：

其中经常使用于存储拍摄设备信息的 EXIF 标记即存储在 APPn 标记位。以二进制格式读取一张 JPEG 图像，能够看到文件的起始（SOI）、终止（EOI）符号：

with open("input.jpg", "rb") as f:
    f_bytes = f.read()
    print( f_bytes[:2] )
    print( f_bytes[-2:] )
    
# OUTPUT
""" b'\xff\xd8' b'\xff\xd9' """ 
复制代码

经过二进制格式，能够直接在图像文件后面追加信息：

txt = '你好 PyHub!'

# 编码
with open("out_append.jpg", "wb") as f:
    with open("input.jpg", "rb") as ff:
        f.write(f_bytes[sos:])
        f.write('你好 PyHub!'.encode())
        
# 解码
with open("out_append.jpg", "rb") as f:
    content = f.read()
    eoi = content.find(b'\xff\xd9')
    print(content[eoi+2:].decode()) 

 # OUTPUT
 """ 你好 PyHub! """ 
复制代码

元数据修改的方法能够作到不损失任何图像质量，但同时也最容易被攻击，如今大部分图像上传应用会对图像内容进行清洗，去除没必要要的元数据以保护用户隐私。

比特操做

第二种方法则是针对具体的图像数据进行修改，其原理就是利用图像自己丰富的信息量，在进行少许修改（篡改）的状况下，不会影响总体视觉效果。最多见的方法是最低有效位（Least Significant Bit, LSB），这种方法有不少变种，但其核心思想就是利用最低位对像素值影响不大，篡改后中像素视觉效果影响也不大。

好比咱们能够将一张简单的水印图片进行二值化，获得一张只有 0/1 表示的图片：

from PIL import Image
import numpy as np
from matplotlib import pyplot as plt

logo = Image.open("logo.jpg").convert("L")
logo_bin = np.where( np.array(logo) > 128, 1, 0).astype(np.uint8)

复制代码

base = Image.open("input.jpg")
# 最低位变为 0
base_lsb = np.bitwise_and(base, 0xFE)
# 将 logo 拼接到最低位(其中一个通道，也能够保留3个通道)
logo_h, logo_w = logo_bin.shape
base_lsb[:logo_h, :logo_w, 0] += logo_bin

# 解码
base_decode = np.bitwise_and(base_lsb[:,:,0], 1)
复制代码

上面的例子仅仅只是占用了原图单通道最低位 1bit 的信息，也能够原图和隐藏图片各占一半，原理是同样的。

能够参考：github.com/kelvins/ste…

对图像数据进行比特操做的方法有不少，好比能够经过修改最低位的奇偶值，直接存储二进制编码（www.geeksforgeeks.org/image-based…）；或者按比特位对图像进行从新分割，等等。

很显然，经过操做图像数据进行隐写会在必定程度上修改图像的视觉质量，并且对于内容自己不够丰富的图像（例如大面积纯色背景），这种方法就很容易露出马脚。

频域水印

除了对像素（空间域）进行操做外，还能够在频率域进行操做，其原理就是进行傅里叶变换后，对频率域的数据加水印：

# 原图，1-1
base = Image.open("input.jpg").convert("L")

base_fft = np.fft.fft2(np.array(base))
base_ffs = np.fft.fftshift(base_fft)

# 绘制水印
fnt = ImageFont.truetype("Cyberway Riders.otf", 40)
wm = Image.new("L", base.size, (0))
ImageDraw.Draw(wm).text((0,0), "PyHub", font=fnt, fill=(255))
wm_arr = np.array(wm)
# 反转生成中心对称，图1-2
fft_wm_arr = (np.flip(wm_arr) + wm_arr).astype(np.uint8)

# 叠加水印，图1-3
base_ffs.real[fft_wm_arr == 255] = 255

# 傅里叶逆变换，图2-1
base_reversed = np.real( np.fft.ifft2( np.fft.ifftshift(base_ffs) ) )
# 对逆变换（编码）后的图进行解码，图2-2
base_decode = np.clip(np.fft.fftshift( np.fft.fft2(base_reversed)).real, 0, 255)

# 编码后的图与原图的差别，图2-2
base_reversed - np.array(base) 
复制代码

以上的方法比较简单粗暴，直接对频域的特定区域叠加了水印，实际效果可能会对原始图片形成较大损害，更准确的方法应该是对水印图片进行编码，让水印图像均匀地分布在各个频率，具体能够参考：github.com/guofei9987/…。对频域进行修改的方法对图像视觉效果影响更小，在面对各类图像改写攻击时的还原效果更好。

深度学习

一切皆可深度学习。

经过 PapersWithCode 网站能够看到一些尝试用深度学习的方法进行图像隐写的研究，例如这篇采用对抗生成网络（GAN）模型，将数据Data 编码到Image中：

能够经过 pip install steganogan 安装做者预训练的模型：

steganogan encode input.jpg "Hi PyHub" -o out_gan.jpg 
复制代码

效果以下：

---