圖像隱寫技術

圖像隱寫技術（Image Steganography）

隱寫術是一種將保密信息隱藏在公開信息中的技術，利用圖像文件的特性，咱們能夠把一些想要刻意隱藏的信息或者證實身份、版權的信息隱藏在圖像文件中。好比早期流行的將一些下載連接、種子文件隱藏在圖片文件中進行傳播，再好比某互聯網公司內部論壇「月餅事件」中經過員工截圖精準定位我的信息的技術，均可以歸爲圖像隱寫技術（Image Steganography）。本文主要介紹一些常見的圖像隱寫技術及 Python 實現方法。

元數據修改

圖像是由像素組成的，但圖像文件除了保存像素信息以外，還須要存儲一些額外的描述信息。以常見的 JPEG 圖像爲例，文件格式規定了一些特定的字符用以標誌特定的元數據起點位，以下圖所示：

其中經常使用於存儲拍攝設備信息的 EXIF 標記即存儲在 APPn 標記位。以二進制格式讀取一張 JPEG 圖像，能夠看到文件的起始（SOI）、終止（EOI）符號：

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' """ 
複製代碼

經過二進制格式，能夠直接在圖像文件後面追加信息：

txt = '你好 PyHub!'

# 編碼
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())
        
# 解碼
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! """ 
複製代碼

元數據修改的方法能夠作到不損失任何圖像質量，但同時也最容易被攻擊，如今大部分圖像上傳應用會對圖像內容進行清洗，去除沒必要要的元數據以保護用戶隱私。

比特操做

第二種方法則是針對具體的圖像數據進行修改，其原理就是利用圖像自己豐富的信息量，在進行少許修改（篡改）的狀況下，不會影響總體視覺效果。最多見的方法是最低有效位（Least Significant Bit, LSB），這種方法有不少變種，但其核心思想就是利用最低位對像素值影響不大，篡改後中像素視覺效果影響也不大。

好比咱們能夠將一張簡單的水印圖片進行二值化，獲得一張只有 0/1 表示的圖片：

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)

複製代碼

base = Image.open("input.jpg")
# 最低位變爲 0
base_lsb = np.bitwise_and(base, 0xFE)
# 將 logo 拼接到最低位(其中一個通道，也能夠保留3個通道)
logo_h, logo_w = logo_bin.shape
base_lsb[:logo_h, :logo_w, 0] += logo_bin

# 解碼
base_decode = np.bitwise_and(base_lsb[:,:,0], 1)
複製代碼

上面的例子僅僅只是佔用了原圖單通道最低位 1bit 的信息，也能夠原圖和隱藏圖片各佔一半，原理是同樣的。

能夠參考：github.com/kelvins/ste…

對圖像數據進行比特操做的方法有不少，好比能夠經過修改最低位的奇偶值，直接存儲二進制編碼（www.geeksforgeeks.org/image-based…）；或者按比特位對圖像進行從新分割，等等。

很顯然，經過操做圖像數據進行隱寫會在必定程度上修改圖像的視覺質量，並且對於內容自己不夠豐富的圖像（例如大面積純色背景），這種方法就很容易露出馬腳。

頻域水印

除了對像素（空間域）進行操做外，還能夠在頻率域進行操做，其原理就是進行傅里葉變換後，對頻率域的數據加水印：

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

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

# 繪製水印
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)
# 反轉生成中心對稱，圖1-2
fft_wm_arr = (np.flip(wm_arr) + wm_arr).astype(np.uint8)

# 疊加水印，圖1-3
base_ffs.real[fft_wm_arr == 255] = 255

# 傅里葉逆變換，圖2-1
base_reversed = np.real( np.fft.ifft2( np.fft.ifftshift(base_ffs) ) )
# 對逆變換（編碼）後的圖進行解碼，圖2-2
base_decode = np.clip(np.fft.fftshift( np.fft.fft2(base_reversed)).real, 0, 255)

# 編碼後的圖與原圖的差別，圖2-2
base_reversed - np.array(base) 
複製代碼

以上的方法比較簡單粗暴，直接對頻域的特定區域疊加了水印，實際效果可能會對原始圖片形成較大損害，更準確的方法應該是對水印圖片進行編碼，讓水印圖像均勻地分佈在各個頻率，具體能夠參考：github.com/guofei9987/…。對頻域進行修改的方法對圖像視覺效果影響更小，在面對各類圖像改寫攻擊時的還原效果更好。

深度學習

一切皆可深度學習。

經過 PapersWithCode 網站能夠看到一些嘗試用深度學習的方法進行圖像隱寫的研究，例如這篇採用對抗生成網絡（GAN）模型，將數據Data 編碼到Image中：

能夠經過 pip install steganogan 安裝做者預訓練的模型：

steganogan encode input.jpg "Hi PyHub" -o out_gan.jpg 
複製代碼

效果以下：

---