LSB（最低有效位隐写）方法以及python实现

最新推荐文章于 2024-05-14 00:37:58 发布

科研苟Gamber

最新推荐文章于 2024-05-14 00:37:58 发布

阅读量1.2k

点赞数

文章标签：图像处理 python

本文链接：https://blog.csdn.net/hyh14/article/details/132582334

版权

来源为微信公众号隐者联盟的中的一篇极简综述01.

python实现为资源绑定！！！

JPEG早期的隐写基本来源为LSB（最低有效位）方法？

LSB方法

LSB算法分析与实现_煮酒笺华的博客-CSDN博客
简单说，就是改变颜色八位中的最后一位，来实现隐写，此为数字水印的其中一种：

（在最后一位存放信息。）
过程十分简单：把最后一位全部归零，然后依次在最后一位嵌入信息，最后再提取出来。
放置的链接中，大佬还放了代码。

PSNR指标（峰值信噪比）：

PSNR全称为“Peak Signal-to-Noise Ratio”，中文意思即为峰值信噪比，是衡量图像质量的指标之一。PSNR是基于MSE(均方误差)定义，对给定一个大小为m*n的原始图像I和对其添加噪声后的噪声图像K，其MSE可定义为：
在像素上的差异。

diff = imag1 - imag2
mse = np.mean(np.square(diff))
psnr = 10 * np.log10(255 * 255 / mse)

则PSNR可定义为：
在这里插入图片描述

其中MAXI为图像的最大像素值，PSNR的单位为dB。若每个像素由8位二进制表示，则其值为2^8-1=255。但注意这是针对灰度图像的计算方法，若是彩色图像，通常可以由以下方法进行计算：

方法一：计算RGB图像三个通道每个通道的MSE值再求平均值，进而求PSNR

方法二：直接使用matlab的内置函数psnr()(注意该函数将所有图像当成灰度图像处理)。

方法三：将图像转为YCbCr格式，只计算Y分量即亮度分量的PSNR。

PSNR事实上只是将MSE换成了信号处理中常用的db（分贝）表达形式

知道信息熵的话，就会知道原理，其实就是log里面换成概率p，把MSE规范化为【0~1】之间的数值，如果把MSE作为分母，那么分子就设置为一个死数，这样公式中唯一的变量还是MSE。

所以PSNR与MSE没有什么本质上的不同，只是数字上看起来更加有区分度一些（从数学上讲这算不得什么根本性的东西，但从人的辨识度来讲，这个优势还是挺明显的）。由于PSNR公式将MSE放在了分母上，所以在进行图像质量评估时，PSNR数值越大表明待评估的图像质量越好，这一点与MSE相反。PSNR公式中的MAX是一个常数，它表示图像数据类型的最大动态范围。比如对于float型的图像数据，其取值范围是[0, 1]，所以MAX=1。对于uint8类型的图像数据，其取值范围是[0, 255]，所以MAX=255。一般情况下MAX就这两种情况。

MSE与PSNR的问题：

MSE与PSNR的问题是，在计算每个位置上的像素差异时，其结果仅与当前位置的两个像素值有关，与其它任何位置上的像素无关。这也就是说，这种计算差异的方式仅仅将图像看成了一个个孤立的像素点，而忽略了图像内容所包含的一些视觉特征，特别是图像的局部结构信息（局部边缘和纹理的相似性，来模拟人眼的感知）。而图像质量的好坏极大程度上是一个主观感受，其中结构信息对人主观感受的影响非常之大。

因此，采用这种方式计算出来的差异有时不能很好地反映图像质量。这就是SSIM（Structural Similarity，结构相似性）所希望要解决的问题。

SSIM实现区域性计算

图像的差异构成：
亮度（luminance）：像素值越大越亮，反之越暗。
对比度：像素值的分布，越广越有对比度，对应方差标准差。
结构：像素间相对位置以及比例关系，余弦相似度的概念，图像结构可以看做是图像在向量空间中的方向。
三个维度信息形成了一种互补的关系，在三者的共同约束下形成了对图像质量的描述。比如余弦相似度可以描述图像结构的差异程度，但是它却无法保证图像绝对数值的差异，比如向量（1, 2, 3），（2, 4, 6），（3, 6, 9）三者两两之间的余弦相似度均为1，但是它们的数值大小和方差却各不相同。反过来看，图像的均值和方差相同的情况下也无法保证图像的结构相同，因为即使我们将图像的像素位置完全打乱，其均值和方差也会保持完全不变，但是结构却发生了翻天覆地得变化。

一个局部区域（patch）：给定来自一个图像的patch “x”和来自另一张图像的相应patch “y”