信息隐藏基础算法——LSB算法(python实现)
1,LSB算法原理
LSB(least significant bit)翻译过来为最低有效位。
在灰度图像中,图像的灰度由八位二进制来表示即十进制中0-255,共256级别,255则为白色,反之0为黑色。自然,二进制位越靠前则对像素点灰度的影响越大,从这点出发,则考虑更改像素点灰度值最低位来隐藏信息,这样对原图像的改变比较小。
实验要求:
1,针对具体的某一副图像实现LSB嵌入和提取
2,进行不可见性评价:利用PSNR与SSIM对嵌入秘密信息的图像进行质量评价
3,可以指定任意1bit位或者n个bit位实现水印嵌入
这里关于psnr(峰值信噪比)和ssim(结构相似性)的说明可以参考这个说明。这两个指标都是越大表示图像失真越少,网上也查找到大量的关于这两者的信息,这里不再做解释说明。
2,载体图片和待嵌入图像信息
选择一副大小为1000 * 1000的图像作为载体图像,通过预处理将载体图像转换为灰度图像,这里可以选择使用PIL库,或者matplotlib库等,方法比较多,也很简单,网络上可以轻易搜索到,也可以参考这个方法。得到载体图像carrier.png。
对秘密图像处理方法类似对载体图像处理方法。这里我们选择了一副大小为1000 * 1000的表情包作为秘密图像,这里我们对其进行预处理为二值图像,这里之所以需要二值化,是因为在LSB原理中说明的,该算法中是对图像二进制灰度值的最后一位来变换以隐藏信息,自然每个像素点的灰度值只可以隐藏1bit信息,所以需要对秘密图像进行二值化才可以嵌入。
关于图像二值化相关操作网络上也有很多种很简单的方法,也可以参考上面对载体图像灰度化的页面中的方法。处理后得到秘密信息的二值化图像watermark.png。
3,代码
我们使用的python版本为3.7.4,需要使用到的库有PIL,numpy和skimage。
这里偷了个懒,通过查找,得知skimage库中有可以直接使用计算ssim的函数,所以就~~,嘻嘻~~
直接给出代码:
import numpy as np
from skimage.measure import compare_ssim
#计算psnr
def psnr(imag1,imag2):
diff = imag1 - imag2
#print(np.sum(diff))
mse = np.mean(np.square(diff))
psnr = 10 * np.log10(255 * 255 / mse)
return(psnr)
#计算ssim
def ssim(imag1,imag2):
(grayScore, diff) = compare_ssim(imag1, imag2, full=True)
#diff = (diff * 255).astype("uint8")
return grayScore
#读入载体图片和水印图片
Carrier = Image.open('carrier.png')
WaterMark = Image.open('watermark.png')
#确认需要隐藏在二进制位第几位
Layers = int(input('请输入要隐藏在第几层(0-7):'))
#将读入的图片转为array类型
Carrier_array = np.array(Carrier)
WaterMark_array = np.array(WaterMark)
a,b = WaterMark_array.shape
a1,b1 = Carrier_array.shape
array1 = np.zeros((a,b),dtype='float32')
#构建水印大小数组,将载体同等大小位传入
for i in range(a):
for j in range(b):
array1[i][j] = Carrier_array[i][j]
#嵌入水印
for i in range(a):
for j in range(b):
w = Carrier_array[i][j] // (2**Layers)
if w % 2 == 0 and WaterMark_array[i][j] == 1:
Carrier_array[i][j] = Carrier_array[i][j] + (2**Layers)
elif w % 2 == 1 and WaterMark_array[i][j] == 0:
Carrier_array[i][j] = Carrier_array[i][j] - (2**Layers)
#构建水印大小数组,将嵌入水印后的载体的同等大小位传入
array2 = np.zeros((a,b),dtype='float32')
for i in range(a):
for j in range(b):
array2[i][j] = Carrier_array[i][j]
#计算psnr
PSNR = psnr(array1,array2)
#PSNR = skimage.measure.compare_psnr(Carrier_array1, Carrier_array, 255)
print('峰值信噪比(PSNR)为:',PSNR)
#计算ssim
SSIM = ssim(array1,array2)
print('结构相似性(SSIM)为:',SSIM)
#展示嵌入水印后的图片
I = Image.fromarray(Carrier_array)
I.show()
#提取水印
a1,b1 = Carrier_array.shape
WaterMark_array1 = np.zeros((a1,b1),dtype='int8')
for i in range(a1):
for j in range(b1):
w = Carrier_array[i][j] // (2**Layers)
if w % 2 == 1:
WaterMark_array1[i][j] = 1
#将提取的水印图像输出
WaterMark_array1.dtype = 'bool'
#print(WaterMark_array1.shape)
I = Image.fromarray(WaterMark_array1)
I.show()
4,结果展示
运行后首先选择需要隐藏在第几层,按照之前的说明,隐藏在最低位应该是效果最好的,所以首先试一下第0层。
结果如下:
分别得到嵌入后的图像和提取出来的秘密信息:
可以看到,嵌入后的图像和原始图像以肉眼看不出差异,并且psnr和ssim数值都在可接受范围内,说明,嵌入在最低位是可行的。
再来试一下嵌入到第4层,得到的结果如下:
这里可以看到,嵌入后的图像相对原始图像发生了肉眼可见的改变,psnr和ssim指数也明显降低,说明嵌入在二进制灰度值的高位不可行。
5,存在的问题
1,由于示例图像数据量比较大(1000x1000和1600x2560),程序中多次采用
双层循环,导致程序运行缓慢。
2,对于psnr和ssim的计算,以载体图像大小计算由于未知原因计算不出来,采用新建数组,来截取载体中嵌入水印的大小来计算,并且未验证数值正确性。
(不过符合psnr和ssim规律,随插入bit位的升高,psnr和ssim均降低)