python图像隐写技术_图像隐写技术（Image Steganography）

withopen( "input.jpg", "rb") asf:

f_bytes = f.read

print( f_bytes[: 2] )

print( f_bytes[ -2:] )

# OUTPUT

"""

b'xffxd8'

b'xffxd9'

"""

通过二进制格式，可以直接在图像文件后面追加信息：

txt = '你好 PyHub!'

# 编码

withopen( "out_append.jpg", "wb") asf:

withopen( "input.jpg", "rb") asff:

f.write(f_bytes[sos:])

f.write( '你好 PyHub!'.encode)

# 解码

withopen( "out_append.jpg", "rb") asf:

content = f.read

eoi = content.find( b'xffxd9')

print(content[eoi+ 2:].decode)

# OUTPUT

"""

你好 PyHub!

"""

元数据修改的方法可以做到不损失任何图像质量，但同时也最容易被攻击，现在大部分图像上传应用会对图像内容进行清洗，去除不必要的元数据以保护用户隐私。

比特操作

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本身丰富的信息量，在进行少量修改(篡改)的情况下，不会影响整体视觉效果。最常见的方法是 最低有效位(Least Significant Bit, LSB)，这种方法有很多变种，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。

比如我们可以将一张简单的水印图片进行二值化，得到一张只有 0/1 表示的图片：

fromPIL importImage

importnumpy asnp

frommatplotlib importpyplot asplt

logo = Image.open( "logo.jpg").convert( "L")

logo_bin = np.where( np.array(logo) > 128, 1, 0).astype(np.uint8)

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，也可以保留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)

上面的例子仅仅只是占用了原图单通道最低位 1bit 的信息，也可以原图和隐藏图片各占一半，原理是一样的。

可以参考：https://github.com/kelvins/steganography

可以参考：https://github.com/kelvins/steganography

对图像数据进行比特操作的方法有很多，比如可以通过修改最低位的奇偶值，直接存储二进制编码(https://www.geeksforgeeks.org/image-based-steganography-using-python/)；或者按比特位对图像进行重新分割，等等。

很显然，通过操作图像数据进行隐写会在一定程度上修改图像的视觉质量，而且对于内容本身不够丰富的图像(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)进行操作外，还可以在频率域进行操作，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异，图2-2

base_reversed - np.array(base)

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造成较大损害，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，具体可以参考：https://github.com/guofei9987/blind_watermark/。对频域进行修改的方法对图像视觉效果影响更小，在面对各种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。

一切皆可深度学习。

通过 PapersWithCode 网站可以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：

可以通过 pip install steganogan 安装作者预训练的模型：

steganogan encode input.jpg "Hi PyHub"-o out_gan.jpg

效果如下：