4. 图像水印原理：像素值修改与LSB算法

图像水印，说白了就是把一段秘密信息藏进一张图片里。你肉眼看着图可能觉得完全没变化，但机器能读出来。这听起来像谍战片里的隐形墨水，对吧？其实背后的数学原理并不复杂。

核心就一句话：修改像素值，但不让人类眼睛察觉到。

我们先从最基础的像素存储说起。然后我会带你深入到最低有效位（LSB）这个经典算法。

4.1 像素值的本质

一张数字图像，说白了就是一堆像素点。每个像素点由数字组成。拿最常见的24位真彩图来说，每个像素由RGB三个颜色通道组成：

• R（红）：0~255
• G（绿）：0~255
• B（蓝）：0~255

比如一个像素是(128, 200, 50)，这就是RGB值。255对应二进制是11111111，8位长度。三个通道就是24位。

人眼对颜色变化有个感知阈值。你把R值从128改成129，肉眼基本分不出来。但机器看得清清楚楚。这就是水印能藏进去的根本原因。

嗯，这里要注意：修改幅度越小，隐蔽性越好。但改得太小，数据量就装不下。这就是一个trade-off。

4.2 像素值修改的基本思路

最简单的图像水印方式是直接修改像素值。

我个人习惯把做法分成两类：

方式	原理	效果	典型场景
整体偏移	给所有像素值加/减一个固定常数	图像整体变亮或变暗	可见水印、版权声明
局部替换	将某些像素替换为水印图案的颜色	水印图案直接覆盖原图	半透明Logo叠加
微调低比特位	只修改每个通道的最低1~4位	肉眼几乎不可察	隐写、版权保护

你在实际项目中怎么选？要鲁棒性，就改大一点，扛得住JPEG压缩。要隐蔽性，就只动最低位。

我记得有一次帮一个做图库的朋友做版权保护。他们要求水印必须完全看不到，但截图后还能追查出源头。那就是典型的隐蔽水印场景。我最后选了LSB方案。

4.3 最低有效位（LSB）算法详解

LSB，Least Significant Bit。就是二进制数值最右边那一位。比如数字128的二进制是10000000，最低位是0。129是10000001，最低位是1。

你想想看，一个8位值，修改最低位，只会造成±1的误差。对于255级的颜色来说，1/255的变化，人眼根本分辨不出来。

LSB水印就是把你要藏的数据，写进每个通道的最低有效位。

4.3.1 嵌入原理

嵌入水印分为三个步骤：

1. 读取原图像素：拿到每个通道的8位二进制值。
2. 清空最低位：把最低位清零，相当于把最后一位强制变成0。
3. 写入水印位：把你想要藏的数据（0或1）放到清空的位置上。

举个例子。假设一个像素的R通道值是130，你想藏一个1进去：

步骤	十进制	二进制
原值	130	10000010
清空最低位	130 & 254 = 130	10000010
写入水印位1	130 | 1 = 131	10000011

你看，130变成131，就藏进去了。反过来，如果想藏0，130保持130不变。

4.3.2 提取原理

提取就简单了。你只需要读取每个通道的最低有效位：

• 用原像素值 & 1，得到最低位。
• 按顺序拼回来，就得到了原始水印数据。

但是有一个坑。我在项目中遇到过：如果水印图片经过了JPEG压缩，LSB提取出来的数据全是乱的。JPEG是有损压缩，会把那些最低位的数据抹掉。所以LSB水印只适合无损场景，比如PNG、BMP。

4.3.3 代码实现

给你一段我常用的Python实现。依赖Pillow库。

from PIL import Image
import numpy as np

def embed_lsb(image_path, secret_bits, output_path):
    """
    嵌入LSB水印
    secret_bits: 二进制字符串，如 "1011001..."
    """
    img = Image.open(image_path).convert('RGB')
    pixels = np.array(img)
    
    # 确保数据长度足够
    h, w, c = pixels.shape
    max_bits = h * w * 3
    if len(secret_bits) > max_bits:
        raise ValueError("水印数据太长，超过容量")
    
    # 清空最低位，再写入水印位
    data_index = 0
    for i in range(h):
        for j in range(w):
            for k in range(3):
                if data_index < len(secret_bits):
                    # 清空最低位
                    pixels[i, j, k] &= 0xFE
                    # 写入水印位
                    pixels[i, j, k] |= int(secret_bits[data_index])
                    data_index += 1
    
    result_img = Image.fromarray(pixels)
    result_img.save(output_path, format='PNG')
    return result_img

def extract_lsb(image_path, bit_count):
    """
    提取LSB水印
    bit_count: 要提取的位数
    """
    img = Image.open(image_path).convert('RGB')
    pixels = np.array(img)
    
    bits = []
    h, w, c = pixels.shape
    for i in range(h):
        for j in range(w):
            for k in range(3):
                if len(bits) < bit_count:
                    # 提取最低位
                    bit = pixels[i, j, k] & 0x01
                    bits.append(str(bit))
                else:
                    break
    return ''.join(bits)

这段代码有两个关键点：

• &= 0xFE：清空最低位。0xFE的二进制是11111110，与操作后最低位变成0。
• |= int(...)：写入水印位。或操作把最低位设置成你要的值。

提取时直接用& 0x01拿到最低位就行。

4.4 LSB的增强变种

标准LSB有个问题：抗干扰能力弱。一点点噪声或者图像处理操作，就可能把水印毁掉。

我建议你了解两个常见的增强方案：

方案名称	做法	优点	缺点
多比特LSB	修改每个通道最低2~4位	容量大幅增加	图像质量下降更明显
随机顺序LSB	用伪随机序列决定嵌入位置	安全性更高	提取时必须知道种子

我做项目时一般用随机顺序LSB。这样即使别人知道用了LSB，不知道具体的嵌入位置顺序，也拿不到水印数据。

4.5 本章核心知识结构

下面这张图把LSB整个流程串起来了。你一眼就能看明白。

这张图展示了LSB水印的完整链路：原始图像 + 水印数据 = 含密图像，提取时通过读取最低位还原水印。密钥用于控制随机嵌入顺序，提升安全性。

4.6 一段实话

LSB算法真的很简单。但你千万别轻视它。我在实际项目中见过太多人因为觉得简单就随便写，结果水印要么提取不出来，要么图像质量受损严重。

我做数据保护这么多年，最深的体会是：简单的东西要做出实用价值，反而最考验细节把控。比如你嵌入前要不要对水印数据做加密？嵌入位置要不要加随机扰动？这些才是决定方案能用不能用的关键。

你想想看，如果一个攻击者拿到你的含密图像，他只要做一次最低位提取，就能看到你藏的数据——这等于没藏。所以下一阶段的知识，我们会聊如何在嵌入前对数据做预处理，让它真的变成只有你能读懂的密文。

好了，这一章的核心就是：改最低位，藏数据。记住三个要点：清空、写入、无损格式。动手试试我给你的代码，跑通一次你就再也不会忘了。