3. 空域水印算法：最低有效位（LSB）替换原理，手工实现LSB嵌入与提取，优缺点分析

好，我们进入第一个真正能动手的算法——最低有效位，也就是 LSB 替换。

说实话，LSB 是水印世界里最朴素、最容易理解的方法。你甚至不需要懂傅里叶变换，不需要懂 DCT，只要知道像素值是个整数就行。

3.1 LSB 替换到底在做什么？

简单地说，LSB 就是“像素值最低的那个二进制位”。

你想想看，一个 8 位灰度图，每个像素值范围是 0~255。写成二进制就是 8 个 bit。最高位（MSB）一变，像素值直接掉一半；而最低位（LSB）变了，像素值只差 1。差 1 是什么概念？人眼根本看不出来。

举个例子：

原始像素：200  → 二进制 11001000
改 LSB：  201  → 二进制 11001001
差别：肉眼完全分辨不出

这就给了我们藏东西的空间。我们把水印信息的每个 bit，替换到载体图像每个像素的 LSB 上。说白了就是用图像的“最不重要”的那一点精度，来换我们的秘密数据。

3.2 手工实现 LSB 嵌入

我刚开始做水印时总想着多么复杂的变换，后来发现最经典的反而就是这个。嵌入过程其实就三步：

1. 准备载体和水印——读入灰度图作为载体，把水印信息（可以是字符串、二值图）转成 bit 流。
2. 清空 LSB 位——把每个像素的低 1 位清零。
3. 写入水印——把水印 bit 按顺序填充到 LSB 位置。

直接看代码吧，我写了一个最简版本：

import numpy as np
from PIL import Image

def embed_lsb(carrier_path, watermark_text, output_path):
    # 1. 读灰度图
    img = Image.open(carrier_path).convert('L')
    pixels = np.array(img, dtype=np.uint8)
    
    # 2. 水印文本转二进制
    binary_wm = ''.join(format(ord(c), '08b') for c in watermark_text)
    
    # 3. 检查容量
    total_pixels = pixels.size
    if len(binary_wm) > total_pixels:
        raise ValueError("水印长度超过承载容量！")
    
    # 4. 清零 LSB，再写水印
    pixels_flat = pixels.flatten()
    for i, bit in enumerate(binary_wm):
        pixels_flat[i] = (pixels_flat[i] & 0xFE) | int(bit)
    
    # 5. 保存
    stego_img = Image.fromarray(pixels_flat.reshape(pixels.shape), 'L')
    stego_img.save(output_path)
    print(f"嵌入完成，用了 {len(binary_wm)} 个像素")

嗯，这里有个细节我提一下。我在项目中遇到过新人直接暴力赋值，把像素全改了，结果图像出现条纹。正确做法是先清 LSB 再写，也就是 & 0xFE 这一步不能省。

3.3 LSB 提取——怎么把水印读回来？

提取更简单。直接取每个像素的低 1 位，拼成二进制串，再转回字符。没什么弯弯绕绕的。

def extract_lsb(stego_path, length_bits):
    img = Image.open(stego_path).convert('L')
    pixels = np.array(img, dtype=np.uint8).flatten()
    
    bits = []
    for i in range(length_bits):
        bits.append(str(pixels[i] & 0x01))
    
    # 每 8 位转一个字符
    chars = []
    for i in range(0, len(bits), 8):
        byte = ''.join(bits[i:i+8])
        chars.append(chr(int(byte, 2)))
    
    return ''.join(chars)

你注意到了吗？提取时我们必须要知道嵌入了多少个 bit。否则不知道读到哪停。这是一个很实际的工程问题。我曾经在这个坑里栽过——提取出来的文本后面全是乱码。后来我给水印加了个固定长度的头信息，先读头部就知道正文有多长了。

3.4 LSB 的优缺点——实话实说

讲完原理，我必须客观地评价一下这个算法。它简单，但也不是万能的。

特性	评价
嵌入容量	极高。一张 1024×1024 的灰度图可以嵌入 1M bit，约 128KB 数据
视觉隐蔽性	好。只是最低位变化，人眼几乎无法察觉
计算速度	极快。只有位运算，不需要任何数学变换
鲁棒性	极差。任何有损压缩、缩放、滤波都会破坏 LSB
安全性	低。只要知道 LSB 提取方法，任何人都能轻易读取

说实话，鲁棒性差是 LSB 最大的短板。你给图片做个 JPEG 压缩，质量稍微设低一点，水印就全没了。我在项目中实际上很少单独使用 LSB，更多是拿它做预处理、做辅助信道、或者做教学演示。

3.5 一个小实验——看看 LSB 的实际效果

我建议你在做 LSB 实验时拿一张纯色背景图做载体，嵌入水印后用直方图对比。你会看到原始图像的直方图是平滑的，而嵌入后的直方图会出现“成对”的峰谷。这个现象叫“LSB 直方图对效应”，很多隐写分析工具就是靠这个判断图像是否被修改过。

为了更直观地理解整个过程，我画了一张流程图：

3.6 总结一下

LSB 算法虽然简单，但它是理解所有空域水印的基础。你搞懂了它，后面学扩频、学 Patchwork 都会轻松很多。它的核心价值在于：

• 作为教学入门：零门槛，快速建立水印工程直觉。
• 作为辅助信道：在高鲁棒性算法的掩护下，用 LSB 携带额外元数据。
• 作为对比基准：衡量其他更复杂算法时，LSB 的指标可以作为“下限”参考。

我曾经觉得 LSB 是个很鸡肋的技术，但后来发现当你的水印需要同时满足“高容量 + 可忽视的视觉损失”时，LSB 反而成了独一无二的选择。关键看你用在什么场景。没有银弹，只有合适的工具。

好，LSB 我们就聊到这。它简单、直接、实用，但扛不住攻击。下一层我们要面对一个更棘手的问题：怎么让水印活得更久？