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。
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。
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()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。
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）
