# 第 3 章 · LSB 隐写与它的统计“指纹”（第 3–4 周）

<!-- lang-switch -->
> [🌐 English version](https://yukinoshita-lin.github.io/nsf5-steganography/en/content/ch03.html)




> **动手做｜** 本章目标：亲手完成一次“藏进去→检测出来”的最小闭环；理解卡方检验与 RS 分析各自抓住了什么；看懂 steganalysis.py 的判读逻辑。我们先用真实载体（img/cover.png）直观看到 LSB 改动有多“隐蔽”，再看统计如何戳穿它。

## 3.1 加密 vs 隐写：先回答第一个问题

| **维度** | **加密（Encryption）** | **隐写（Steganography）** |
| --- | --- | --- |
| 保护对象 | 消息内容：没有密钥就读不懂 | 通信行为：别人看不出有秘密 |
| 可见性 | 密文明显“不像正常数据” | 载体看起来完全正常 |
| 典型场景 | 传输密码、证书、加密文件 | 隐蔽信道、版权水印、取证研究 |
| 相互关系 | 可先加密再隐写（强烈推荐） | 隐写隐藏的是“秘密存在”这一事实 |

> **新手提示｜** 一句口诀：**加密保护“内容”，隐写保护“存在”。**专业隐写系统通常两者都用：先把消息加密，再把密文藏进载体。加密后密文近似随机，反而更不容易在统计上露馅。

## 3.2 最小可运行的 LSB 隐写

最朴素的隐写叫 **LSB 替换（LSB replacement）**：把秘密比特串逐位写进像素的 LSB。灰度图有 M×N 个像素，就能藏 M×N 个比特。

*教科书版最小 LSB（仅用于理解；项目实际用的是第 4–5 章的矩阵编码）*

```python
import numpy as np
 
def text_to_bits(s):
    raw = s.encode("ascii")
    # 16 bit 长度头 + 每个字符 8 bit
    head = [(len(raw) >> i) & 1 for i in range(16)]
    body = np.unpackbits(np.frombuffer(raw, np.uint8))
    return np.concatenate([head, body]).astype(np.uint8)
 
def lsb_embed(cover, bits):
    flat = cover.ravel().copy()
    k = min(len(bits), flat.size)
    flat[:k] = (flat[:k] & 0xFE) | bits[:k]   # 清最低位再写入
    return flat.reshape(cover.shape)
 
def lsb_extract(stego, nbytes):
    flat = stego.ravel() & 1
    return bytes(np.packbits(flat[16:16 + nbytes*8]))
```

> **避坑提醒｜** **有损格式是 LSB 的天敌。** PNG/BMP 无损保存，位面不会变；JPEG 有损压缩会把 LSB 打得面目全非。所以项目默认保存 PNG，而 JPEG 域隐写需要另做一套（姊妹项目 [`yccstego`](https://github.com/Yukinoshita-lin/yccstego) 走的正是量化 DCT 系数路线；它是独立仓库与 PyPI 包，不在本仓库内）。

为什么消息开头要先放 16 bit 长度头？因为解码端必须知道“读多少字节”才能还原消息。项目 `src/ns5_core.py` 的 `encode_string()` 正是先写 16 位小端长度、再写 UTF-8 字节——你在 3.2 的例子里已经把这个结构复制了一遍。

### 3.2.1 先亲眼看一眼：LSB 改动到底有多“隐蔽”

用项目的演示载体 `img/cover.png` 做一次真实的 LSB 替换（藏随机比特），看有 ~25% 像素的 LSB 被改写后，图片变成什么样：

![图 3-1 载体 vs 含密 vs 放大差异](../assets/lsb_cover_stego.png)

*图 3-1（真实数据：① 载体 `img/cover.png`；② 用朴素 LSB 藏入随机比特后的含密图；③ 把“|载体−含密|”放大 255 倍，才看清改动遍布全图；④ 载体本身的 LSB 位平面——本就近似噪声）*

**读图要点**：
- **① vs ② 肉眼几乎无差别**——这正是 LSB 隐写的“隐蔽”所在；
- **③ 差异放大 ×255** 后，才能看到散落全图的噪点，这就是“被改动的像素位置”；
- **④ cover 的 LSB 位平面**本就是细碎噪声——所以往里面再藏随机比特，直方图/肉眼都难以察觉。

### 3.2.2 像素级：到底改了多少、改成什么

再放大到一小块真实像素值，看嵌入前后每个像素的变化：

![图 3-2 像素级对比](../assets/lsb_pixel_level.png)

*图 3-2（真实数据：①/② 分别是同一小块区域 嵌入前/后 的灰度值；③ 标出被改的 21/80 个像素。注意每处改动只差 1——因为只是 LSB 在 0↔1 之间翻转）*

**读图要点**：
- 每个被改的像素，值只 ±1（如 127→128、135→134），因为变的是**最低位**；
- 人眼对 1 级灰度差完全无感——这就是“视觉冗余”；
- 但正是这种“把奇偶拉平”的改动，给统计检测（3.3 卡方、3.4 RS）留下了可测的指纹。

> **新手提示｜** 记住两个词：**视觉冗余**（人眼看不出）与**统计冗余**（检测器看得出）。LSB 隐写利用了前者，却恰恰破坏了后者——这成为所有统计检测的突破口。

## 3.3 为什么会露馅：卡方检验

自然图像里，相邻灰度 2i 与 2i+1（例如 100 与 101）出现的次数通常**不相等**。LSB 替换会强制把偶数与奇数“配对拉平”：当某像素从 2i 改成 2i+1 或反过来，两个灰度的频数会趋向均衡。Westfeld 的卡方检验做的就是这件事：

1. 统计整张图的 256 级灰度直方图，按相邻对 (0,1)、(2,3)、…、(254,255) 配对；
2. 假设“已嵌入”，则每对的两个频数应近似相等，期望值取对之和的一半；
3. 计算统计量 Σ(观测−期望)²/期望（只统计频数和大于 0 的灰度对）；
4. 把统计量换算成 p 值：p 高表示“观测与均匀假设吻合”→ 疑似 LSB 随机化；
5. 项目还会把图切成 20 个前缀段分别计算 p 值，取中位数，得到更稳的判据。

注意 p 值的含义容易反：这里 p 越大越可疑，因为它在说“如果 LSB 已被完全随机化，看到这种分布的几率很大”——而干净的平滑图通常不会这么均匀。

![图 3-3 相邻灰度对奇偶频数：干净 vs 嵌入后](../assets/img010.png)

上图对比了干净图与 LSB 嵌入后、每个相邻灰度对 (2i, 2i+1) 里偶值所占的比例：干净图（蓝）明显偏离 0.5（奇偶频数不齐）；嵌入后（粉）被“拉平”，向 0.5 靠拢。这正是卡方检验要抓的信号——越均衡，p 值越高，越可疑。

> **避坑提醒｜** **天然噪声图会骗过卡方检验。** 数码照片本身 LSB 就接近随机，卡方 p 天然很高。所以项目引入了“内容本底随机度”修正：先用灰度差分熵估计图像本身有多‘随机’，再决定是否把高 p 当作嵌入证据。这是把启发式做成可用的关键工程细节。

## 3.4 RS 分析：LSB 的“结构塌缩”

Fridrich 等人的 RS 分析换了一个角度：不比较灰度对频数，而是观察 LSB 位面的**空间结构**。做法是把像素流切成 4 像素一组，定义一个平滑度判别式 f（组内相邻差绝对值之和），再分别用“正掩码”与“负掩码”翻转组内部分像素的 LSB，统计翻转后 f 变大（规则 R）还是变小（奇异 S）的组数。

干净的自然图像在负掩码下有明显的“常规倾向”，常用量 Gn = (Rn−Sn)/N 显著为正（项目里干净平滑图常在 0.3～0.7）。LSB 替换让位面随机化后，这个结构“塌缩”，Gn 明显下降。项目同时输出 Gr、估计嵌入率等，共同组成“RS 证据”。

*项目 steganalysis.py 中 RS 的核心逻辑（伪代码，仅示意分组与统计思想）*

```python
groups = flat[:m].reshape(-1, 4)        # 每 4 像素一组
fg = np.abs(np.diff(groups, axis=1)).sum(axis=1)   # 原平滑度 f
pos = (groups ^ np.array([0,1,1,0])) & 0xFF        # +M 翻转
neg = (groups ^ np.array([1,0,0,1])) & 0xFF        # -M 翻转
Rm = (f(pos) > fg).sum();  Sm = (f(pos) < fg).sum()
Rn = (f(neg) > fg).sum();  Sn = (f(neg) < fg).sum()
Gn = (Rn - Sn) / n          # 干净图明显为正，随机化后≈0
```

![图 3-4 三道证据对照：RS 缺口 / 卡方统计量 / 隐写概率](../assets/img011.png)

上图用项目真实统计量对比了干净图（蓝）与含密图（粉）：RS 缺口 Gn 从明显为正（结构）塌缩、卡方统计量下降（奇偶被抹平）、ML 含密概率上升。LSB 嵌入把位面的“秩序”破坏掉了——这组柱状图就是 RS/卡方/ML 三道证据的直观对照。

## 3.5 项目的综合判读：analyze()

`src/steganalysis.py` 的 `analyze(image, sensitivity=...)` 并不只看一个统计量，而是组合四路信号：

- 卡方中位 p 值（判断灰度对是否被拉平）；
- RS 塌缩幅度（Gn 相对内容自适应基线的下降比例）；
- 灰度差分熵与 LSB 差分熵（判断“随机”是不是图像本底自带）；
- 前缀 p 值序列（观察随机化是局部还是整体）。

三档灵敏度（严格/均衡/宽松）调整“可能/高度可能”的判定阈值与概率牵引系数，本质是在**误报**与**漏报**之间选择操作点。

> **回到第 7 章看全貌｜** 第 7 章会把这套启发式升级成“特征 + 监督分类器”，并画出更完整的 ROC / AUC（图 7-6）与特征分布（图 8-1/8-2）。

## 3.6 动手实验：藏一句英文，再抓它出来

*利用项目真实 API：嵌入 → 保存 → 分析（可在 Jupyter 中逐段执行）*

```python
import sys; sys.path.insert(0, "src")
import numpy as np
import image_io as IO
from ns5_core import embed_string, extract_string
import steganalysis as SA
 
clean = IO.load_as_gray("img/cover.png")
stego, report, nbits = embed_string(
    clean, "Hello nsF5!", method="nsF5", p=3, password="")
import os; os.makedirs("output", exist_ok=True)   # 仓库约定: 脚本产物写这里
IO.save_image(stego, "output/lab3_stego.png")
print("改动像素:", report["cover_changed"])
print("解码:", extract_string(stego, method="nsF5", p=3))
for name, im in (("干净", clean), ("含密", stego)):
    r = SA.analyze(im)
    print(name, "Gn=%.3f" % r["RS_Gn"],
          "chi2p=%.3f" % r["chi2_pvalue"],
          "prob=%.2f" % r["stego_probability"], r["verdict"])
```

> **动手做｜** 把消息改成 5000 个字符再跑一次（参考 `src/test_steg.py`），观察改动像素占比、Gn 下降幅度与隐写概率的变化。再换一张噪声较多的照片，看看卡方与 RS 是否还能区分。

## 3.7 小结与自我检查

- LSB 嵌入利用**视觉冗余**（图 3-2 每处只差 1），肉眼不可辨（图 3-1）；
- LSB 替换会拉平相邻灰度对频数（卡方可测）并破坏位面结构（RS 可测）；
- p 值高 ≠ 安全；要先判断图像本底是否天然随机；
- 误报/漏报不可兼得，灵敏度设置就是选择操作点；
- 项目 analyze() 是“统计信号 + 内容基线”的工程化组合。

> **想一想｜** 纯 LSB 替换“藏 1 bit/像素”，改动率平均 50%。如果只藏少量消息、改动不到 1% 像素，卡方还查得到吗？RS 呢？带着这个问题进入第 4 章。再想一层：既然 图 3-1 的 LSB 位平面本就近似噪声，为什么卡方还能抓住它？（提示：关键在于“干净图的奇偶频数原本不齐”，而不是“LSB 看起来乱”。）