LSB隐写从原理到实战：LSB替换、位平面分析与Python实现-平芜编程栈

简介：面向信息安全初学者与图像隐写研究者的MATLAB实现资源，聚焦LSB替换隐写：通过修改图像像素最低有效位完成秘密信息嵌入，并可从载体图中逆向提取。压缩包为zip格式，共5个文件，含LSBmain.m主程序、LSB_en.m嵌入脚本、LSB_de.m提取脚本三个MATLAB源文件，以及Lena.tiff、Baboon.tiff两张标准测试图像，包体仅462KB，适合快速下载与本地复现。资源可完整演示预处理、二进制编码、位替换、保存载体与信息提取的流程；可结合两幅测试图观察LSB嵌入对人眼视觉影响极小，同时了解该方法对压缩、缩放、滤波等操作敏感且易被检测的局限性。目前已有360人浏览学习，对正在准备信息隐藏实验或课程设计、希望掌握基础隐写实现与验证思路的读者尤其适用。无论是初学信息隐藏还是复现课程设计，都能借助这套轻量代码快速跑通嵌入—提取闭环。

1. 先把 LSB 隐写这件事说透

把一段文本藏进一张 1024×1024 的 PNG 图片里，保存后文件大小只有轻微变化，肉眼来回对比也看不出差别，但知道规则的人能逐位把消息原样读回来——这就是 LSB 隐写。LSB 是 Least Significant Bit，最低有效位；LSB 替换是这个家族里最原始也最常被当作出题点的手法：直接拿秘密比特覆盖像素通道的最低一位。LSB 隐写、LSB 替换这几个关键词经常一起出现在 CTF 图片隐写、数字水印和取证对抗领域里，标题里的 lionvpo 通常是题目或工具代号，不影响对解法本身的理解。下面按嵌入原理、可运行代码、参数与抗检测、CTF 实战这条线讲完，新手能照着跑通，熟手也能拿到参数边界和检测套路的参照。

2. LSB 替换的嵌入原理：位平面、通道与直方图

2.1 从 RGB 像素到 8 个位平面

一张 24 位真彩图里，每个像素由 R、G、B 三个通道组成，每个通道用一个字节表示，取值范围 0～255。把字节展开成二进制位，从高到低依次是第 7 位到第 0 位，第 0 位就是最低有效位。图像有 8 个位平面，权重差异极大：第 7 位是最高有效位，决定主颜色基调；往低位走，每个位置贡献的灰度差按 2 的幂递减，第 0 位只贡献 1/255 的亮度差，在普通显示器上根本无法单独分辨。

举例：某个像素通道值是 200，二进制是 11001000；改成 201，即 11001001，只动了最低位。显示亮度变化是 200/255 与 201/255 的区别，人眼基本感知不到。秘密信息的每个二进制位按约定顺序写进这些最低位，嵌入就完成了。载体图片纹理越丰富、边缘越多，这 1 个灰度级的扰动就越难被察觉；反过来，纯色天空、渐变背景这类平滑区域对改动极其敏感，几十个字节都可能留下痕迹。

2.2 用位平面拆图直观理解藏在哪

动手写嵌入代码之前，习惯上先把载体拆成 8 个位平面看一眼，确认最低位是不是真的"像噪声"。下面这段代码把灰度图的 8 个位平面分别存成图片：

from PIL import Image import numpy as np img = Image.open('carrier.png').convert('L') arr = np.array(img) for i in range(8): plane = (arr >> i) & 1 # 取出第 i 位 out = (plane * 255).astype(np.uint8) # 0/1 映射成黑白 Image.fromarray(out).save(f'plane_{i}.png')

arr >> i把第 i 位移到最低位，& 1把其他位清零，plane里每个位置只有 0 或 1。保存后观察会发现：plane_7、plane_6 能清晰看出画面轮廓，越往低位平面走轮廓越淡，到 plane_0、plane_1 基本就是雪花噪声。高位位平面规律性极强，篡改会被一眼看穿；低位位平面本来就混乱，改掉几个 bit 不具有视觉显著性。LSB 隐写就是利用这个特性，把秘密信息埋进这套"本就混乱"的最低平面里。

2.3 同一条消息，两种改法：LSB 替换与 LSB 匹配

LSB 替换是最直接的实现：new_val = (val & 0xFE) | msg_bit，最低位被强制覆盖成消息位。LSB 匹配则换了个思路：先读原像素最低位，如果消息位相同就保持原值，不同就执行加减 1。以像素值 200（最低位 0）和消息位 1 为例，替换会固定变成 201；匹配可以在 199 和 201 里随机选一个，也把最低位置为 1，但改动幅度和方向带有随机性。

两种改法嵌入后的最低位都等于消息位，差别体现在统计特征上：嵌入率升高时，替换会产生明显的"值对频率趋同"现象，也就是 (2i, 2i+1) 这两档灰度出现次数越来越接近；匹配因为引入了 ±1 的随机选择，保留了原始直方图的部分不规则性。第 4 章会介绍检测器如何利用这个差异。另外要注意，这个原理只对 PNG、BMP 这类无损格式成立，JPEG 的有损压缩会直接破坏最低位，所以 LSB 题的载体几乎不会是 JPEG。

3. 用 Python 从零实现 LSB 替换的嵌入与提取

3.1 嵌入端：加一个 4 字节长度头再写入

直接把消息比特平铺进像素虽然简单，但提取时不知道消息有多长。常见做法是像网络协议一样加固定长度的头：用 4 字节大端整数记录消息字节数，再接原始数据。完整嵌入脚本如下：

import struct import numpy as np from PIL import Image def embed(carrier: str, out: str, secret: bytes): img = Image.open(carrier).convert('RGB') arr = np.asarray(img) # H x W x 3 # 4 字节长度头 + 消息，逐字节拆成位，高位在前 payload = struct.pack('>I', len(secret)) + secret bits = [] for byte in payload: for p in range(7, -1, -1): bits.append((byte >> p) & 1) flat = arr.reshape(-1) if len(bits) > len(flat): raise ValueError( f'载体容量不足: 需要 {len(bits)} 位, 只有 {len(flat)} 位') for i, bit in enumerate(bits): flat[i] = (flat[i] & 0xFE) | bit # 清最低位，写入消息位 Image.fromarray(flat.reshape(arr.shape)).save(out) # 用法示例 embed('carrier.png', 'stego.png', b'flag{hello_lsb}')

每一步的逻辑：struct.pack('>I', len(secret))把消息字节数按大端序打包成 4 字节，提取端必须按同样的字节序解析；range(7, -1, -1)保证一个字节内高位在前，否则还原时拼出来的字节会左右颠倒；flat把 H×W×3 的数组展平成一维，逐位写入天然完成了"逐行逐像素逐通道"的扫描。& 0xFE是清零最低位，| bit写入消息位。

这里有一个容易踩的坑：Image.fromarray对 dtype 敏感，arr必须是 uint8。Pillow 默认读 RGB 图返回的就是 uint8，但如果中途做过归一化、像素值加减或浮点运算，务必补一句astype(np.uint8)，否则保存时直接报错或写出错误颜色。

3.2 提取端：先读长度，再按格式取消息

提取是嵌入的逆过程：按同样顺序扫像素，取每个通道最低位，先凑 32 位还原出消息长度，再取后面的字节：

def extract(stego: str) -> bytes: arr = np.asarray(Image.open(stego).convert('RGB')) flat = arr.reshape(-1) bits = [int(v) & 1 for v in flat] def take(n: int): chunk = bits[:n] del bits[:n] out = bytearray() for i in range(0, len(chunk), 8): byte = 0 for b in chunk[i:i+8]: byte = (byte << 1) | b out.append(byte) return bytes(out) length = struct.unpack('>I', take(32))[0] return take(length * 8)

int(v) & 1取最低位，del bits[:n]是原地删除，让后面的take每次从剩余头部继续取。这个方法直观，但在工程代码里反复删除列表头部会引入不必要的开销。更稳妥的做法是维护一个偏移指针idx，每次从bits[idx:idx+n]取值再累加idx，避免修改共享状态。上面的写法是为了贴合"先长度后内容"的格式，便于阅读。

如果提取出来是乱码，优先检查三点：是否用了大端序读长度（<I和>I结果不同）；字节内位序是否一致（嵌入用高位在前，提取就要高位在前拼接）；载体通道顺序是否被工具改动过，比如某些编辑器会把 RGB 转成 BGR 再保存，导致位序错位。

3.3 容量、载体格式与 3 个必调参数

容量计算公式是：可用比特数 = 宽 × 高 × 通道数 × 占用位数。一张 1024×1024 的 PNG，三通道各取 1 位，可嵌入1024×1024×3 = 3,145,728位，约 393KB 文本。但实际使用不能按满算，要扣掉 4 字节长度头，还要考虑第 4 章说的检测阈值。

参数	说明	常用取值
通道选择	只改 R/G/B 还是全部通道	全部通道容量最大；单用 B 通道人眼更不敏感
位平面	用第 0 位还是低 2 位	默认第 0 位；低 2 位容量翻倍，但检测特征明显
扫描顺序	逐行、逐列、Z 字形、随机	逐行最简单；随机抗检测更好，需要额外存种子

提示：嵌入后可以用 PSNR 粗算一下图片失真，公式是10 * log10(255^2 / MSE)。LSB 满嵌时 MSE 的理论值接近 1，PSNR 约 48dB，人眼无法区分，但统计检测器仍能看出问题。高的 PSNR 只代表"肉眼安全"，不代表"检测安全"。

4. LSB 隐写参数与抗检测：扫描顺序、随机种子与嵌入率

4.1 顺序嵌入的特征：为什么左上角会暴露

逐行扫描意味着嵌入从图片左上角开始，连续写几十 KB 后，前几行像素的最低统计特征和整图其余部分明显不一致。用 Stegsolve 打开红/绿/蓝通道的 LSB 平面，会发现左上区域出现有规律的条纹或明显色块，这在平滑背景的载体上尤其刺眼。避免"开头即暴露"的常见做法是引入随机间隔：用密钥做种，生成像素坐标的伪随机序列，让消息比特分散到整张图。

import random def build_positions(w: int, h: int, channel: int, seed: int) -> list[tuple[int, int, int]]: rng = random.Random(seed) pos = [(x, y, c) for c in range(channel) for y in range(h) for x in range(w)] rng.shuffle(pos) return pos pos = build_positions(1024, 1024, 3, 20240517)

random.Random(seed)保证同一把种子在任何机器上生成完全一致的序列，提取端只要知道种子和通道数，就能按相同顺序取位。channel参数决定参与嵌入的通道数：3 表示 RGB 全嵌，1 表示只嵌蓝色通道。这个方案的代价是把"你知道嵌入位置"变成了"你持有那把种子"，密钥泄露等于消息泄露，所以种子要当作对称密钥管理。

4.2 嵌入率与直方图对称：检测器在看什么

即便嵌入位置做了随机化，嵌入率过高仍然会在统计规律上暴露。对 LSB 替换来说，最典型的破绽是灰度值成对出现的频率趋于一致。正常照片里，相邻灰度值 (2i, 2i+1) 的像素数量关系是随机的；LSB 替换嵌入率升高后，消息位 0/1 近似等概率，导致每对值中出现较少的一方向另一方向靠拢，两者频率越来越接近。RS 分析和卡方攻击检测的核心就是这个特征。

经验阈值大致是：嵌入率低于 10% 时，常规统计检测在高纹理载体上很难给出确定结论；高于 30% 时，RS 检测基本一抓一个准。所以实战中我一般反着算：先定一个能接受的最大嵌入率，再算消息体大小、挑载体。如果消息确实很大，优先换更高分辨率或更高噪声水平的载体图，而不是硬塞。平滑区域对嵌入率的容忍度显著更低，纯色渐变图里哪怕几百字节，直方图也能看出异常。

4.3 顺序替换、随机替换与 LSB 匹配的选型对比

三者对应不同的威胁模型：如果对手只是肉眼看图和跑 exiftool，顺序替换就够用；如果对手会跑 zsteg 和 RS 检测，就要考虑随机位置或 LSB 匹配。

方案	嵌入规则	提取条件	主要局限
顺序 LSB 替换	强制覆盖最低位	起始点、扫描顺序	左上角位平面出现条纹，值对频率趋同
随机 LSB 替换	强制覆盖最低位	起始点、扫描顺序、随机种子	仍有值对频率趋同的统计特征
LSB 匹配	最低位不同则 ±1	起始点、扫描顺序	需要随机源决定 +1 还是 -1，实现略复杂

LSB 匹配的价值不在隐蔽性上限更高，而是它不产生 LSB 替换那种"成对值频率对称"的强特征，对卡方检测的抗性更好。但要注意，匹配在像素值为 0 或 255 时只能单向调整，连续的大块纯色区域会留下细微的梯度痕迹。没有万能的方案，只有针对检测方式的取舍。

5. CTF 图片隐写：拿到题先做这三件事

5.1 先跑 file、strings、exiftool，快速排除干扰

CTF 里 LSB 隐写题通常给 PNG 或 BMP。收到附件先做一套三连检测，不要急着拖进画图软件看：

file mystery.png strings -n 8 mystery.png | head -20 exiftool mystery.png | grep -i 'comment\|author\|software'

这三条命令能排除一半以上的干扰项：文件头被改（修回来就能打开）、明文 flag 直接躺在 strings 输出里、Exif 注释字段藏线索。如果file显示是 JPEG，LSB 像素思路要立刻停手，转去看 DCT 系数；检索词里常见的 CTF jpeg 隐写题、pdf 隐写题考的不是像素最低位，PDF 的隐写点在对象流、压缩流和字体描述里。

5.2 zsteg 自动扫描与 Stegsolve 眼检互补

对 PNG/BMP，固定流程是先跑 zsteg 全参数扫描，再开 Stegsolve 人工核对：

zsteg -a mystery.png

zsteg 输出里b1,rgb,lsb,xy这类前缀是有效信息：b1表示每通道取 1 位，rgb是通道顺序，lsb是低位平面，xy是扫描方向。如果 zsteg 扫出来的内容读不通，先别急着排除 LSB，试着把位序反着拼字节——不少题目故意把消息做逐字节位反转，位平面上能看到文本形状，但常规工具读出来是乱的。Stegsolve 的价值在于人眼确认：切到 Red/Green/Blue 平面的第 0 位，有规律条纹的区域往往就是嵌入区，这能帮你判断题目到底嵌入在哪个通道、占了几位。