简介：这份毕业设计资料包面向计算机相关专业学生与图像处理初学者，围绕Python图像信息隐藏技术展开，提供从理论综述到系统实现的完整方案。内容涵盖现代隐写发展方向、信息隐藏基本概念与模型、图像隐藏性能指标分析、静止图像数据隐藏技术，以及基于Python与MySQL的网站搭建过程，包含登录注册、首页、新增图像隐藏和用户管理等模块的实现展示，并附有系统测试总结与展望。资源以zip压缩包形式提供，整体约39.21MB，内含源码、数据库与说明文档三类核心材料，源码对应各功能模块，数据库支撑用户与图像数据存储，说明文档则梳理了章节结构与设计思路。目前已有282人学习关注，适合需要完成同类课题、参考隐写算法落地或搭建图像隐藏演示系统的读者，可据此快速理解项目架构、复用关键代码并整理自己的论文素材。
1. 从一张毕业设计选题说起：Python 图像信息隐藏到底在做什么
如果你正在翻毕业设计选题，看到「Python 图像信息隐藏技术的实现」这一条，大概率会先愣一下：这到底是加密、是水印，还是把文件塞进图片里？其实它属于信息隐藏（Steganography）这个方向，核心目标不是让内容「看不懂」，而是让内容「看不见」——把一段文字、一个文件甚至另一张图，嵌进一张看起来完全正常的图片里，肉眼和常规图片查看器都发现不了异常。它和加密最大的区别在于：加密是「锁起来但告诉你这里有锁」，信息隐藏是「连锁都不让你看见」。
这个选题之所以适合做毕业设计，是因为它链条完整：有算法原理（LSB、DCT、DWT）、有工程实现（Python + Pillow/OpenCV）、有数据管理（数据库存嵌入记录）、有交付物（源码 + 说明文档）。而且它天然能做出对比实验——不同算法、不同容量、不同攻击下的鲁棒性，这些都是答辩时能讲出东西的点。下面我按「先跑通最小闭环，再谈算法和数据库，最后讲坑」的顺序，把这条选题从开题到答辩的落地路径拆开讲。
2. 最小可行系统：用 LSB 把一段文字藏进 PNG
2.1 为什么第一版一定选 LSB 而不是 DCT
LSB（Least Significant Bit，最低有效位）是信息隐藏里最容易跑通的方案：把每个像素通道值的最低位替换成要隐藏的二进制位。人眼对最低位的变化几乎无感，所以藏完的图看起来和原图一样。它的优点是实现简单、容量大、可逆；缺点是抗攻击能力弱——重新压缩、缩放、加噪都可能把数据毁掉。
DCT（离散余弦变换）和 DWT（小波变换）属于频域方法，鲁棒性强得多，但实现复杂度高，调试周期长。毕业设计的时间通常只有几个月，我的建议是：第一版用 LSB 跑通「嵌入—提取—验证」闭环，把数据库和说明文档的框架搭起来；第二版再引入 DCT 做对比实验。这样你既有能演示的基础功能，又有能写进论文的算法对比。
2.2 环境准备与依赖安装
Python 环境建议用 3.9 以上，虚拟环境隔离依赖。如果你还在纠结 python 安装教程，直接去 python 官网下载安装包，勾选 Add to PATH 即可。核心依赖只有两个：Pillow 负责图像读写，NumPy 负责位运算加速。
# 创建虚拟环境并安装依赖 python -m venv venv # Windows 激活 venv\Scripts\activate # macOS / Linux 激活 source venv/bin/activate pip install pillow numpy这里不引入 OpenCV，是因为 LSB 阶段用 Pillow 足够，少一个依赖少一个坑。等你做 DCT 对比实验时再装 opencv-python 也不迟。虚拟环境一定要用，否则后面打包源码时依赖版本混乱，答辩现场跑不起来会很尴尬。
2.3 嵌入与提取的核心代码
下面这段代码实现「把一段 UTF-8 文本藏进 PNG，并能原样提取」。PNG 是无损格式，LSB 改动能完整保留；JPEG 是有损压缩，改完再存就废了，这是新手第一个大坑。
from PIL import Image import numpy as np def text_to_bits(text): """把文本转成二进制位串，头部加 32 位长度标记""" data = text.encode('utf-8') length = len(data) # 32 位长度 + 数据位 bits = format(length, '032b') for byte in data: bits += format(byte, '08b') return bits def embed_lsb(image_path, text, output_path): img = Image.open(image_path).convert('RGB') arr = np.array(img) bits = text_to_bits(text) flat = arr.flatten() if len(bits) > len(flat): raise ValueError(f"容量不足：需要 {len(bits)} 位，可用 {len(flat)} 位") # 逐位替换最低位 for i, bit in enumerate(bits): flat[i] = (flat[i] & 0xFE) | int(bit) new_arr = flat.reshape(arr.shape) Image.fromarray(new_arr.astype('uint8')).save(output_path, 'PNG') print(f"嵌入完成，共 {len(bits)} 位") def extract_lsb(image_path): img = Image.open(image_path).convert('RGB') flat = np.array(img).flatten() # 先读 32 位长度 length_bits = ''.join(str(flat[i] & 1) for i in range(32)) length = int(length_bits, 2) # 再读数据位 data_bits = ''.join(str(flat[i] & 1) for i in range(32, 32 + length * 8)) data = bytes(int(data_bits[i:i+8], 2) for i in range(0, len(data_bits), 8)) return data.decode('utf-8') if __name__ == '__main__': embed_lsb('cover.png', '毕业设计测试文本', 'stego.png') print(extract_lsb('stego.png'))逻辑说明：text_to_bits在数据前加了 32 位长度头，这样提取时才知道要读多少位，否则会读出整张图的噪声。embed_lsb用& 0xFE把最低位清零，再用| int(bit)写入目标位，这是标准的位操作写法。extract_lsb按同样的顺序反向读取。
参数说明：image_path必须是 PNG 或 BMP 等无损格式；text长度受图像像素数限制，一张 1920×1080 的 RGB 图有约 622 万个可用位，理论上能藏约 77 万字节，但实际建议不超过容量的 50%，留出余量。output_path也必须存成 PNG，存成 JPEG 会直接破坏数据。
2.4 验证嵌入效果的两个指标
跑通之后不能只看「提取出来了」，还要量化评估。最常用的两个指标是 PSNR（峰值信噪比）和 SSIM（结构相似性）。PSNR 高于 40dB 通常认为肉眼不可察觉，SSIM 越接近 1 越好。这两个指标写进论文的实验章节，比只贴一张对比图有说服力得多。
from skimage.metrics import peak_signal_noise_ratio, structural_similarity import numpy as np from PIL import Image cover = np.array(Image.open('cover.png').convert('RGB')) stego = np.array(Image.open('stego.png').convert('RGB')) print('PSNR:', peak_signal_noise_ratio(cover, stego)) print('SSIM:', structural_similarity(cover, stego, channel_axis=2))skimage 需要额外安装：pip install scikit-image。PSNR 在 LSB 方案下通常能到 50dB 以上，因为只改了最低位。如果 PSNR 低于 40dB，说明你的嵌入位置或位操作写错了，要回头检查。
3. 把嵌入记录管起来：SQLite 数据库设计与增删改查
3.1 为什么毕业设计一定要带数据库
很多同学觉得信息隐藏就是算法，数据库是多余的。但答辩老师常问的一个问题是：「你藏了多少次、藏了什么、原图在哪、提取密钥是什么，怎么管理？」这时候如果没有数据库，你只能现场翻文件夹，很被动。加一个 SQLite 数据库，把每次嵌入操作的元信息记录下来，系统立刻从「脚本」升级成「系统」，这是毕业设计评分里的加分项。
选 SQLite 而不是 MySQL，是因为毕业设计通常单机演示，SQLite 零配置、单文件、随源码一起打包，老师拿到就能跑。如果你确实想用 MySQL 练手，注意 mysql 的数据库连接池配置，别在演示时因为连接数不够卡住。
3.2 表结构设计与建表语句
核心表就一张embed_records，记录每次嵌入的完整信息。字段设计要覆盖「谁、什么时候、用什么算法、藏了什么、文件在哪」。
CREATE TABLE IF NOT EXISTS embed_records ( id INTEGER PRIMARY KEY AUTOINCREMENT, cover_path TEXT NOT NULL, -- 原图路径 stego_path TEXT NOT NULL, -- 含密图路径 algorithm TEXT NOT NULL, -- LSB / DCT / DWT payload_type TEXT NOT NULL, -- text / file payload_hash TEXT NOT NULL, -- 内容 SHA256，用于校验 capacity_used REAL NOT NULL, -- 容量占用率 psnr REAL, -- 嵌入后 PSNR created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP );payload_hash存内容的 SHA256，提取时可以校验一致性，这是论文里「完整性验证」那一节的实现依据。capacity_used记录占用率，方便你做容量对比实验。psnr字段让每次嵌入的质量指标都留痕，写实验章节时直接查库出表。
3.3 Python 操作 SQLite 的增删改查
import sqlite3 import hashlib def init_db(db_path='stego.db'): conn = sqlite3.connect(db_path) conn.execute('''CREATE TABLE IF NOT EXISTS embed_records ( id INTEGER PRIMARY KEY AUTOINCREMENT, cover_path TEXT NOT NULL, stego_path TEXT NOT NULL, algorithm TEXT NOT NULL, payload_type TEXT NOT NULL, payload_hash TEXT NOT NULL, capacity_used REAL NOT NULL, psnr REAL, created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP )''') conn.commit() return conn def add_record(conn, cover, stego, algo, ptype, payload, capacity, psnr): h = hashlib.sha256(payload.encode('utf-8')).hexdigest() conn.execute( 'INSERT INTO embed_records (cover_path, stego_path, algorithm, payload_type, payload_hash, capacity_used, psnr) VALUES (?,?,?,?,?,?,?)', (cover, stego, algo, ptype, h, capacity, psnr) ) conn.commit() def query_by_algorithm(conn, algo): cur = conn.execute('SELECT id, cover_path, psnr, created_at FROM embed_records WHERE algorithm=?', (algo,)) return cur.fetchall() def delete_record(conn, record_id): conn.execute('DELETE FROM embed_records WHERE id=?', (record_id,)) conn.commit()逻辑说明：init_db负责建表并返回连接，程序启动时调一次即可。add_record在插入前自动算 SHA256，避免调用方忘记。query_by_algorithm是论文里「按算法统计嵌入次数」的实现。delete_record用于清理测试数据。
参数说明：capacity_used传 0 到 1 之间的小数，表示占用率；psnr允许为空，因为有些嵌入方式不计算。注意 SQLite 的?占位符是防注入的标准写法，不要用字符串拼接。
3.4 把数据库接入嵌入流程
在embed_lsb成功后调用add_record，把本次操作的元信息落库。这样每藏一次就有记录，提取时可以先查库拿到payload_hash，再和实际提取内容的哈希对比，验证完整性。这个闭环写进说明文档，就是一套完整的「嵌入—存储—提取—校验」流程。
4. 从 LSB 升级到 DCT：鲁棒性与容量的取舍
4.1 频域方法为什么更抗攻击
LSB 的致命伤是脆弱：图片被微信压缩一次、被截图一次、被缩放一次，最低位就全乱了。如果你的毕业设计要演示「抗压缩」「抗噪声」，必须上频域方法。DCT 的思路是把图像分块做余弦变换，把信息嵌在中频系数上——低频系数影响图像主体，改了肉眼能看出来；高频系数容易被压缩丢弃；中频是鲁棒性和不可见性的平衡点。
DWT 则是把图像做多级小波分解，在低频子带嵌入，鲁棒性更强但容量更小。毕业设计里通常选 DCT 做主力，DWT 做对比，这样论文有层次。
4.2 DCT 嵌入的关键参数
DCT 方案有几个必须调对的参数，调错一个就全盘失败：
| 参数 | 常用取值 | 作用 | 调错后果 |
|---|---|---|---|
| 分块大小 | 8×8 | 与 JPEG 标准一致 | 非 8 的倍数会导致边界错位 |
| 嵌入系数位置 | (4,1) 或 (3,2) | 选中频系数 | 选低频肉眼可见，选高频易被压缩 |
| 量化步长 alpha | 20~40 | 控制嵌入强度 | 太小提取不出，太大图像失真 |
| 嵌入规则 | 系数对大小关系 | 表示 0/1 | 规则不统一导致提取全错 |
alpha 是最需要调的参数。我的经验是先从 25 开始，测 PSNR 和误码率，再上下调整。alpha 越大越抗攻击，但 PSNR 越低，这是一对矛盾，论文里正好可以画一条权衡曲线。
4.3 DCT 嵌入的代码骨架
import cv2 import numpy as np def embed_dct(image_path, bit, alpha=25): img = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE).astype(np.float32) h, w = img.shape h8, w8 = h // 8 * 8, w // 8 * 8 for i in range(0, h8, 8): for j in range(0, w8, 8): block = img[i:i+8, j:j+8] dct = cv2.dct(block) # 用 (4,1) 和 (3,2) 两个中频系数的关系表示 1 位 if bit == 1: if dct[4, 1] - dct[3, 2] < alpha: dct[4, 1] = dct[3, 2] + alpha else: if dct[3, 2] - dct[4, 1] < alpha: dct[3, 2] = dct[4, 1] + alpha img[i:i+8, j:j+8] = cv2.idct(dct) cv2.imwrite('stego_dct.png', np.clip(img, 0, 255).astype(np.uint8))逻辑说明：每个 8×8 块做 DCT 后，用两个中频系数的差值编码一位。嵌入 1 时保证dct[4,1]比dct[3,2]大至少 alpha，嵌入 0 时反过来。提取时只需比较这两个系数的大小关系，不需要原图，这叫盲提取，是 DCT 方案的一大优势。
参数说明：alpha控制嵌入强度，建议 20 到 40；bit是单个二进制位，实际使用时循环调用。注意这段代码只处理灰度图，彩色图要对 Y 通道单独处理，否则颜色会偏。np.clip防止 IDCT 后溢出。
4.4 LSB 与 DCT 的对比实验怎么设计
论文里最有价值的一章是对比实验。建议固定同一张原图、同一段文本，分别用 LSB 和 DCT 嵌入，然后做三组攻击测试：JPEG 压缩（质量因子 70）、高斯噪声（方差 0.01）、缩放（0.5 倍再放大回来）。每组测误码率（BER），BER 越低越鲁棒。LSB 在压缩攻击下 BER 通常接近 0.5（等于随机猜），DCT 能控制在 0.1 以内，这个对比数据就是你论文的核心论据。
5. 避坑与排查：那些让答辩翻车的细节
5.1 存成 JPEG 导致提取全乱
现象：嵌入后提取出来是乱码，或者长度头读出来是个天文数字。 原因：JPEG 是有损压缩，保存时会改变像素值，最低位全部被重写。 解决：嵌入和提取全程用 PNG 或 BMP。如果必须输出 JPEG，改用 DCT 方案，并且提取时也要走同样的压缩路径。
5.2 容量计算漏算长度头
现象：藏长文本时报「容量不足」，但按像素数算明明够。 原因：只算了数据位，忘了 32 位长度头和可能的校验位。 解决：容量公式改成可用位 = 像素数 × 通道数 - 32 - 校验位，并且实际使用不超过 50%。
5.3 中文编码不一致导致提取乱码
现象：英文正常，中文提取出来是问号或方块。 原因：嵌入时用 UTF-8，提取时用了默认编码，或者反过来。 解决：嵌入和提取统一用encode('utf-8')和decode('utf-8')，在说明文档里明确写死编码格式。
5.4 数据库路径写死导致换机跑不起来
现象：在自己电脑上正常，老师电脑上打开就报「找不到数据库」。 原因：代码里写了绝对路径，比如D:\project\stego.db。 解决：用相对路径或os.path.join(os.path.dirname(__file__), 'stego.db')，保证源码包解压到任何位置都能跑。
5.5 DCT 提取时 alpha 不一致
现象：嵌入成功，提取时误码率极高。 原因：嵌入和提取用了不同的 alpha，或者提取时没按同样的系数对规则判断。 解决：把 alpha 作为参数存进数据库或配置文件，提取时读取同一个值。这也是为什么第 3 章的数据库要记录算法参数。
6. 让答辩加分的一个技巧：把提取做成可视化界面
前面五章跑通的是命令行版本，功能完整但演示效果一般。答辩现场老师更愿意看到一个能点按钮的界面。用 tkinter 做一个最小可视化，不需要额外依赖，源码包里直接能跑。核心就三个按钮：选择原图、输入要藏的文字、点击嵌入并显示 PSNR；再加一个提取按钮，选含密图后弹出提取结果。
import tkinter as tk from tkinter import filedialog, messagebox from PIL import Image, ImageTk def on_embed(): path = filedialog.askopenfilename(filetypes=[('PNG', '*.png')]) if not path: return text = text_input.get('1.0', 'end').strip() if not text: messagebox.showwarning('提示', '请输入要隐藏的文字') return embed_lsb(path, text, 'stego_output.png') messagebox.showinfo('完成', '嵌入成功，已保存为 stego_output.png') root = tk.Tk() root.title('图像信息隐藏系统') root.geometry('600x400') text_input = tk.Text(root, height=8) text_input.pack(padx=10, pady=10, fill='x') tk.Button(root, text='选择图片并嵌入', command=on_embed).pack(pady=5) tk.Button(root, text='选择含密图提取', command=lambda: messagebox.showinfo('提取结果', extract_lsb(filedialog.askopenfilename()))).pack(pady=5) root.mainloop()逻辑说明：on_embed串起选图、取文本、调用嵌入函数三步，出错时用 messagebox 提示而不是抛异常，演示时更友好。提取按钮直接复用第 2 章的extract_lsb，一行搞定。
参数说明：geometry('600x400')是窗口初始大小，可按屏幕调整；fill='x'让文本框横向撑满。注意 tkinter 打包成 exe 时要用 pyinstaller 的--noconsole参数，否则会弹黑框。
我自己的习惯是：答辩前一天，把源码包在一台没装过 Python 的电脑上完整跑一遍，从安装依赖到嵌入提取到界面演示，全程录屏。这一步能提前暴露 90% 的环境问题，比答辩当天手忙脚乱强得多。图像信息隐藏这个方向，算法不难，难的是把工程细节做扎实，把数据留全，把坑填平。希望帮到你。
本文还有配套的精品资源，点击获取
