当前位置：首页 > news >正文

手把手复现蓝桥杯‘缺失的数据’：用Python OpenCV和PyWavelets搞定数字水印提取

news 2026/6/11 1:58:03

数字水印实战：用Python OpenCV和PyWavelets实现CTF题目复现

数字水印技术作为信息隐藏领域的重要分支，在版权保护、数据安全等方面有着广泛应用。本文将从一个典型的CTF竞赛题目出发，完整复现数字水印的提取过程，帮助读者掌握OpenCV和PyWavelets库在图像处理中的实际应用。

1. 环境准备与基础知识

在开始之前，我们需要搭建合适的开发环境。推荐使用Python 3.8或更高版本，并安装以下关键库：

pip install opencv-python numpy pywavelets

数字水印技术主要分为空域方法和频域方法两大类。空域方法直接修改像素值，而频域方法（如本文使用的小波变换）则通过修改变换域系数来嵌入水印，具有更好的鲁棒性。

Arnold变换是一种常用的图像置乱技术，其数学表达式为：

$$ \begin{bmatrix} x' \ y' \end{bmatrix}

\begin{bmatrix} 1 & b \ a & ab+1 \end{bmatrix} \begin{bmatrix} x \ y \end{bmatrix} \mod N $$

其中a、b为参数，N为图像尺寸。通过多次迭代，可以实现图像的置乱和复原。

2. 核心算法解析

2.1 Arnold变换实现

Arnold变换的核心代码实现如下：

def arnold(self, img): r, c = img.shape p = np.zeros((r, c), np.uint8) a, b = 1, 1 for k in range(self.key): for i in range(r): for j in range(c): x = (i + b * j) % r y = (a * i + (a * b + 1) * j) % c p[x, y] = img[i, j] return p

对应的逆变换为：

def deArnold(self, img): r, c = img.shape p = np.zeros((r, c), np.uint8) a, b = 1, 1 for k in range(self.key): for i in range(r): for j in range(c): x = ((a * b + 1) * i - b * j) % r y = (-a * i + j) % c p[x, y] = img[i, j] return p

注意：key参数决定了变换的迭代次数，必须与加密时使用的次数一致才能正确恢复图像。

2.2 小波变换应用

离散小波变换(DWT)将图像分解为不同频率的子带，是数字水印嵌入的常用方法。我们使用PyWavelets库实现三级小波分解：

c = pywt.wavedec2(img2, 'db2', level=3) [cl, (cH3, cV3, cD3), (cH2, cV2, cD2), (cH1, cV1, cD1)] = c

水印提取的关键步骤是对系数进行加权处理：

ca1 = (cl - dl) * a1 ch1 = (cH3 - dH3) * a2 cv1 = (cV3 - dV3) * a3 cd1 = (cD3 - dD3) * a4

3. 完整水印提取流程

3.1 图像预处理

首先读取并预处理原始图像和水印图像：

img = cv2.imread('a.png') watermark = cv2.imread('newImg.png') img_gray = cv2.cvtColor(img, cv2.COLOR_RGB2GRAY) mark_gray = cv2.cvtColor(watermark, cv2.COLOR_RGB2GRAY)

3.2 水印提取实现

完整的水印提取类实现如下：

class WaterMarkDWT: def __init__(self, origin: str, watermark: str, key: int, weight: list): self.key = key self.img = cv2.imread(origin) self.mark = cv2.imread(watermark) self.coef = weight # ... Arnold变换和逆变换方法 ... def get(self, size: tuple = (1200, 1200), flag: int = None): img = cv2.resize(self.img, size) img1 = cv2.cvtColor(img, cv2.COLOR_RGB2GRAY) img2 = cv2.cvtColor(self.mark, cv2.COLOR_RGB2GRAY) # 小波分解 c = pywt.wavedec2(img2, 'db2', level=3) [cl, (cH3, cV3, cD3), (cH2, cV2, cD2), (cH1, cV1, cD1)] = c d = pywt.wavedec2(img1, 'db2', level=3) [dl, (dH3, dV3, dD3), (dH2, dV2, dD2), (dH1, dV1, dD1)] = d # 系数处理 a1, a2, a3, a4 = self.coef ca1 = (cl - dl) * a1 ch1 = (cH3 - dH3) * a2 cv1 = (cV3 - dV3) * a3 cd1 = (cD3 - dD3) * a4 # 确保系数形状一致 ca1 = cv2.resize(ca1, (cD3.shape[1], cD3.shape[0])) # 小波重构 waterImg = pywt.waverec2([ca1, (ch1, cv1, cd1)], 'db2') waterImg = np.array(waterImg, np.uint8) waterImg = self.deArnold(waterImg) # 形态学处理 kernel = np.ones((3, 3), np.uint8) if flag == 0: waterImg = cv2.erode(waterImg, kernel) elif flag == 1: waterImg = cv2.dilate(waterImg, kernel) return waterImg

3.3 参数调优技巧

水印提取效果受多个参数影响：

参数	作用	典型值范围
key	Arnold变换迭代次数	10-50
a1	近似系数权重	0.1-0.3
a2	水平细节权重	0.1-0.3
a3	垂直细节权重	0.3-0.6
a4	对角细节权重	0.2-0.5

实际应用中，可以通过以下方法优化提取效果：

逐步调整权重参数，观察水印清晰度变化
尝试不同的形态学处理方法（腐蚀、膨胀）
对小波重构结果进行直方图均衡化

4. 实战应用与扩展

4.1 自定义图像测试

读者可以尝试用自己的图像进行测试：

if __name__ == '__main__': # 使用自定义图像 img = 'your_image.png' watermark = 'your_watermarked_image.png' k = 25 # 尝试不同迭代次数 xs = [0.15, 0.25, 0.45, 0.35] # 调整权重 W1 = WaterMarkDWT(img, watermark, k, xs) extracted_watermark = W1.get() cv2.imwrite('extracted_watermark.png', extracted_watermark)