相关知识

目前水印大抵可分为两种，可见和不可见，可见水印大多用来标记或声明版权，或防盗用冒用，但在影院、绘画等场景下，可见性水印会极大影响用户体验，所以产生了盲水印的概念。
盲水印即看不见的水印，多使用信息隐藏技术实现，基于空域或频域隐藏秘密信息，在不影响用户的感官体验下嵌入信息，且只有通过特殊的提取器才可提取。这种技术目前应用十分广泛，相当多的公司都采用这种方法来给外泄的秘密资料找到泄密者。但信息隐藏到底是一门年轻的学科，关于盲水印现成的实现方法还不是太多。
（也看到有说法是盲水印是不依赖原图即可提取水印的方法，也有一定道理，但是该如何可见和不可见水印的是否有区别叫法呢？）

工具

虽然不多，但还是让我找着了。
目前大部分盲水印嵌入算法都是基于频域的（因为其鲁棒性高），但大部分现成工具都不能克服频域转化算法的局限性，需要载体图像像素位2的幂次、载体图像要是方的、载体与水印的大小需相关等等，这无疑是不符合实际的，诶，有这么一个软件就克服了这些局限性。
下载链接附上：
水印制作软件-WaterMakev10.61 绿色版-腾牛下载 (qqtn.com)
该软件解压即可使用，还不依赖其他dll，一个exe打天下，且经过测试其鲁棒性较强，足以应对我认为最强的剪切攻击，使用界面简单易用。

该工具的缺点在链接中也提到了，图像大小为2的n次方，如果大小不符的话会自动拉伸，这到也能接受，后面自行再缩放即可。关键的是对大图像的支持不足，目前测试2560×1660的图像还可，但是6000×4000这种级别的图像会直接报错，OutOfMemory，可能图像太大申请的内存不足以存放。
总之该工具在我们日常使用玩玩还是不错的，用起来很方便，但是当图片增大，商用领域就有些捉襟见肘。

现成库

blind-watermark

据说该库由阿里安全人员开发，同样可以克服频域算法的局限性，使用也较简单，相关介绍如下：
Python 实现数字图片盲水印（隐水印） - 知乎 (zhihu.com)
可使用pip install blind-watermark直接安装，国内环境也无需切换源，比较友好。可针对图像嵌入文本和水印，比较强的是水印恢复不依赖于原图，代码没看明白具体咋实现的也不懂。
不过都说该库鲁棒性极强，可从容应对几乎所有攻击，包括剪切旋转拉伸，但可能是我打开方式不对，污损情况下提取效果不错，但一些破坏图像结构的攻击直接就崩了，或提取出乱码或者雪花，或产生红色报错。
使用代码示例如下：

from blind_watermark import WaterMark
def encode(img,str):#嵌入文字信息startime = time.time()bwm1 = WaterMark(password_img=1, password_wm=1)bwm1.read_img(img)bwm1.read_wm(str, mode='str')bwm1.embed('embedded.png')len_wm = len(bwm1.wm_bit)print('Put down the length of wm_bit {len_wm}'.format(len_wm=len_wm))encodetime = time.time()print("encode time ", encodetime - startime)return len_wm
def decode(img,len):#解密文字信息startime=time.time()bwm1 = WaterMark(password_img=1, password_wm=1)wm_extract = bwm1.extract(img, wm_shape=len, mode='str')endtime = time.time()costtime = endtime - startimeprint("time cost:", costtime)print(wm_extract)
def encodeimg(carrier,watermark,output):#嵌入图像水印bwm1 = WaterMark(password_wm=1, password_img=1)# 读取原图bwm1.read_img(carrier)# 读取水印bwm1.read_wm(watermark)# 打上盲水印bwm1.embed(output)
def decodeimg(img,output):#提取图像水印bwm1 = WaterMark(password_wm=1, password_img=1)# 注意需要设定水印的长宽wm_shapebwm1.extract(filename=img, wm_shape=(150,167),out_wm_name=output)
#然后在主函数中调用就可以了

相比来说该库的鲁棒性确实不错，jpg的压缩也可以轻松应对，不足的是对图像质量的破坏偏大。不论图像大小，都可能对图像造成一定破坏，虽不至于影响整体感官，但也能看出图像差别，透明度要求较高的话不建议使用。

BlindWaterMark

项目地址
盲水印
使用控制台执行，具体操作方法文档都有，比较简单，优点是透明性高，且支持大图处理，加了水印的图像肉眼几乎无法识别。但面对jpg格式的压缩时有些力不从心，水印直接变成雪花，毕竟鲁棒性和透明性不能兼得。算法据说可以抗PS等这种在已有结构上的修改的攻击，没有PS还没法测试，如果是真的话还是相当适合商用的，可以达到防篡改的效果。

自行编写 - 基于离散余弦变换的盲水印

自行编写的好处是可以根据需求调整，在鲁棒性和透明性之间做出最适合自己的决定，但是相对比较繁琐，而且一些异常处理很难像已有系统那么周密，以学习为目的的话还是相当适合的。
主流隐藏方法，且兼顾效率与隐蔽性的算法是基于离散余弦变换的信息隐藏算法（DCT），该算法涉及比较复杂的数学知识，只能简要说下其原理：离散余弦变换是将图像由空间域转化到频率域上，将图像计算为二维余弦波，从效果来说是将图像计算为一个DCT系数矩阵，该矩阵代表图像的频率分布，频率低的为图像中相对重要的主体信息，高频则是图像的一些细节，但该矩阵中的像素与图像像素不存在一一对应关系。 然后将秘密信息根据自己的算法隐藏到DCT系数中即可，隐藏位置多选择中频区域，是在透明性和鲁棒性之间做了折中的选择。
本文设计的算法是利用dct系数的相对变化存储10信息（可用该10信息代表黑白，即可嵌入图片）。
引用一张觉得很不错关于域的分解图

具体思路

1.嵌入区域选择：首选中频，中频对角区域填满后向高频偏移，故容量最大为载体像素个数的一半。
2.嵌入算法：此步需要传入参数嵌入强度coefficient，根据标记字符串0或1增大或缩小自身的coefficient倍，这种相对变化能让自身统计特征的变化降到最小，且避免了因变化绝对值而产生对图像的破坏。
3.提取算法：用嵌入了秘密信息的DCT系数矩阵与原图像系数矩阵作差，会得到有正有负的新矩阵，因为先前规定了0减小1增大，故可根据目前的新矩阵恢复出先前的01序列，进而可以恢复字符甚至图像。
基于DCT的隐写算法python实现代码如下：

import cv2
import numpy as np
import matplotlib.pyplot as plt#图片展示
import base64 #图片转string
import time
def dct_encode(img1,img,coefficient):  #返回处理好的dctstarttime=time.time()height, width = img.shapeprint("Number of the carrirer can contain:",height*width/2)str=watermarkTostring(img1)if len(str)>height*width/2:#如果信息数量过多返回错误 只能存储在后二分之一print("Too many information to hide!")img1=img.astype('float')img_dct = cv2.dct(img1)h=0w=width-1                #行数向下递增 列数向右递增last_h=1                 #保存上一次跳转的列数print("Embeding...")print("隐藏",len(str),"位")black=0white=0for i in range(0,len(str)):#所有水印字符嵌入  范围前闭后开if h==height:h=last_hlast_h=last_h+1w=width-1if str[i]=="0":#白色变小#print("白色颜色记录位置",h,w)if img_dct[h][w]<0:img_dct[h][w]=img_dct[h][w]*(1+coefficient)else:img_dct[h][w]=img_dct[h][w]*(1-coefficient)h=h+1w=w-1white=white+1else: #黑色变大if img_dct[h][w]<0:img_dct[h][w]=img_dct[h][w]*(1-coefficient)else:img_dct[h][w]=img_dct[h][w]*(1+coefficient)#print("黑色颜色记录位置", h, w)h=h+1w=w-1black=black+1print("stop caculuation location ", h, w)print("number of white is ",white)print("number of black is ",black)print("Embeding complete.")   #嵌入完成encode_img=cv2.idct(img_dct)cv2.imwrite('D:/carrywatermark.png',encode_img)endtime=time.time()costtime=endtime-starttimeprint("encode cost",costtime)show("carrier",img)show("encode",encode_img)return  encode_imgdef dct_decode(watermark,img,orginal_img):  #现在图像减原图像 负数为白色 正数为黑色starttime=time.time()height,width=watermark.shapestr_len=height*widthprint("需解析",str_len,"位")print("组成高为",height,"宽为",width,"的图像")carrier_height, carrier_width = img.shapecarrier_h=0carrier_w=carrier_width-1last_carrierh=1height2,width2=orginal_img.shape'''if height1<height2:  #以最小的计算height=height1else:height=height2if width1<width2:width=width1else:width=width2'''black=0white=0img1 = img.astype('float')img1_dct = cv2.dct(img1)img2=orginal_img.astype('float')img2_dct=cv2.dct(img2)watermark_list=[[]for i in range(0,height)]    #生成空二维数组h=0w=width-1last_h=1list_height=0for i in range(0,str_len):#所有水印字符嵌入  范围前闭后开if carrier_h==carrier_height:#到底了carrier_h=last_carrierhcarrier_w=carrier_width-1last_carrierh=last_carrierh+1flag=img1_dct[carrier_h][carrier_w]-img2_dct[carrier_h][carrier_w]carrier_w=carrier_w-1carrier_h=carrier_h+1if flag>0:#黑色black=black+1if len(watermark_list[list_height])==width:list_height=list_height+1watermark_list[list_height].append(0)h=h+1w=w-1else: #白色white=white+1if len(watermark_list[list_height]) == width:list_height = list_height + 1watermark_list[list_height].append(255)h=h+1w=w-1print("stop caculuation location ", carrier_h, carrier_w)print(len(watermark_list[0]))print("number of white is ", white)print("number of black is ", black)watermark=np.array(watermark_list)              #list 类型转为numpy.ndarray#print(watermark)print("Extract complete！")   #提取完成cv2.imwrite('D:/getwatermark.png', watermark)endtime=time.time()costtime=endtime-starttimeprint("decode cost",costtime)show("get_watermark",watermark)return watermark

代码写了这么长还是有相当的不足，
1.受限于DCT算法本身计算方法，输入的载体图像必须是方的。
2.只测试了黑白图像。
3.鲁棒性一般，可以应对一些修改攻击，但剪切旋转等格式变化未有考虑。
优点是时间效率和透明性还可，因为只修改了嵌入密文长度的dct系数，1024×1024的图像只需要0.3秒即可完成，不论从人眼还是计算机角度来看，透明性也都是比较优异的。

评价标准

盲水印能嵌入后其主要评价指标就是透明度，这需要从两个角度来评价。
1.视觉感官，需要人主观判断，由于人注意的重点不同，所以可能会有不同的细节被忽略，最好让多个人分别评价打分，取他们的平均值来判断。
2.计算机分析，人看不到的细节往往会被计算机捕获，这时我们需要引入一个评价标准–峰值信噪比PSNR，具体计算方法网上随便一查全都是，PSNR高于40dB说明图像质量极好（即非常接近原始图像），在30-40dB通常表示图像质量是好的（即失真可以察觉但可以接受），在20-30dB说明图像质量差；PSNR低于20dB时说明图像不可接受。

总结

盲水印是实现溯源和防盗版的一个渠道，但是其局限性也比较多。
首先是效率问题，一张1080的图片使用频域算法嵌入水印可能需要两秒左右，而商用的海报可能需要几分钟时间，如果觉得这还好的话想一下盲水印用于视频的防伪，目前视频帧率大多为60，一秒钟的盲水印嵌入可能就需要两分钟，十分钟呢？两个小时的电影呢？这样的时间效率能接受吗？且目前大的视频平台都会对用户上传的视频进行压缩，这种压缩可能是很强力的，大部分嵌入水印可能都无法存活。
其次是易被攻击，虽然嵌入的水印其他人很难破解和修改，但是让图像中的水印消失还是比较好达到的。把图片打印出来再扫描、拍摄展示图像的屏幕、甚至利用qq微信社交软件进行发送再接受等，都可能导致水印的失效，所以只从可用性的角度来说防盗用是很难的。但是这一切是建立在对图像质量要求不高的前提下，不论是扫描还是拍摄，得到的图像终究不是原图，当对图像质量有一定要求必须使用原图时，我们的水印就会再次出现。