大家好，我是 Jack。

最近看了一个新动画，间谍过家家，12 集都追完了，意犹未尽。

里面有一个细节：

优雅的劳埃德先生，通过暗号来解读报纸上的情报，普通的报纸上隐藏着想要传递的消息。

暗号

解析

其实，程序员的我们，传递秘密的方式，可以更优雅。

劳埃德先生看后都会直呼：「对不起，我不是一个优雅的人！」

这张看似普通的约尔美照下面，其实藏着另一个人，你发现了吗？

肉眼很难看出来，但只需要运行一下程序，将图片下采样，就能得到阿尼亚的照片。

 同理，照片里也可以藏文字，运行一下程序，就能得到一篇 160 万字的小说。

请问，这种情报传递的方式，够优雅吗？

今天，我就教教大家，这“恐怖如斯”（斗破梗）的实用技能。

学会了，别忘了在女朋友/男朋友面前秀一手，藏个表白照片，再藏段肉麻表白文，玩法很多，就看你脑洞有多大。

视频已经首发在了 B 站：

视频地址：

https://www.bilibili.com/video/BV1XV4y1p7nS

下面是图文版教程和代码：

其实，原理很简单，放大图片，我们就能发现这张约尔的图片上，有着规律分布的杂点，而这些点就是组成阿尼亚照片的像素点。

缩小约尔美照时，电脑会把这些杂点挑选出来，代替它们周围的点，组成缩小后的画面。

电脑刚好能挑选出这些掺入的点，是因为这些位置都是提前计算好的，这里用到的算法就是邻近法。

举个简单的例子，一张 9 * 9 的黑图，如果把它用邻近法缩放到 3 * 3 的正方形。

电脑首先会将这张图分成 9 份，取每份正中间的点，代替它周围的 8 个点，来组成缩小后的图片。

也就是说，如果我们将每份正中间的点改成红色，从整体看，他还是黑图，只是看起来有些杂色。

但图片缩小后，黑色正方形就变成了红色正方形。

看下生成代码和解析代码：

  

   

    

     

    
    

     

      # -*- coding: utf-8-*-
     
    
   

    

     

    
    

     

      # Author: Jack Cui
     
    
   

    

     

    
    

     

      import sys
     
    
   

    

     

    
    

     

      from turtle import width
     
    
   

    

     

    
    

     

      import cv2
     
    
   

    

     

    
    

     

      from PIL import Image
     
    
   

    

     

    
    

     

      import numpy as np
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     

      def parse_from_img(img_path):
     
    
   

    

     

    
    

     

          img = cv2.imread(img_path)
     
    
   

    

     

    
    

     

          img_h, img_w, _ = img.shape
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     

          stepx = 10
     
    
   

    

     

    
    

     

          stepy = 10
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     

          sml_w = img_w // stepx
     
    
   

    

     

    
    

     

          sml_h = img_h // stepy
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     

          res_img = np.zeros((sml_h, sml_w, 3), np.uint8)
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     
    for m in range(0, sml_w):
     
    
   

    

     

    
    

     
        for n in range(0, sml_h):
     
    
   

    

     

    
    

     

                  map_col = int(m * stepx + stepx * 0.5)
     
    
   

    

     

    
    

     

                  map_row = int(n * stepy + stepy * 0.5)
     
    
   

    

     

    
    

     

                  res_img[n, m] = img[map_row, map_col]
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     
    return res_img
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     

      def generate_img(big_img_path, small_img_path):
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     

          big_img = cv2.imread(big_img_path)
     
    
   

    

     

    
    

     

          sml_img = cv2.imread(small_img_path)
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     

          dst_img = big_img.copy()
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     

          big_h, big_w, _ = big_img.shape
     
    
   

    

     

    
    

     

          sml_h, sml_w, _ = sml_img.shape
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     

          stepx = big_w / sml_w
     
    
   

    

     

    
    

     

          stepy = big_h / sml_h
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     
    for m in range(0, sml_w):
     
    
   

    

     

    
    

     
        for n in range(0, sml_h):
     
    
   

    

     

    
    

     

                  map_col = int(m * stepx + stepx * 0.5)
     
    
   

    

     

    
    

     

                  map_row = int(n * stepy + stepy * 0.5)
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     
            if map_col < big_w and map_row < big_h:
     
    
   

    

     

    
    

     

                      dst_img[map_row, map_col] = sml_img[n, m]
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     
    return dst_img
     
    
  
 

  
 
 

学过深度学习的小伙伴，对这种操作绝对不陌生，这就是一种特定的卷积操作。

卷积甚至可以设置得更复杂一些，比如像这样。

照片里能藏照片，同样也就能藏文字。

我们知道，图片是由 RGB 三通道组成的，其实就是一串数字。

而文字的编码也是一串数字，比如请给我三连，这个连字。

它的 Unicode 数值是 36830，这是十进制，转换为十六进制就是（8F, DE）。

那也就可以写成（0x00，0x8F，0xDE），R 通道不赋值为零，G 通道和 B 通道赋值。

显然，将文字的 Unicode 数值，表示成 RGB 数值的形式，就可以将文字转换成图片，一个像素点代表一个文字。

一张 1000 * 1680 分辨率的图片，就可以存储 168 万个文字。

文字的生成图片代码和解析代码：

  

   

    

     

    
    

     

      # -*- coding: utf-8-*-
     
    
   

    

     

    
    

     

      # Author: Jack Cui
     
    
   

    

     

    
    

     

      import sys
     
    
   

    

     

    
    

     

      from turtle import width
     
    
   

    

     

    
    

     

      import cv2
     
    
   

    

     

    
    

     

      from PIL import Image
     
    
   

    

     

    
    

     

      import numpy as np
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     

      def Img2Text(img_fname):
     
    
   

    

     

    
    

     

          img = cv2.imread(img_fname)
     
    
   

    

     

    
    

     

          height, width, _ = img.shape
     
    
   

    

     

    
    

     

          text_list = []
     
    
   

    

     

    
    

     
    for h in range(height):
     
    
   

    

     

    
    

     
        for w in range(width):
     
    
   

    

     

    
    

     

                  R, G, B = img[h, w]
     
    
   

    

     

    
    

     
            if R | G | B == 0:
     
    
   

    

     

    
    

     
                break
     
    
   

    

     

    
    

     

                  idx = (G << 8) + B
     
    
   

    

     

    
    

     

                  text_list.append(chr(idx))
     
    
   

    

     

    
    

     

          text = "".join(text_list)
     
    
   

    

     

    
    

     
    with open("斗破苍穹_dec.txt", "a", encoding="utf-8") as f:
     
    
   

    

     

    
    

     

              f.write(text)
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     

      def Text2Img(txt_fname, save_fname):
     
    
   

    

     

    
    

     
    with open(txt_fname, "r", encoding="utf-8") as f:
     
    
   

    

     

    
    

     

              text = f.read()
     
    
   

    

     

    
    

     

          text_len = len(text)
     
    
   

    

     

    
    

     

          img_w = 1000
     
    
   

    

     

    
    

     

          img_h = 1680
     
    
   

    

     

    
    

     

          img = np.zeros((img_h, img_w, 3))
     
    
   

    

     

    
    

     

          x = 0
     
    
   

    

     

    
    

     

          y = 0
     
    
   

    

     

    
    

     
    for each_text in text:
     
    
   

    

     

    
    

     

              idx = ord(each_text)
     
    
   

    

     

    
    

     

              rgb = (0, (idx & 0xFF00) >> 8, idx & 0xFF)
     
    
   

    

     

    
    

     

              img[y, x] = rgb
     
    
   

    

     

    
    

     
        if x == img_w - 1:
     
    
   

    

     

    
    

     

                  x = 0
     
    
   

    

     

    
    

     

                  y += 1
     
    
   

    

     

    
    

     
        else:
     
    
   

    

     

    
    

     

                  x += 1
     
    
   

    

     

    
    

     

          cv2.imwrite(save_fname, img)
     
    
  
 

  
 
 

拓展一下，其实只要按照一定的规则，将某些信息写入到图片内，就能达到神不知鬼不觉地保存这些信息的目的。

这个规则，可以设置地复杂一些，并且生成规则和解析规则只有你知道，这样就能得到一张只有你能读懂的照片。

除了这种间谍过家家，逗逗男女朋友，其实这项技术，有着更有意义的用途：用于保护知识产权的数字水印技术。

将影视作品的版权信息，存到视频本身的画面中，这，就是数字水印技术。

与传统的水印不同，这种水印很难被察觉，也很难被抹去，版权信息需要通过特定的解析计算才能得到。

出于好奇，我联系了一位在阿里安全做数字水印的朋友，想看看他们的技术，是否跟我想得差不多。

不看不知道，一看吓一跳。思路大致相同，但是他们设计得更为复杂。

首先，他们的技术鲁棒性要好很多。

比如对一副图片进行裁剪、缩放、有损压缩等，鲁棒性强的水印技术依然能够提取出我们想要的版权等信息。

阿里安全的数字水印鲁棒性就很好，我要来了一个他们的效果，大家可以感受一下。

电视播放着《流浪地球》这部电影，这段视频中隐藏了版权信息，版权信息咱们设为 123456789。此时，有台摄像机正在盗摄画面。

对盗摄后的画面进行分析，可以看到，程序呢，轻松地解析出了信息：123456789。

有了这个技术就能追踪溯源，甚至找出盗摄者。

对画面缩放到非常小，程序还是能够解析出信息：123456789。

甚至只盗摄一部分画面，比如只有画面一小块，程序依然能解析出信息：123456789。

文字表述不够直观，大家可以直接看视频感受一下，解析是有多准确！

视频地址：

https://www.bilibili.com/video/BV1XV4y1p7nS

无论是缩放还是裁剪，程序都能轻松地解析出想要的信息。

在各种噪声和攻击下，水印的漏检率小于 1%，误检率小于10的负9次方。

就很猛！

可见，他们的策略不是简单的在像素中插入数值那么简单，还做了很多提高鲁棒性的工作。

具体细节没有对我透露，毕竟这是人家的产品，发了很多专利，甚至还得到了好莱坞认证。

现在有了国内自主研发的水印产品，这样就可以避免受制于人。

懂的都懂，技术还是自己研发的好。

zu

知识产权保护任重而道远，不仅仅要靠平台，也需要我们每个人的帮助。

视频被盗，维权很困难，特别是对一些小 up。

比如我 21 年的一期视频，被剪辑，盗用发布在了某手。

好家伙，他将我 AI 还原乾隆后妃样貌的视频进行了裁剪，拆分成了三期视频发布。

更杀人诛心的是，每期视频都比我原视频播放高就算了，向官方举报盗用视频还无济于事，以无法鉴别的理由给我回绝了。

现在有了数字水印这项技术，这类问题就有了解决方案，在不影响视频画面的情况下，还能藏入版权信息，只要各个平台都接入这类技术，视频是不是盗用，还不一目了然？

当然，光靠一项技术，想要完全保护知识产权是不可能的，还需要每个平台，每个环节的配合，也需要有完善的、公平的鉴别规则。

只有这样，那些辛辛苦苦做视频的小 up，才能不被视频盗用的问题磨灭了创作热情。

只有这样，那些投资大量人力、物力创作的影视作品，才能不被盗摄盗版等问题弄得焦头烂额。

这就是这项技术的价值所在。

未来，还会有很多技术创新用于解决社会问题。

这些科研人员，每往前走一点，我们生活的安全感就可能多一分。

感谢这些一直在背后努力的人。生成和解析代码以及素材，我已经打包放到了我的公众号：jackcui-ai，后台回复「优雅」，即可获得。

好了，今天就聊这么多，我是 jack，我们下期见~

最后再送大家一本，帮助我拿到 BAT 等一线大厂 offer 的数据结构刷题笔记，是一位 Google 大神写的，对于算法薄弱或者需要提高的同学都十分受用：

谷歌和BAT大佬的刷题笔记，看完秒杀80%的算法题！

以及我整理的 BAT 算法工程师学习路线，书籍+视频，完整的学习路线和说明，对于想成为算法工程师的，绝对能有所帮助：

我是如何成为算法工程师的，超详细的学习路线

别光收藏，来个赞哦，笔芯~

文章来源: jackcui.blog.csdn.net，作者：Jack-Cui，版权归原作者所有，如需转载，请联系作者。

原文链接：jackcui.blog.csdn.net/article/details/126622205