Skip to content
The Chat Archive
gpt-3.5-turbo-0301· OpenAI WildChat-4.8M (AI2)

привет

  1. User

    привет

  2. Assistant

    Привет! Как я могу вам помочь?

  3. User

    Напиши на языке Python 3 метод стеганографии изображений с использованием вейвлет-преобразований

  4. Assistant

    Конечно, вот пример кода стеганографии изображений с использованием вейвлет-преобразования:

    import numpy as np
    import pywt
    from PIL import Image
    
    def embed(image_path, message, level):
        # Открываем изображение
        cover = Image.open(image_path)
        # Преобразуем изображение в массив numpy
        cover_array = np.array(cover)
    
        # Добавляем дополнительные нулевые строки и столбцы если размер изображения не делится на 2^level
        h, w = cover_array.shape[:2]
        h_diff = 2**level - h % 2**level
        w_diff = 2**level - w % 2**level
        cover_array = np.pad(cover_array, ((h_diff // 2, h_diff - h_diff // 2), (w_diff // 2, w_diff - w_diff // 2), (0,0)), mode='constant')
    
        # Разбиваем изображение на каналы
        red, green, blue = [cover_array[:, :, i] for i in range(3)]
    
        # Применяем вейвлет-преобразование
        wavelet = 'haar' # можно использовать и другие типы вейвлетов
        coefficients = pywt.wavedec2(blue, wavelet, level=level)
    
        # Встраиваем сообщение
        message_bits = bin(int.from_bytes(message.encode(), 'big'))[2:] # переводим сообщение в двоичный вид
        message_bits = '0' * (len(coefficients[0].ravel()) - len(message_bits)) + message_bits # добавляем в начало нули для соответствия размеру коэффициентов
        new_coefficients = list(coefficients)
        for i, bit in enumerate(message_bits):
            idx = i + 1 + len(coefficients[0].ravel())
            if bit == '1':
                if new_coefficients[-1][idx // 2] > 0:
                    new_coefficients[-1][idx // 2] += 1
                else:
                    new_coefficients[-1][idx // 2] -= 1
    
        # Применяем обратное вейвлет-преобразование
        blue_stego = pywt.waverec2(new_coefficients, wavelet)
    
        # Объединяем каналы
        new_cover_array = np.stack([red, green, blue_stego], axis=2)
        # Обрезаем дополнительные строки и столбцы
        new_cover_array = new_cover_array[h_diff // 2:h_diff // 2 + h, w_diff // 2:w_diff // 2 + w, :]
    
        # Создаем новое изображение с зашифрованным сообщением
        stego = Image.fromarray(np.uint8(new_cover_array))
    
        return stego
    
    def extract(stego_path, level):
        # Открываем зашифрованное изображение
        stego = Image.open(stego_path)
        # Преобразуем изображение в массив numpy
        stego_array = np.array(stego)
    
        # Разбиваем изображение на каналы
        _, _, blue_stego = [stego_array[:, :, i] for i in range(3)]
    
        # Применяем вейвлет-преобразование
        wavelet = 'haar' # можно использовать и другие типы вейвлетов
        coefficients = pywt.wavedec2(blue_stego, wavelet, level=level)
    
        # Извлекаем сообщение
        message_bits = ''
        for i in range(len(coefficients[0].ravel()), len(coefficients[-1].ravel()) - 1):
            if coefficients[-1][i // 2] > coefficients[-1][(i + 1) // 2]:
                message_bits += '1'
            else:
                message_bits += '0'
    
        message = int(message_bits, 2).to_bytes(len(message_bits) // 8, 'big').decode()
    
        return message
    

    Чтобы использовать этот код, нужно передать путь к изображению и сообщению для встраивания методу embed, который вернет новое изображение с встроенным сообщением. Для извлечения сообщения из такого изображения можно использовать метод extract, который вернет извлеченное сообщение. Оба метода принимают параметр уровня вейвлет-преобразования для определения размера блоков разбиения изображения на коэффициенты в этом преобразовании. Например, для изображения размера 256x256 пикселей и уровня 3 нужно добавить в изображение 8 строк и 8 столбцов с каждой стороны, чтобы размер стал 264x264, что делится на 2^3 без остатка.

Responses were produced in different, uncontrolled contexts (system prompts, settings, prior turns). This is not a benchmark.