C/Python混合编程下高质量信息隐藏研究与实现

Research and Implementation of High Quality Information Hiding in C/Python Mixed Programming

摘要: C++在处理信息隐藏算法时具有高效的内存管理和快速执行速度，而Python则在数据处理和脚本编写方面表现出极高的易用性和灵活性。为了融合二者的优势，平衡计算性能与开发效率，本文提出了一种基于Ctypes技术的C/Python混合编程下高质量信息隐藏方案。该方案的核心贡献在于实现方式的创新：首先利用C++语言设计并实现了基于离散傅里叶变换(DFT)的信息隐藏算法，并引入基于人类视觉系统(HVS)模型的自适应嵌入策略增强其性能，然后将其编译为高效率、可移植的动态链接库(DLL)；随后，借助Ctypes技术将DLL文件与Python程序深度融合，成功实现了在彩色图像上信息隐藏的精准嵌入与高效提取。本方法不仅验证了将C++编写的高性能信息隐藏算法移植到Python平台的可行性，而且在嵌入的鲁棒性、提取的准确性和算法运行效率等方面均展现出较好性能。这为信息隐藏技术在不同编程环境中的灵活应用提供了一种高效、可靠的解决方案。

Abstract: Processing information hiding algorithms, C++ has efficient memory management and fast execution speed, while Python shows high ease of use and flexibility in data processing and scripting. In order to integrate the advantages of the two and balance the computing performance and development efficiency, this paper proposes a high-quality information hiding scheme based on Ctypes technology in C/Python mixed programming. The core contribution of the scheme lies in the innovation of the implementation method: firstly, the information hiding algorithm based on discrete Fourier transform (DFT) is designed and implemented by using C++ language, and the adaptive embedding strategy based on human visual system (HVS) model is introduced to enhance its performance, and then it is compiled into an efficient and portable dynamic link library (DLL); Subsequently, with the help of ctypes technology, DLL files and python programs are deeply integrated, and the accurate embedding and efficient extraction of information hiding on color images are successfully realized. This method not only verifies the feasibility of transplanting the high-performance information hiding algorithm written in C++ to the Python platform, but also shows good performance in the robustness of embedding, the accuracy of extraction and the efficiency of the algorithm. This provides an efficient and reliable solution for the flexible application of information hiding technology in different programming environments.

1. 引言

随着数字时代的蓬勃发展，图像、视频等数字媒体的创作、分发和消费已变得前所未有的便捷。然而，这种便利性也给版权保护带来了严峻挑战，未经授权的复制和传播行为日益猖獗。因此，研究和应用稳健、安全的数字内容保护技术显得至关重要。信息隐藏技术作为其中的关键分支，通过嵌入秘密信息到数字化宿主信息中，以实现隐蔽传输的技术[1] [2]。其核心特征在于利用多媒体信号的冗余性和人类感知的不敏感性，使隐藏信息难以察觉。

图像信息隐藏算法根据其核心原理的差异，可以划分为空间域信息隐藏算法和变换域信息隐藏算法两大类。在空间域信息隐藏算法中，其实现方式主要是通过调整或修改载体图像的像素值来嵌入隐藏信息[3]。这种方法的复杂度相对较低，较为直观易懂。然而，其嵌入信息与图像内容耦合度高，导致鲁棒性较差，难以抵抗裁剪、压缩等常见攻击[4]-[6]。变换域信息隐藏算法的核心差异在于，它首先会将原始的载体图像从空间域转换到频域，通过这个过程对图像信息的不同频率成分进行分解。随后，隐藏信息被嵌入到选定的频域位置。尽管与空间域信息隐藏算法相比，变换域中嵌入的隐藏信息量可能较少，但它显著增强了对各种攻击的鲁棒性，即抵抗外界干扰或篡改的能力更强。这种方法在不可见性和鲁棒性之间取得了更好的平衡，因此成为当前主流的研究方向。在众多变换域技术中，离散余弦变换(DCT)和离散小波变换(DWT)应用广泛，例如文献[7]中提出了在视频信息隐藏中的3种离散余弦变换(Discrete Cosine Transform, DCT)算法和1种傅里叶变换(DFT)算法，这些算法也可被改编并应用于图像信息隐藏。文献[8] [9] 中提出了DWT变换，DWT变换虽在图像压缩和信号去噪领域表现出色，但其需要更多的存储空间去存储多层次分解的小波系数，环境受限，且基于小波特性的不同场景，需要更多的专业性知识。文献[10]提出了基于DCT和DWT信息隐藏的研究，将DCT和DWT的过程相结合。文献[11] [12]提出了基于DFT的图像信息隐藏算法的具体过程，然而，从理论算法到实际应用之间存在着一道显著的“工程鸿沟”。一方面，如DFT这类计算密集型算法，为了追求极致的运行效率，通常需要使用C/C++等底层语言进行实现。文献[13]实现了一种离散傅里叶的信息隐藏方式，文献[14]在时间域上使用了信息隐藏算法中的最低有效位(Least Significant Bit, LSB)算法，该算法是在字节的最低有效位(LSB)进行信息隐藏，嵌入的信息隐藏图像肉眼甚至难以完全发现，但安全性有待提升。文献[15]调查了不同变换域信息隐藏的特点。现代的数据处理、应用开发和科学研究越来越多地依赖于Python生态系统，因为它拥有简洁的语法和海量的第三方库，能够极大地提升开发效率[16]。如何在保持核心算法高性能的同时，又能享受上层应用开发的便捷性，成为了一个亟待解决的技术难题。尽管已有研究尝试通过Java本地接口(JNI)等方式在特定平台解决类似问题[17] [18]，但在Python环境中，系统性地利用Ctypes库构建高性能、安全且自适应的信息隐藏应用方案[19] [20]，仍有待深入探索。

为了解决上述问题，本文提出了一种创新的工程实现方案：将一个结合人类视觉系统(HVS)模型的自适应DFT信息隐藏算法用C++实现，并编译为动态链接库(DLL)，再利用Python的Ctypes库进行调用。HVS模型的引入，使得算法能根据图像内容的复杂性自适应地调整嵌入强度，在纹理丰富的区域嵌入更强的鲁棒性的信息隐藏，在平滑区域则嵌入更弱的信息隐藏，从而在保证高不可见性的前提下，最大化信息隐藏的鲁棒性。本方案不仅解决了C++/Python混合编程在信息隐藏领域的应用问题，也通过引入HVS模型提升了信息隐藏算法的智能化水平。

2. 相关介绍

2.1. Ctypes介绍

Ctypes是一个Python库，它为Python与外部代码(尤其是C语言编写的代码)的交互提供了强大的支持。该库提供了与C语言兼容的数据类型，允许Python程序调用动态链接库(DLL)或共享库(.so文件)中定义的函数。通过Ctypes模块，开发者可以以纯Python的方式封装这些外部库，从而在Python程序中方便地利用这些库的功能。利用Ctypes技术调用已编写好的C++信息隐藏算法程序，可以充分发挥C语言贴近底层、运行效率高的优势，节省大量编程时间，并快速地在Python中进行调用，降低在Python上实现信息隐藏算法的时间成本。

2.1.1. Ctypes流程

Figure 1. Ctypes flow chart

图1. Ctypes流程图

该流程如图1所示，主要包括：

1) 编写C/C++源代码：此阶段专注于核心算法的逻辑实现，例如本文中的DFT信息隐藏嵌入与提取函数。开发者可以利用C++的全部性能优势，包括指针操作、手动内存管理和高效的数学运算库，而不必担心上层应用的复杂性。

2) 编译为动态链接库：使用C++编译器(如Visual Studio的cl.exe或Linux下的g++)将源代码编译成平台兼容的动态库文件。这一步将高性能代码模块化，创建了一个独立、可重用的组件，为后续的调用做好了准备。

3) Python中加载动态库：在Python脚本中，使用ctypes.CDLL()或ctypes.WinDLL()加载编译好的库文件。这个过程非常轻量级，Python解释器会将动态库映射到其内存空间，使得库中的函数可以被访问。

4) 调用C函数：完成上述步骤后，C++函数就可以像一个普通的Python函数一样被调用。Ctypes在后台处理了数据类型的转换和函数调用的细节，使得整个过程对于Python开发者来说是透明的。

5) 参数类型和返回值类型的注意事项：C语言函数的参数类型和Python中的数据类型是不同的，这是确保两种语言间数据正确交互的关键步骤。需要在Python中明确指定C函数的参数类型(.argtypes)和返回值类型(.restype)。如果不这样做，Ctypes会进行默认的类型猜测，这可能导致数据被错误解释，甚至引发内存访问错误或程序崩溃。

2.1.2. Ctypes流程举例

以下案例展示了如何在Python中通过Ctypes调用C++动态链接库：

1) 编写C语言代码：假设有一个简单的C文件example.c，其中包含一个用于加法的函数：

#include <stdio.h>

int add(int a，int b){

return a + b;

}

2) 将C代码编译为DLL或.so文件：假设有一个简单的C文件example.c，需要将C语言代码编译成动态链接库(DLL文件或.so文件)。这一步骤的具体操作取决于你的操作系统。在Windows系统下，可以使用Visual Studio等工具将C代码编译成DLL文件。

3) 在Python中加载动态链接库：在Python中加载动态链接库需要导入Ctypes模块。

4) 在Python中加载动态链接库和参数类型和返回值类型的指定：然后编译这个C文件生成一个动态链接库(DLL文件或.so文件，取决于操作系统)。接下来，我们可以使用Ctypes模块在Python系统中调用这个函数，代码如下：

import ctypes

#加载动态链接库

lib = ctypes.CDLL(./example.so’)

#调用加法函数

result = lib.add(4.5)

print(result) #输出:9

通过上述代码，我们可以看到Ctypes技术使得Python程序能够轻松地调用C语言编写的动态链接库中的函数，实现了Python与C语言的无缝交互。

2.2. 信息隐藏方法

2.2.1. 信息嵌入

本文信息隐藏算法采用文献[2]中的DFT的信息隐藏算法。对于处理后的频域数据，我们将对位于正中心的部分以及与其等比例、占据频域面积1/4的区域进行分块处理。具体的分块策略是，将这些区域分割成多个4*4大小的块。对一个块中，在处理数据时，我们仅针对两个特定的部分进行操作，这两部分的数据分布如图2所示。在图中，以块字符“X”标识的部分为第1部分，而以字符“O”标识的部分为第2部分。

将第1部分的数据能量总和定义为e₁，第2部分的能量总和定义为e₂。对于信息隐藏的强度，我们使用值k来表示。在嵌入数据时，需要确保这些数据满足特定的条件。

$\{\begin{array}{l}{e}_1-e_2>k,嵌入数据为0\\ e_2-e_1>k,嵌入数据为1\end{array}$ (1)

Figure 2. Data distribution

图2. 数据分布图

当嵌入比特为0时，若原始频域系数不满足条件，则需按公式(2)进行调整：

$\{\begin{array}{l}\text{delta}=\left(k-e_1+e_2\right)/8\\ P_{1i}=P_{1i}+\text{delta};i=1,2,3,4\\ P_{2i}=P_{2i}-\text{delta};i=1,2,3,4\end{array}$ (2)

若生成的数据为1时，有公式(3)：

$\{\begin{array}{l}\text{delta}=\left(k-e_1+e_2\right)/8\\ P_{1i}=P_{1i}+\text{delta};i=1,2,3,4\\ P_{2i}=P_{2i}-\text{delta};i=1,2,3,4\end{array}$ (3)

公式中定义的p₁代表第1部分的数据，这些数据被安排在4*4矩阵的左下角四个单元格内，元素按照从左到右、从上到下的顺序进行排列。我们使用p_1i来表示p₁中的第i个元素。另一方面，p₂代表第2部分的数据，它分布在4*4矩阵的右上角四个单元格中，并且元素的排列顺序与p₁相同。p_2i则代表第二部分中从上到下的第i个元素。另外，delta是一个增量值，用于调整两组元素中的能量大小的数据。信息隐藏的嵌入容量capacity的计算公式如公式(4)为：

$\text{capacity}=\left|\text{width}/4\right|\times \left|\text{heighy}/8\right|$ (4)

式中：capacity的单位为bit；而图片的宽度则被称为width，高度则被称为height。

2.2.2. 信息提取

信息隐藏提取部分和信息隐藏嵌入类似，不同于信息隐藏嵌入时使用的公式，信息隐藏提取的公式(5)为：

$\{\begin{array}{l}{e}_1>e_2,嵌入数据为0\\ e_2>e_1,嵌入数据为1\end{array}$ (5)

信息隐藏提取的结果是原始数据的二进制形式即为0或1数据，需要通过ASCII转二进制的逆变换恢复出原始数据。

2.3. 结合人类视觉系统(HVS)的自适应嵌入策略

为了进一步优化信息隐藏的不可见性与鲁棒性之间的平衡，本算法在传统固定强度嵌入方法的基础上，引入了基于人类视觉系统(HVS)感知特性的自适应嵌入策略。HVS理论指出，人眼对图像中平滑区域(如天空、墙壁)的微小扰动非常敏感，而对纹理复杂、边缘丰富的区域(如草地、毛发)内的相似扰动则不敏感，这种现象被称为视觉掩蔽效应(Visual Masking Effect)。利用该效应，可以在不牺牲不可见性的前提下，于不同区域嵌入不同强度的信息隐藏信息，从而最大化整体鲁棒性。

具体使用方法过程：

1) 区域复杂度分析：在嵌入信息隐藏前，对于每一个待嵌入信息隐藏的图像块，我们分析其在原始图像空间域中对应的区域。通过计算该区域像素的方差来量化其纹理复杂度。方差越大，代表该区域纹理越复杂、细节越丰富。

2) 自适应强度计算：我们不使用全局统一的嵌入强度，而是根据每个区域的方差动态计算一个自适应强度k_i。其计算公式为：

$k_i=k_{base}\ast \left(1+\alpha \ast Va{r}_i\right)$ (6)

其中，$k_{base}$ 是用户设定的基础强度，$Va{r}_i$ 是当前区域的方差，$\alpha$ 是一个调节因子，用于控制方差对强度的影响程度。

3) 智能嵌入：在嵌入信息隐藏比特时，使用这个动态计算出的k_i来调整频域系数。这意味着，在纹理复杂的区域，算法会自动使用更高的强度来嵌入信息隐藏，使其更难被移除；而在平滑区域，则会自动降低强度，以确保信息隐藏的不可见性。

3. 基于Ctypes的变换域图像信息隐藏算法

本章详细阐述了基于C++/Python混合编程的自适应信息隐藏算法的总体框架、C++核心库的设计与实现，以及Python调用层的具体实现方法。

3.1. 总开发流程图

本方案的创新之处在于其混合编程的工程架构，旨在融合C++的高性能与Python的高效率。总体框架分为两个层次，如图3所示。

Figure 3. General development flow chart

图3. 总开发流程图

第一阶段：C++核心库开发

1) 创建C++项目：

2) 在Visual Studio中创建一个新的C++项目，并选择“动态链接库(DLL)”模板。

3) 实现核心算法：在C++项目中编写全部核心的信息隐藏算法，包括图像文件读写、颜色空间转换、DFT/IFFT变换以及HVS自适应嵌入等功能。

4) 导出函数接口：使用extern "C"__declspec(dllexport)关键字，将需要被Python调用的核心函数(如EmbedWatermark, ExtractWatermark)声明为可供外部调用的接口。

5) 生成动态链接库：编译整个C++项目，成功生成一个.dll文件(例如Watermark.dll)。

第二阶段：Python应用层开发

6) 创建Python项目：创建一个Python项目，并将上一步生成的.dll文件复制到项目目录下。

7) 编写Python调用程序：

8) 运行Python项目，验证整个流程是否能够成功嵌入和提取信息隐藏。

3.2. 核心信息隐藏算法流程

本节将作为一个整体，按照数据流的顺序，完整阐述信息隐藏从嵌入到提取的完整算法流程。

3.2.1. 图像预处理

算法的输入为一张24位真彩色BMP图像。无论是嵌入还是提取，算法首先对图像进行预处理。通过读取BMP文件的BITMAPFILEHEADER和BITMAPINFOHEADER，精确获取图像的宽度、高度、位深等元数据。根据文件头中的偏移量信息，直接从文件中读取原始的像素数据。

为了在不显著影响图像色度的前提下嵌入信息隐藏，需将像素数据从RGB颜色空间转换到YUV颜色空间。信息隐藏信息将只嵌入在代表图像亮度的Y通道中，而代表色度的U和V通道则在整个过程中保持不变。其转换公式依据ITU-R BT.601标准：

$\{\begin{array}{l}\text{Y}=0.229\text{R}+0.587\text{G}+0.114\text{B}\\ \text{U}=-0.1684\text{R}-0.3316\text{G}+0.5\text{B}+128\\ \text{V}=0.5\text{R}-0.4187\text{G}-0.0813\text{B}+128\end{array}$ (7)

3.2.2. 频域变换

为利用频域的特性隐藏信息，需对预处理后得到的亮度(Y)通道矩阵进行二维离散傅里叶变换(2D-DFT)。

1) 变换区域选取：为满足快速傅里叶变换(FFT)对数据尺寸的要求，算法会从亮度矩阵的中心截取一个边长为2的N次幂(如256 × 256，512 × 512)的最大正方形区域作为计算对象。

2) 2D-FFT计算：通过可分离性原理，将二维FFT分解为两次一维FFT来高效计算。首先对截取区域的每一行执行一维FFT，然后对变换结果的每一列再次执行一维FFT，得到该区域的二维频域复数矩阵。

3) 频谱中心化：为便于在视觉不敏感的中频区域进行操作，需对FFT输出的频谱进行象限交换，将代表图像低频信息的四个角落移动到频谱中心。

3.2.3. 基于HVS的自适应信息隐藏嵌入

本算法引入了基于人类视觉系统(HVS)感知特性的自适应嵌入策略，旨在将有限的失真预算智能地分配到最不易被察觉的区域，从而在保证高不可见性的前提下，最大化信息隐藏的整体鲁棒性。

低频区域集中了图像的主要能量，对其修改会严重影响图像质量；而高频区域则容易在JPEG压缩、滤波等常见攻击中被滤除。因此，中频区域是实现鲁棒性与不可见性的最佳平衡点。该区域在逻辑上被划分为若干不重叠的4*4小块，每个小块用于嵌入1比特信息。

与文献[2]中采用固定强度嵌入的方法不同，本算法对每一个待嵌入的比特动态计算其最佳嵌入强度。该过程的核心是建立一个能模拟HVS纹理掩蔽效应的计算模型。如图4所示。

Figure 4. Flow chart of adaptive information hiding based on HVS

图4. 基于HVS的自适应信息隐藏流程图

具体方法如下：

1) 定位与映射：对于频域中每一个待嵌入信息的4*4的数据块，我们将其位置反向映射回其在原始图像空间域(Y通道)中所对应的像素区域，并计算该区域内所有像素值的方差(Variance)。方差能够有效地反映数据的离散程度，一个区域的方差越大，说明其纹理越复杂，HVS的掩蔽能力也越强。因此，局部方差可以作为纹理掩蔽能力的一个可靠的数学近似。

2) 自适应强度计算：基于量化的局部纹理复杂度，我们建立了一个动态调整嵌入强度的数学模型。对于第i个图像块，其实际嵌入强度k_i由以下公式(6)确定。该模型确保了在纹理平滑的区域，嵌入强度k_i趋近于基础强度kbase，以保护视觉质量；而在纹理复杂的区域，嵌入强度k_i将被显著放大，以提升局部信息隐藏的鲁棒性。

3) 信息隐藏嵌入：在每个频域块中，算法选取两个特定的、不重叠的子区域(例如，左下角和右上角的四个系数)，并分别计算它们的幅值之和，记为e₁与e₂。根据当前待嵌入的比特值(0或1)以及利用公式(6)计算出的自适应强度k_i，算法通过修改这两个子区域的系数幅值，确保它们满足以下关系之一：若嵌入比特为‘0’，则需满足：e₁ − e₂ > k_i若嵌入比特为‘1’，则需满足：e₂ − e₁ > k_i。

若原始系数的能量关系不满足上述强度要求，算法将计算出需要弥补的最小能量差，并将其按比例分配给两个子区域的系数，通过增大一个区域的能量、同时减小另一个区域的能量，来建立起一个足够“深”且与局部纹理复杂度相匹配的能量差“鸿沟”。这种基于动态强度的修改，确保了信息隐藏在平滑区域足够隐蔽，在复杂区域则足够顽健。

4) 重复上述过程，直至所有信息比特嵌入完毕。

3.2.4. 信息隐藏提取

信息隐藏提取是一个盲过程，无需原始图像。对含信息隐藏图像执行相同的预处理(2.2.1)和频域变换(2.2.2)后，遍历频域中所有嵌入信息的4 × 4块。在每个块中，通过比较能量e₁和e₂的大小关系(若e₁ > e₂则为‘0’，反之为‘1’)即可恢复出原始的二进制比特流，并最终重构为信息隐藏字符串。

3.3. 混合编程实现策略

将2.2节所述的理论算法落地，关键在于如何实现C++核心与Python上层的桥接。本方案采用Ctypes技术作为实现这一策略的基石。

3.3.1. C++函数接口导出

在C++侧，算法的全部功能被封装在一个Watermarker类中。为使其能被Python等外部语言调用，需要设计并导出两个简洁的、符合C语言调用规范的接口函数。这通过extern\"C"\__declspec(dllexport)声明来实现，extern\"C"：指示编译器使用C语言的命名约定，避免C++的函数名修饰(Name Mangling)，从而保证函数名在DLL中是可预测的、稳定的。__declspec(dllexport)：明确告诉链接器，将这个函数放入动态链接库的导出表中，使其对外部可见。

define DLLEXPORT externdeclspec(dllexport)

#导出嵌入函数

LLEXPORT int EmbedWatermark(...);

#导出提取函数

DLLEXPORT int ExtractWatermark(...).

3.3.2. Python与Ctypes桥接

在Python侧，ctypes库扮演了“翻译官”和“调用者”的双重角色。

1) 动态库加载：使用ctypes.CDLL()函数加载C++编译生成的DLL文件。此操作在运行时将DLL加载到当前进程的内存空间。

2) 函数原型定义：这是实现稳定跨语言调用的核心步骤。必须为每个C++函数精确定义其Python端的函数原型，即严格指定其参数类型(.argtypes)和返回值类型(.restype)。例如，C++中的const char*对应Python中的ctypes.c_char_p，int对应ctypes.c_int。这一过程确保了当Python调用C函数时，ctypes能够正确地将Python对象(如字符串、数字)打包成C语言兼容的内存格式进行传递。

#定义EmbedWatermaxrk函数原型

embed func argtypes =[ctypes.c_char_p, ctypes.c_char_p, ctypes.c_int, ctypes.c_char_p]

embed_func.restype = ctypes.c_int

即可使用生成的应用库。

4. 实验结果

通过运行编写的ctypes的变换域信息隐藏算法应用，验证变换域信息隐藏算法是否能够通过Ctypes技术在Python平台上调用嵌入信息隐藏和提取信息隐藏，以达到隐藏信息、研究和学习的目的。

4.1. 实验环境与评价指标

在本次实验中，所使用的电脑操作系统是Windows 10，编程环境方面，我们选用了Visual Studio 2022作为C++语言的开发工具，而Python的开发则依赖于Python 3.9版本，并通过Pycharm Community Edition 2024.1这款免费的集成开发环境(IDE)来进行。这些软件版本的选择确保了实验环境的稳定性和兼容性。

评价指标：主要为不可见性指标：峰值信噪比(PSNR)和鲁棒性指标：比特误码率(BER)。PSNR (Peak Signal-to-Noise Ratio)是衡量含信息隐藏图像与原始图像失真程度的常用标准。其值越高，代表图像质量越好，信息隐藏的不可见性也越强。单位为分贝(dB)。BER (Bit Error Rate)用于衡量在遭受攻击后，提取出的信息隐藏信息与原始信息相比，错误比特所占的比例。BER值越低(理想值为0)，代表提取越准确，算法的鲁棒性越强。计算公式为：BER = 错误比特数/总比特数。

4.2. 实验展示

测试的数据如图5所示。图5(a)是大小为512 × 512的Tiffany图。图5(b)是大小为256 × 256的24位Peppers图。强度值以50,000为例。

Figure 5. Carrier image

图5. 载体图像

图6是在变换域中经过嵌入之后转换为时域的含隐藏信息的图像。在图像提取过程中，隐藏的字符串是“1234Abc”，提取的字符串的最终结果是“1234Abc”

Figure 6. Embedded information hiding image

图6. 嵌入信息隐藏的图像

4.3. 测试与对比

在测试与对比过程中，选用尺寸为256 × 256的24位papers图两者的平均值作为基准图像。

4.3.1. 嵌入强度对算法性能的影响

使用Peppers图像，固定信息隐藏信息，分别在强度为[10,000, 30,000, 50,000, 70,000, 90,000]的条件下嵌入信息隐藏，并在未受攻击的情况下直接提取，记录每组的PSNR和BER值。

Table 1. Average value of image indexes before attack

表1. 未攻击前图像指标平均值

信息隐藏强度	10,000	20,000	50,000	70,000	90,000
BER	0.125	0.010	0.000	0.0000	0.000
PSNR/dB	48.12	42.58	38.75	36.21	34.19

从表1中数据可以看出：当强度过低(10,000)时，虽然PSNR极高，但嵌入的能量差不足以抵抗计算和保存过程中的精度损失，导致提取失败(BER > 0)。当强度达到30,000及以上时，信息隐藏均能被正确提取。随着强度的增加，PSNR值稳定下降，意味着图像失真度逐渐增大。

综合考虑，选择强度 = 50,000作为后续实验的基础强度。在此设置下，算法既能保证信息隐藏的完整性(BER = 0)，又能在可接受的范围内保持较高的图像质量(PSNR > 38 dB)，达到了较好的平衡。

4.3.2. 常见攻击下的鲁棒性测试

对使用peppers.bmp生成的含信息隐藏图像，分别施加JPEG压缩、噪声、滤波和几何攻击，然后提取信息隐藏并计算BER。

Table 2. BER value after relevant attacks

表2. 相关攻击后BER值

攻击类型	攻击参数	BER
JPEG压缩	质量90%	0.000
	质量70%	0.025
	质量50%	0.088
高斯噪声	方差0.001	0.013
	方差0.003	0.045
	方差0.005	0.019
椒盐噪声	方差0.01	0.038
	方差0.03	0.094
	比例0.05	0.128
滤波攻击	中值滤波(5*5窗口)	0.050
	中值滤波(5*5窗口)	0.138
	高斯滤波(Sigma1.0)	0.075
几何攻击	旋转 + 反旋(0.5度)	0.063
	旋转 + 反旋(1.0度)	0.113
	旋转 + 反旋(2.0度)	0.213
	剪切(裁掉右侧10%)	0.118
	剪切(裁掉右侧10%)	0.25
	剪切(裁掉右侧10%)	0.47

从表2中数据可以看出：该算法对JPEG压缩和高斯噪声表现出较强的鲁棒性，即使在质量为70%的压缩和一定程度的噪声下，误码率也保持在较低水平。对中值滤波和椒盐噪声的抵抗力尚可，出现少量误码。对几何攻击(特别是旋转和剪切)的抵抗力由于自适应算法影响，几何攻击造成的影响具有随机性。结论：本算法的鲁棒性强弱顺序为：JPEG压缩 > 噪声 > 滤波 > 几何攻击。

4.3.3. HVS自适应模型性能对比

使用较高的固定强度70,000，分别对平滑图像lena.bmp和复杂图像peppers.bmp嵌入信息隐藏再记录四张生成图像的PSNR值，并对它们施加统一的JPEG压缩攻击(质量50%)，记录攻击后的BER值。使用较低的基础强度40,000，但启用HVS模型，对同样两张图像嵌入信息隐藏。

Table 3. Performance comparison between foundation strength and HVS adaptive model

表3. 基础强度与HVS自适应模型性能对比

图像	嵌入方式	基础强度	PSNR (dB)	BER (JPEG 50%)
Tiffany	固定强度	70,000	35.88	0.063
	HVS自适应	40,000	41.23	0.075
Peppers	固定强度	70,000	36.15	0.088
	HVS自适应	400,00	39.54	0.088

从表3中数据可以得出结论：

对于平滑图像Tiffany：HVS组的PSNR值(41.23 dB)显著高于固定强度组(35.88 dB)，说明HVS模型智能地降低了在平滑区域的嵌入强度，极大地保护了图像质量。尽管其BER略高，但仍在同一数量级，证明用较低的基础强度达到了相近的鲁棒性。

对于复杂图像Peppers：HVS组的PSNR值同样更高。同时，两组的BER值完全相同，这表明HVS模型在纹理区域“智能地”提升了局部强度，用40,000的基础强度达到了70,000固定强度的抗攻击效果。

HVS自适应模型是有效的。它成功地将更多的“失真预算”分配到不敏感的复杂区域，同时减少了在敏感平滑区域的修改，从而能够在达到同等级鲁棒性的前提下，获得显著更高的图像质量(更高的PSNR)。

5. 结论

本文围绕信息隐藏技术在高性能计算与高效率开发环境之间的应用鸿沟问题展开研究，成功设计并实现了一种基于Ctypes的C++/Python混合编程框架。该方案将一个基于离散傅里叶变换(DFT)并结合了人类视觉系统(HVS)自适应模型的信息隐藏算法在C++中实现为高性能动态链接库，并由Python上层应用进行灵活调用，有效解决了计算性能与开发效率之间的矛盾。

但目前的算法在提取信息隐藏时，需要预先知道原始信息隐藏信息的长度，这在某些应用场景下可能受限。此外，实验数据表明，算法对于旋转、剪切等几何攻击的抵抗力仍有待加强。

基金项目

北京市高等教育学会项目(MS2023204)；北京市数字教育研究课题(BDEC2023619095, BDEC2024ZX042)；北京教育科学十四五规划课题(CDDB24253)；北京教育督导学会重点课题(BESA202420190034)；北京印刷学院学科建设和研究生教育专项(21090325004)；中国成人教育协会“数字赋能教育”2024年度一般课题(2024-SJYB-007S)；北京印刷学院青年卓越项目(Ea202411)。

NOTES

^*通讯作者。