图像模糊化是混淆图像信息的不安全方法吗？

#1 楼

如果您知道算法和设置，还是可以通过试错法，是否可以对图像进行“去模糊”处理？


这里，我假设我们仅考虑使用应用于图像的滤镜模糊的图像，而不是由于不良的捕获（运动/光学模糊）而导致的图像。

去模糊肯定是可能的，并且您会在许多图像处理工具中看到支持。但是，故意模糊会减少图像中的信息量，因此要真正取回原始图像可能需要“蛮力”，从而生成（大量）大量候选图像，所有这些候选图像都会“模糊”到相同的最终图像图片。

不同类型的模糊具有不同的损失，但是有可能使所有这些模糊反转（尽管代价很高）。去模糊的成本和可能的结果数量取决于模糊滤波器的通过次数以及模糊时考虑的邻居数量。一旦消除模糊，许多工具和服务应该能够基于了解图像的类型来自动删除许多结果。例如，这篇博客文章讨论了为什么以较低的图像模糊内容熵（例如支票簿）的数量远没有像人脸那样模糊的安全性。您提供的图片。但是您不能保证去模糊的图像是唯一有效的去模糊的版本（您将需要一些领域知识和图像分析，例如匹配边缘，具有语义意义的对象）。


肉眼可见，可能很难找出模糊的内容。但是可以对模糊进行“反向工程”以显示原始图像还是至少可以识别的图像？


模糊可能不会从根本上改变图像的“签名”，从而使直方图相似并允许匹配。
在您的情况下，人眼实际上可以识别出这可能是Google徽标（熟悉的颜色），但直方图却大不相同。 Google本身无法识别图像，您可以使用此在线工具研究直方图和颜色簇-图像完全不同。

如果您选择涂黑可能会更安全敏感内容（请参阅此处的帖子）

我希望这些事情不可能实现（例如，我曾经试图尽可能快地走近速度陷阱，以便运动模糊可以隐藏我的车牌，但是它再也无法正常工作了）。现在，去模糊处理的工具（例如模糊处理）相当普遍，尽管它们不能像处理照片一样有效地处理小型计算机生成的图像（信息较少）（请参阅我所恢复的样本）。



关于更多参考资料，Per Christian Hansen，James G. Nagy和Dianne P. O'Leary撰写的第一章去模糊图像：矩阵，谱和滤波介绍。它讨论了噪声和其他因素如何导致无法恢复准确的原始图像：不幸的是，我们没有希望能够准确恢复原始图像！但接下来要介绍如何获得近距离比赛。

这项调查比较了法医图像重建中使用的不同技术（已有近20年的历史，因此重点研究基本原理）。

最后，是指向Schneier博客的链接，其中对此进行了详细讨论。

#2 楼

是的，模糊检查是检查图像中数据的一种不安全的方法。

有些软件可以轻松地将算法模糊（如高斯模糊）反转为相当清晰的结果。通常足以识别对象/阅读文本。

#3 楼

它取决于两件事：图像本身（信息量）和所使用的模糊（类型+量）。

您提到的高斯模糊可以从对比度最高的地方重新分配对比度（信息），或者至少集中在对比度周围的扩散圆中；越接近中心，越接近圆的边缘（即模糊半径），就越少。

代替数字图像，考虑一下在rick台上的棋盘的沙雕图像。如果将拳头砸在桌子上，您会模仿高斯模糊，该模糊应使正方形变圆，并留下相连的重叠圆。看着那张凌乱的桌子，您可能仍然可以得出结论，那就是在震动之前是棋盘格。

另一方面，如果将桌子的侧面敲打，则会模拟运动模糊。如果晃动/砂粒惯性的距离超过棋盘方格的宽度，则桌子将被均匀地覆盖在沙子上，并且无法确定摇前设计是棋盘格，条纹还是木纹。

如果只有高斯模糊可用，并且您想遮盖文本，则应以两倍的行高模糊，然后对图像进行矫正。模糊处理将大细节分散为精细细节，而后期处理则丢弃了精细细节。您还可以使用更具戏剧性的东西，即丢弃细微的细节，以使模糊的图像模糊，减小色彩深度，降低色阶，过度压缩等。然后丢弃了一些细微的细节，根本没有足够的信息来可靠地恢复图像。

#4 楼

我的经验表明，GIMP中的高斯模糊不足以完全混淆信息。实际上，在高斯模糊之后，可以使用反卷积来恢复大多数图像数据。

#5 楼

故意使区域模糊会导致信息丢失。您可以还原的内容取决于丢失的信息量。该量取决于模糊算法及其参数。但是，即使单个图像包含的信息不足，如果您在相似图像中也模糊了特定区域，但仍会恢复特定图像中丢失的信息，但是方式略有不同（例如，不同的参数或算法，区域稍有不同）变得模糊不清，图像的缩放比例也不同...）。

因此，您不能说在任何情况下都可以重构所有重要信息。但是您也不能说模糊可以可靠地隐藏所有信息。是否可以重建信息取决于模糊算法，参数以及您认为重要的信息。

该领域有很多研究，您可以在搜索时轻松找到图像去模糊。

#6 楼

术语“模糊”用于描述多种视觉效果，包括那些可能被称为“涂抹”或“涂抹”的视觉效果。如果精确存储了数学上模糊的图像，则可以完美地重建原始图像。但是，模糊的影响之一是使数据对某些类型的噪声或采样伪像更加敏感，因此，如果应用足够的模糊，则可能使图像模糊到消除模糊会放大噪声的程度。

比模糊更好的方法是“涂抹”或“涂抹”数据。这些术语的定义不太明确，但基本要点是原始图像的某些部分对最终图像的贡献要比其他部分大得多，并且在许多情况下，某些部分根本不起作用。许多此类效果可能会留下很难分散的坚硬边缘，但是可以通过在涂抹后应用数学模糊来减少此类干扰。

最后要注意的是，涉及数学平均的“像素化”方法将破坏信息，如拖尾或拖尾，但不一定像人们认为的那样安全。如果将一张支票上的像素数字像素化，使得每个数字由大约2x2矩阵表示，则这些数字通常无法“读取”，但是可以重现相机对齐方式和像素化设置的人可能会得出产生观察到的明暗正方形图案所需的数字。可以通过以下方式避免这种问题：用标准的“测试”帐号替换帐号，并保证该帐号不会映射到真实帐号，然后以数字方式掩盖该帐号（如果视图可以识别出帐号类似于“ 1234567890”，虽然可能会分散注意力，但是如果像素化程度足够高，需要进行高级重建，那么没有经过这种努力的人都不会受到事实帐号的干扰。）

#7 楼

在某些情况下，可以肯定地消除模糊：如果您模糊了计算机生成的文本，例如屏幕截图。

例如，如果上面的文本模糊，并且即使模糊延伸了多个字符，您也可以编写可尝试所有字母组合并找到与像素完全相同的像素值的软件模糊图像，当它们模糊时。之所以起作用，是因为在这种情况下，每个字符的实际信息只有8位左右，而不是8x5框中的字符图形所包含的8x5x24位。

（另一篇文章提到了信用卡号；一张16位数字的照片的实际信息少于54位。）