JPEG

De structuur in vogelvlucht

Als je ooit een JPEG in een hex-editor hebt geopend, is het je opgevallen dat hij bestaat uit segmenten die door markers worden gescheiden. Elke marker begint met 0xFF, gevolgd door een byte die vertelt wat voor segment het is. Door dat ontwerp zijn JPEG's relatief eenvoudig te parsen: je zoekt gewoon naar FF-bytes en kijkt wat erachter komt.

Wat privacy betreft is het interessante dat alle metadata (EXIF, GPS, datum en tijd) in die segmenten zit, volledig los van de echte beeldgegevens. Daarom kunnen we de metadata verwijderen zonder de pixels aan te raken of iets opnieuw te comprimeren.

JFIF tegenover EXIF

Iets wat veel mensen in de war brengt: JPEG-bestanden bevatten vaak twee verschillende metadatastandaarden tegelijk. JFIF was er eerst en regelt de basis, zoals de resolutie. Daarna gingen camera's EXIF-gegevens toevoegen, met alle details over de opname. De meeste moderne JPEG's hebben allebei, en daarom zie je vooraan in het bestand zowel een APP0- als een APP1-marker.

APP-markers van dichtbij

De JPEG-specificatie reserveerde 16 "application"-markers (APP0 tot en met APP15) die leveranciers naar eigen inzicht mochten gebruiken. In de loop der jaren claimden verschillende organisaties verschillende markers voor hun metadataformaten. Het resultaat is een beetje een rommeltje, maar dan wel een goed gedocumenteerd rommeltje.

Lastig is vooral dat dezelfde marker iets anders kan betekenen, afhankelijk van de inhoud. APP1 kan bijvoorbeeld zowel EXIF- als XMP-gegevens bevatten, dus je moet naar de identifier binnenin kijken om te weten waar je mee te maken hebt.

De EXIF-structuur

Hier wordt het interessant (en een beetje vreemd). EXIF-gegevens zijn in feite een piepklein TIFF-bestand dat in je JPEG zit. Ja, echt. Het heeft een eigen header, een eigen byte-volgorde en gebruikt de IFD-structuur (Image File Directory) van TIFF om tags op te slaan.

Het eerste wat je na de identifier "Exif" ziet, is een TIFF-header die aangeeft of de gegevens little-endian zijn (Intel, "II") of big-endian (Motorola, "MM"). Zit je daar naast, dan is elk getal onzin, dus dat is het eerste wat elke parser controleert.

Hoe PicScrub JPEG verwerkt

De aanpak is vrij rechttoe rechtaan: we lopen het bestand marker voor marker door, houden de markers die nodig zijn om de afbeelding te tonen en slaan de markers met metadata over. Omdat we de gecomprimeerde beeldgegevens nooit aanraken, is er geen enkel kwaliteitsverlies.

De kern is dat de markerstructuur van JPEG dit makkelijk maakt. We hoeven niets te begrijpen van DCT-coëfficiënten of Huffman-tabellen. We hoeven alleen te herkennen welke segmenten metadata zijn en welke niet.

Overzicht van EXIF-tags

Niet elke EXIF-tag is even gevoelig. Sommige, zoals de belichtingsinstellingen, zijn tamelijk onschuldig. Andere, zoals serienummers en namen van eigenaren, wijzen rechtstreeks naar jou of naar je apparatuur. Dit zijn de tags die wij als risicovol beschouwen:

Overzicht van GPS-tags

GPS-gegevens staan in een eigen sub-IFD, waar tag 0x8825 in de hoofd-IFD naar verwijst. Bestaat die pointer, dan zit er locatiedata in je afbeelding. Moderne smartphones zijn hier bijzonder fanatiek in, vaak met genoeg precisie om aan te wijzen waar je precies stond.

Overzicht van IPTC-tags

IPTC is bedacht zodat persbureaus bijschriften, credits en copyrightgegevens in een foto konden zetten. Het staat in APP13, met de identifier "Photoshop 3.0" (ja, Adobe nam het over). Heb je ooit copyrightgegevens of trefwoorden toegevoegd in Lightroom of Photoshop, dan belanden die hier.