JPEG

Visão geral da estrutura do arquivo

Se você já abriu um JPEG em um editor hexadecimal, deve ter notado que ele é formado por segmentos separados por marcadores. Todo marcador começa com 0xFF, seguido de um byte que indica o tipo de segmento. Esse desenho torna o JPEG relativamente fácil de analisar: basta procurar os bytes FF e verificar o que vem depois.

O ponto interessante para a privacidade é que todos os metadados (EXIF, GPS, data e hora) ficam nesses segmentos, completamente separados dos dados da imagem. É por isso que conseguimos remover os metadados sem tocar nos pixels nem recomprimir nada.

JFIF x EXIF

Tem uma coisa que confunde muita gente: os arquivos JPEG costumam conter dois padrões de metadados diferentes ao mesmo tempo. O JFIF veio primeiro e cuida do básico, como a resolução. Depois, as câmeras começaram a gravar dados EXIF com todas as informações detalhadas da captura. A maioria dos JPEGs modernos tem os dois, e é por isso que você vê os marcadores APP0 e APP1 logo no começo do arquivo.

Os marcadores APP a fundo

A especificação do JPEG reservou 16 marcadores de "aplicativo" (de APP0 a APP15) para que cada fabricante usasse como quisesse. Ao longo dos anos, diferentes organizações se apropriaram de marcadores distintos para os seus formatos de metadados. O resultado é uma bagunça, mas pelo menos é uma bagunça bem documentada.

O complicado é que o mesmo marcador pode significar coisas diferentes dependendo do conteúdo. O APP1, por exemplo, pode conter dados EXIF ou XMP, então é preciso olhar a string de identificação lá dentro para saber com qual dos dois você está lidando.

Estrutura do EXIF

É aqui que a coisa fica interessante (e um pouco estranha). Os dados EXIF são, na prática, um arquivo TIFF em miniatura embutido dentro do seu JPEG. Sim, é isso mesmo. Ele tem cabeçalho próprio, ordem de bytes própria e usa a estrutura de IFD (Image File Directory) do TIFF para guardar as tags.

A primeira coisa que aparece depois do identificador "Exif" é um cabeçalho TIFF, que indica se os dados são little-endian (Intel, "II") ou big-endian (Motorola, "MM"). Errar isso significa que todos os números virarão lixo, então é a primeira coisa que qualquer parser verifica.

Como o PicScrub processa o JPEG

A abordagem é bem direta: percorremos o arquivo marcador por marcador, mantemos os que são essenciais para exibir a imagem e pulamos os que contêm metadados. Como nunca tocamos nos dados comprimidos da imagem, não há nenhuma perda de qualidade.

A sacada é que a estrutura baseada em marcadores do JPEG facilita muito esse trabalho. Não precisamos entender de coeficientes DCT nem de tabelas de Huffman. Basta identificar quais segmentos são metadados e quais não são.

Referência de tags EXIF

Nem toda tag EXIF tem o mesmo peso quando o assunto é privacidade. Algumas, como as configurações de exposição, são bem inofensivas. Outras, como números de série e nomes de proprietário, identificam você ou o seu equipamento de forma única. Estas são as que consideramos de alto risco:

Referência de tags GPS

Os dados de GPS ficam em um sub-IFD próprio, apontado pela tag 0x8825 do IFD principal. Se esse ponteiro existe, há dados de localização na sua imagem. Os smartphones modernos são especialmente insistentes em gravar essas informações, muitas vezes com precisão suficiente para apontar exatamente onde você estava.

Referência de tags IPTC

O IPTC foi criado para que agências de notícias embutissem legendas, créditos e informações de direitos autorais. Ele fica dentro do APP13, com o identificador "Photoshop 3.0" (sim, a Adobe adotou o padrão). Se você já adicionou informações de copyright ou palavras-chave no Lightroom ou no Photoshop, é aqui que elas vão parar.