স্ক্রিনে শিল্পকর্মের স্বীকৃতি

তথ্য প্রযুক্তির বিকাশের স্তরের ক্রমাগত বৃদ্ধির কারণে, প্রতি বছর ইলেকট্রনিক নথিগুলি আরও সুবিধাজনক হয়ে উঠছে এবং ব্যবহারের চাহিদা রয়েছে এবং প্রথাগত কাগজের মিডিয়ার উপর আধিপত্য শুরু করেছে। অতএব, শুধুমাত্র ঐতিহ্যগত কাগজের মিডিয়াতে নয়, ইলেকট্রনিক নথিতেও তথ্যের বিষয়বস্তু রক্ষা করার জন্য সময়মত মনোযোগ দেওয়া খুবই গুরুত্বপূর্ণ। বাণিজ্যিক, রাষ্ট্রীয় এবং অন্যান্য গোপনীয়তা রয়েছে এমন প্রতিটি বড় কোম্পানি সম্ভাব্য তথ্য ফাঁস এবং শ্রেণীবদ্ধ তথ্যের আপস প্রতিরোধ করতে চায়, এবং যদি একটি ফাঁস সনাক্ত করা হয়, তাহলে ফাঁস বন্ধ করার ব্যবস্থা গ্রহণ করুন এবং লঙ্ঘনকারীকে চিহ্নিত করুন৷

সুরক্ষা বিকল্প সম্পর্কে একটু

এই কাজগুলি সম্পাদন করার জন্য, কিছু প্রতিরক্ষামূলক উপাদান চালু করা হয়। এই জাতীয় উপাদানগুলি বারকোড, দৃশ্যমান ট্যাগ, ইলেকট্রনিক ট্যাগ হতে পারে তবে সবচেয়ে আকর্ষণীয় লুকানো ট্যাগ। সবচেয়ে আকর্ষণীয় প্রতিনিধিদের মধ্যে একটি হল ওয়াটারমার্ক; এগুলি কাগজে প্রয়োগ করা যেতে পারে বা প্রিন্টারে মুদ্রণের আগে যুক্ত করা যেতে পারে। এটি কোন গোপন বিষয় নয় যে প্রিন্টাররা প্রিন্ট করার সময় তাদের নিজস্ব ওয়াটারমার্ক (হলুদ বিন্দু এবং অন্যান্য চিহ্ন) রাখে, তবে আমরা অন্যান্য নিদর্শনগুলি বিবেচনা করব যা একজন কর্মচারীর কর্মক্ষেত্রে কম্পিউটার স্ক্রিনে রাখা যেতে পারে। এই ধরনের শিল্পকর্মগুলি একটি বিশেষ সফ্টওয়্যার প্যাকেজ দ্বারা তৈরি করা হয় যা ব্যবহারকারীর কর্মক্ষেত্রের উপরে নিদর্শনগুলি আঁকে, নিজেরাই শিল্পকর্মের দৃশ্যমানতা কমিয়ে দেয় এবং ব্যবহারকারীর কাজে হস্তক্ষেপ না করে। বৈজ্ঞানিক উন্নয়ন এবং গোপন তথ্য উপস্থাপনের জন্য ব্যবহৃত অ্যালগরিদমগুলির পরিপ্রেক্ষিতে এই প্রযুক্তিগুলির প্রাচীন শিকড় রয়েছে, তবে আধুনিক বিশ্বে এটি বেশ বিরল। এই পদ্ধতিটি প্রধানত সামরিক ক্ষেত্রে এবং কাগজে কলমে পাওয়া যায়, অসাধু কর্মচারীদের দ্রুত সনাক্তকরণের জন্য। এই প্রযুক্তিগুলি সবেমাত্র বাণিজ্যিক পরিবেশে প্রবর্তিত হতে শুরু করেছে। দৃশ্যমান ওয়াটারমার্কগুলি এখন সক্রিয়ভাবে বিভিন্ন মিডিয়া ফাইলের কপিরাইট রক্ষা করার জন্য ব্যবহার করা হচ্ছে, তবে অদৃশ্যগুলি বেশ বিরল। কিন্তু তারাও সবচেয়ে বেশি আগ্রহ জাগিয়ে তোলে।

নিরাপত্তা নিদর্শন

মানুষের কাছে অদৃশ্য জলছাপ বিভিন্ন শিল্পকর্ম গঠন করে যা নীতিগতভাবে, মানুষের চোখে অদৃশ্য হতে পারে এবং খুব ছোট বিন্দুর আকারে ছবিতে মুখোশ করা যেতে পারে। আমরা দৃশ্যমান বস্তু বিবেচনা করব, যেহেতু চোখের অদৃশ্য সেগুলি বেশিরভাগ মনিটরের আদর্শ রঙের স্থানের বাইরে হতে পারে। উচ্চ মাত্রার অদৃশ্যতার কারণে এই শিল্পকর্মগুলি বিশেষ মূল্যবান। যাইহোক, সিইএইচগুলিকে সম্পূর্ণরূপে অদৃশ্য করা অসম্ভব। তাদের বাস্তবায়নের প্রক্রিয়াতে, ধারক চিত্রের একটি নির্দিষ্ট ধরণের বিকৃতি চিত্রটিতে প্রবর্তিত হয় এবং এতে কিছু ধরণের নিদর্শন উপস্থিত হয়। আসুন 2 ধরণের বস্তু বিবেচনা করি:

1. চক্রাকার
2. বিশৃঙ্খল (চিত্র রূপান্তর দ্বারা প্রবর্তিত)

চক্রীয় উপাদানগুলি পুনরাবৃত্তিকারী উপাদানগুলির একটি নির্দিষ্ট সীমাবদ্ধ ক্রম উপস্থাপন করে যা পর্দার চিত্রে একাধিকবার পুনরাবৃত্তি হয় (চিত্র 1)।

বিশৃঙ্খল আর্টিফ্যাক্টগুলি ওভারলেড ইমেজ (চিত্র 2) এর বিভিন্ন ধরণের রূপান্তর দ্বারা সৃষ্ট হতে পারে, উদাহরণস্বরূপ, হলোগ্রামের প্রবর্তন।

ভাত। 1 সাইক্লিং শিল্পকর্ম

ভাত। 2 বিশৃঙ্খল শিল্পকর্ম

প্রথমে, আসুন চক্রাকার নিদর্শনগুলি সনাক্ত করার বিকল্পগুলি দেখি৷ এই ধরনের শিল্পকর্ম হতে পারে:

• পাঠ্য ওয়াটারমার্ক স্ক্রীন জুড়ে পুনরাবৃত্তি
• বাইনারি সিকোয়েন্স
• প্রতিটি গ্রিড কক্ষে বিশৃঙ্খল পয়েন্টের একটি সেট

সমস্ত তালিকাভুক্ত শিল্পকর্ম সরাসরি প্রদর্শিত বিষয়বস্তুর উপরে প্রয়োগ করা হয়; তদনুসারে, প্রতিটি রঙের চ্যানেলের হিস্টোগ্রামের স্থানীয় প্রান্ত চিহ্নিত করে এবং সেই অনুযায়ী, অন্যান্য সমস্ত রঙ কেটে দিয়ে তাদের সনাক্ত করা যেতে পারে। এই পদ্ধতিতে প্রতিটি হিস্টোগ্রাম চ্যানেলের স্থানীয় চরমের সমন্বয়ের সাথে কাজ করা জড়িত। সমস্যাটি একটি মোটামুটি জটিল চিত্রে স্থানীয় এক্সট্রিমার অনুসন্ধানের উপর নির্ভর করে যাতে অনেকগুলি তীক্ষ্ণভাবে রূপান্তরিত বিবরণ রয়েছে; হিস্টোগ্রামটি খুব সাউটুথ দেখায়, যা এই পদ্ধতিটিকে অপ্রযোজ্য করে তোলে। আপনি বিভিন্ন ফিল্টার প্রয়োগ করার চেষ্টা করতে পারেন, কিন্তু তারা তাদের নিজস্ব বিকৃতি প্রবর্তন করবে, যা শেষ পর্যন্ত ওয়াটারমার্ক সনাক্ত করতে অক্ষমতার দিকে নিয়ে যেতে পারে। নির্দিষ্ট এজ ডিটেক্টর (উদাহরণস্বরূপ, ক্যানি এজ ডিটেক্টর) ব্যবহার করে এই নিদর্শনগুলি সনাক্ত করার বিকল্পও রয়েছে। এই পন্থাগুলির স্থানান্তরের ক্ষেত্রে বেশ তীক্ষ্ণ আর্টিফ্যাক্টগুলির জন্য তাদের জায়গা রয়েছে; ডিটেক্টরগুলি চিত্রের কনট্যুরগুলিকে হাইলাইট করতে পারে এবং পরবর্তীতে নিদর্শনগুলিকে আরও হাইলাইট করার জন্য চিত্রটিকে বাইনারি করার জন্য কনট্যুরগুলির মধ্যে রঙের রেঞ্জ নির্বাচন করতে পারে, তবে এই পদ্ধতিগুলিকে হাইলাইট করার জন্য মোটামুটি সূক্ষ্ম টিউনিং প্রয়োজন। প্রয়োজনীয় কনট্যুর, সেইসাথে নির্বাচিত কনট্যুরগুলির রঙের সাথে সাপেক্ষে চিত্রের পরবর্তী বাইনারিকরণ। এই অ্যালগরিদমগুলিকে বেশ অবিশ্বস্ত বলে মনে করা হয় এবং চিত্রের রঙের উপাদানগুলির ধরন থেকে আরও স্থিতিশীল এবং স্বাধীন ব্যবহার করার চেষ্টা করে।

ভাত। 3 রূপান্তর পরে জলছাপ

পূর্বে উল্লিখিত বিশৃঙ্খল শিল্পকর্মগুলির জন্য, তাদের সনাক্ত করার অ্যালগরিদমগুলি আমূল ভিন্ন হবে। যেহেতু বিশৃঙ্খল আর্টিফ্যাক্টের গঠন চিত্রের উপর একটি নির্দিষ্ট জলছাপ চাপিয়ে ধরে নেওয়া হয়, যা কিছু রূপান্তর দ্বারা রূপান্তরিত হয় (উদাহরণস্বরূপ, বিচ্ছিন্ন ফুরিয়ার রূপান্তর)। এই ধরনের রূপান্তর থেকে শিল্পকর্ম সমগ্র পর্দায় বিতরণ করা হয় এবং তাদের প্যাটার্ন সনাক্ত করা কঠিন। এর উপর ভিত্তি করে, ওয়াটারমার্কটি "এলোমেলো" শিল্পকর্মের আকারে চিত্র জুড়ে অবস্থিত হবে। ট্রান্সফর্মেশন ফাংশন ব্যবহার করে এই ধরনের ওয়াটারমার্কের স্বীকৃতি সরাসরি ইমেজ ট্রান্সফর্মেশনে নেমে আসে। রূপান্তরের ফলাফল চিত্রে উপস্থাপন করা হয়েছে (চিত্র 3)।

কিন্তু বেশ কিছু সমস্যা দেখা দেয় যা আদর্শ অবস্থার চেয়ে কম সময়ে জলছাপকে স্বীকৃতি দিতে বাধা দেয়। রূপান্তরের প্রকারের উপর নির্ভর করে, বিভিন্ন অসুবিধা হতে পারে, উদাহরণস্বরূপ, স্ক্রীনের সাপেক্ষে একটি বড় কোণে ছবি তোলার মাধ্যমে প্রাপ্ত একটি নথির স্বীকৃতির অসম্ভবতা, বা কেবলমাত্র খারাপ মানের একটি ফটো, বা একটি স্ক্রীন ক্যাপচার সংরক্ষিত উচ্চ ক্ষতি কম্প্রেশন সঙ্গে একটি ফাইল. এই সমস্ত সমস্যাগুলি একটি জলছাপ শনাক্ত করার জটিলতার দিকে নিয়ে যায়; একটি কৌণিক চিত্রের ক্ষেত্রে, এটি আরও জটিল রূপান্তর প্রয়োগ করা বা চিত্রটিতে অ্যাফাইন রূপান্তর প্রয়োগ করা প্রয়োজন, তবে কোনটিই জলছাপ সম্পূর্ণ পুনরুদ্ধারের গ্যারান্টি দেয় না। আমরা যদি স্ক্রিন ক্যাপচারের ক্ষেত্রে বিবেচনা করি, দুটি সমস্যা দেখা দেয়: প্রথমটি হল পর্দায় প্রদর্শন করার সময় বিকৃতি, দ্বিতীয়টি হল পর্দা থেকে ছবি সংরক্ষণ করার সময় বিকৃতি। প্রথমটি নিয়ন্ত্রণ করা বেশ কঠিন এই কারণে যে বিভিন্ন মানের মনিটরের জন্য ম্যাট্রিক্স রয়েছে এবং এক বা অন্য রঙের অনুপস্থিতির কারণে, তারা তাদের রঙের প্রতিনিধিত্বের উপর নির্ভর করে রঙকে ইন্টারপোলেট করে, যার ফলে ওয়াটারমার্কের মধ্যেই বিকৃতির প্রবর্তন হয়। দ্বিতীয়টি আরও কঠিন, এই কারণে যে আপনি যে কোনও বিন্যাসে একটি স্ক্রিনশট সংরক্ষণ করতে পারেন এবং তদনুসারে, রঙের পরিসরের অংশ হারাতে পারেন, তাই আমরা কেবল জলছাপটি নিজেই হারাতে পারি।

বাস্তবায়ন সমস্যা

আধুনিক বিশ্বে, ওয়াটারমার্ক প্রবর্তনের জন্য প্রচুর অ্যালগরিদম রয়েছে, কিন্তু কোনটিই এটির বাস্তবায়নের পরে জলছাপকে আরও স্বীকৃতি দেওয়ার 100% সম্ভাবনার নিশ্চয়তা দেয় না। প্রধান অসুবিধা হল প্রজনন অবস্থার সেট নির্ধারণ করা যা প্রতিটি নির্দিষ্ট ক্ষেত্রে উদ্ভূত হতে পারে। আগেই উল্লেখ করা হয়েছে, একটি স্বীকৃতি অ্যালগরিদম তৈরি করা কঠিন যা বিকৃতির সমস্ত সম্ভাব্য বৈশিষ্ট্য এবং ওয়াটারমার্কের ক্ষতি করার প্রচেষ্টাকে বিবেচনা করবে। উদাহরণস্বরূপ, যদি বর্তমান চিত্রটিতে একটি গাউসিয়ান ফিল্টার প্রয়োগ করা হয় এবং মূল চিত্রের শিল্পকর্মগুলি বেশ ছোট এবং চিত্রের পটভূমির বিপরীতে বিপরীত হয়, তবে হয় সেগুলি সনাক্ত করা অসম্ভব হয়ে পড়ে, নয়তো ওয়াটারমার্কের কিছু অংশ হারিয়ে যাবে। . আসুন একটি ফটোগ্রাফের ক্ষেত্রে বিবেচনা করা যাক, উচ্চ মাত্রার সম্ভাবনা সহ এটিতে মোয়ার (চিত্র 5) এবং একটি "গ্রিড" (চিত্র 4) থাকবে। স্ক্রিন ম্যাট্রিক্সের বিচ্ছিন্নতা এবং রেকর্ডিং সরঞ্জামের ম্যাট্রিক্সের বিচ্ছিন্নতার কারণে মোয়ার ঘটে; এই পরিস্থিতিতে, দুটি জাল চিত্র একে অপরের উপর চাপানো হয়। জালটি সম্ভবত আংশিকভাবে ওয়াটারমার্ক আর্টিফ্যাক্টগুলিকে ঢেকে দেবে এবং একটি স্বীকৃতি সমস্যা সৃষ্টি করবে; মোয়ার, পরিবর্তে, কিছু ওয়াটারমার্ক এম্বেডিং পদ্ধতিতে এটি সনাক্ত করা অসম্ভব করে তোলে, কারণ এটি জলছাপের সাথে চিত্রের অংশকে ওভারল্যাপ করে।

ভাত। 4 ইমেজ গ্রিড

ভাত। 5 মোয়ার

ওয়াটারমার্ক চিনতে থ্রেশহোল্ড বাড়ানোর জন্য, স্ব-শিক্ষার নিউরাল নেটওয়ার্কের উপর ভিত্তি করে এবং অপারেশনের প্রক্রিয়ায় অ্যালগরিদম ব্যবহার করা প্রয়োজন, যা নিজেরাই ওয়াটারমার্কের ছবি চিনতে শিখবে। এখন প্রচুর পরিমাণে নিউরাল নেটওয়ার্ক টুল এবং পরিষেবা রয়েছে, উদাহরণস্বরূপ, Google থেকে। যদি ইচ্ছা হয়, আপনি রেফারেন্স চিত্রগুলির একটি সেট খুঁজে পেতে পারেন এবং প্রয়োজনীয় নিদর্শনগুলি চিনতে নিউরাল নেটওয়ার্ককে শেখাতে পারেন। এই পদ্ধতিতে এমনকি অত্যন্ত বিকৃত ওয়াটারমার্কগুলি সনাক্ত করার জন্য সবচেয়ে প্রতিশ্রুতিবদ্ধ সম্ভাবনা রয়েছে, তবে দ্রুত সনাক্তকরণের জন্য এটির জন্য বড় কম্পিউটিং শক্তি এবং সঠিক শনাক্তকরণের জন্য বেশ দীর্ঘ প্রশিক্ষণের সময় প্রয়োজন।

বর্ণিত সবকিছুই বেশ সহজ বলে মনে হচ্ছে, কিন্তু আপনি যতই এই সমস্যাগুলির গভীরে প্রবেশ করবেন, ততই আপনি বুঝতে পারবেন যে ওয়াটারমার্ক চিনতে আপনাকে যেকোনও অ্যালগরিদম বাস্তবায়নে অনেক সময় ব্যয় করতে হবে, এবং এটিকে প্রয়োজনীয় সম্ভাব্যতায় নিয়ে আসার জন্য আরও বেশি সময় ব্যয় করতে হবে। প্রতিটি ইমেজ স্বীকৃতি.

উত্স: www.habr.com