På grund af den konstante stigning i udviklingsniveauet af informationsteknologi bliver elektroniske dokumenter hvert år mere praktiske og efterspurgte i brug og begynder at dominere over traditionelle papirmedier. Derfor er det meget vigtigt at være rettidig opmærksom på at beskytte indholdet af information ikke kun på traditionelle papirmedier, men også på elektroniske dokumenter. Enhver stor virksomhed, der har kommercielle, statslige og andre hemmeligheder, ønsker at forhindre mulige informationslækager og kompromittering af klassificerede oplysninger, og hvis der opdages en lækage, skal du træffe foranstaltninger til at stoppe lækagen og identificere overtræderen.
Lidt om beskyttelsesmuligheder
For at udføre disse opgaver introduceres visse beskyttelseselementer. Sådanne elementer kan være stregkoder, synlige tags, elektroniske tags, men de mest interessante er skjulte tags. En af de mest slående repræsentanter er vandmærker; de kan påføres papir eller tilføjes før udskrivning på en printer. Det er ingen hemmelighed, at printere sætter deres egne vandmærker (gule prikker og andre mærker), når de udskriver, men vi vil overveje andre artefakter, der kan sættes på en computerskærm på en medarbejders arbejdsplads. Sådanne artefakter genereres af en speciel softwarepakke, der tegner artefakter oven på brugerens arbejdsområde, hvilket minimerer synligheden af selve artefakterne og uden at forstyrre brugerens arbejde. Disse teknologier har ældgamle rødder i form af videnskabelig udvikling og de algoritmer, der bruges til at præsentere skjult information, men er ret sjældne i den moderne verden. Denne tilgang findes hovedsageligt i den militære sfære og på papiret til hurtig identifikation af skruppelløse medarbejdere. Disse teknologier er lige begyndt at blive introduceret i det kommercielle miljø. Synlige vandmærker bliver nu aktivt brugt til at beskytte ophavsretten til forskellige mediefiler, men usynlige er ret sjældne. Men de vækker også den største interesse.
Sikkerhedsartefakter
Usynlig for mennesker Vandmærker danner forskellige artefakter, der i princippet kan være usynlige for det menneskelige øje, og som kan maskeres på billedet i form af meget små prikker. Vi vil overveje synlige objekter, da de usynlige for øjet kan være uden for standardfarverum på de fleste skærme. Disse artefakter er af særlig værdi på grund af deres høje grad af usynlighed. Det er dog umuligt at gøre CEH'er helt usynlige. I processen med deres implementering introduceres en vis form for forvrængning af beholderbilledet i billedet, og en slags artefakter vises på det. Lad os overveje 2 typer objekter:
- Cyklisk
- Kaotisk (introduceret af billedkonvertering)
Cykliske elementer repræsenterer en bestemt endelig sekvens af gentagne elementer, der gentages mere end én gang på skærmbilledet (fig. 1).
Kaotiske artefakter kan være forårsaget af forskellige former for transformationer af det overlejrede billede (fig. 2), for eksempel introduktionen af et hologram.
Ris. 1 Cykelartefakter
Ris. 2 kaotiske artefakter
Lad os først se på mulighederne for at genkende cykliske artefakter. Sådanne artefakter kan være:
- tekstvandmærker, der gentages på tværs af skærmen
- binære sekvenser
- et sæt kaotiske punkter i hver gittercelle
Alle de anførte artefakter anvendes direkte oven på det viste indhold; derfor kan de genkendes ved at identificere lokale yderpunkter af histogrammet for hver farvekanal og følgelig skære alle andre farver ud. Denne metode involverer at arbejde med kombinationer af lokale yderpunkter for hver af histogramkanalerne. Problemet hviler på søgen efter lokale ekstremer i et ret komplekst billede med mange skarpt skiftende detaljer; histogrammet ser meget savtand ud, hvilket gør denne tilgang uanvendelig. Du kan prøve at anvende forskellige filtre, men de vil introducere deres egne forvrængninger, hvilket i sidste ende kan føre til manglende evne til at opdage vandmærket. Der er også mulighed for at genkende disse artefakter ved hjælp af visse kantdetektorer (for eksempel Canny kantdetektoren). Disse tilgange har deres plads til artefakter, der er ret skarpe i overgangen; detektorer kan fremhæve billedkonturer og efterfølgende vælge farveområder inden for konturerne for at binarisere billedet for yderligere at fremhæve selve artefakterne, men disse metoder kræver temmelig finjustering for at fremhæve nødvendige konturer, samt efterfølgende binarisering af selve billedet i forhold til farverne i de valgte konturer. Disse algoritmer betragtes som ret upålidelige og forsøger at bruge mere stabile og uafhængige af typen af farvekomponenter i billedet.
Ris. 3 Vandmærke efter konvertering
Hvad angår de tidligere nævnte kaotiske artefakter, vil algoritmerne til at genkende dem være radikalt anderledes. Da dannelsen af kaotiske artefakter antages ved at pålægge billedet et bestemt vandmærke, som transformeres af nogle af transformationerne (for eksempel den diskrete Fourier-transformation). Artefakter fra sådanne transformationer er fordelt over hele skærmen, og det er svært at identificere deres mønster. Baseret på dette vil vandmærket blive placeret i hele billedet i form af "tilfældige" artefakter. Genkendelse af et sådant vandmærke kommer ned til direkte billedtransformation ved hjælp af transformationsfunktioner. Resultatet af transformationen er præsenteret i figuren (fig. 3).
Men der opstår en række problemer, der forhindrer genkendelse af vandmærker under mindre end ideelle forhold. Afhængigt af konverteringstypen kan der være forskellige vanskeligheder, for eksempel umuligheden af at genkende et dokument opnået ved at fotografere i en stor vinkel i forhold til skærmen, eller blot et billede af ret dårlig kvalitet eller et skærmbillede gemt i en fil med komprimering med højt tab. Alle disse problemer fører til komplikationen ved at identificere et vandmærke; i tilfælde af et vinklet billede er det nødvendigt at anvende enten mere komplekse transformationer eller anvende affine transformationer på billedet, men ingen af dem garanterer fuldstændig gendannelse af vandmærket. Hvis vi betragter tilfældet med skærmoptagelse, opstår der to problemer: det første er forvrængning ved visning på selve skærmen, det andet er forvrængning, når billedet gemmes fra selve skærmen. Den første er ret svær at kontrollere på grund af det faktum, at der er matricer til skærme af forskellig kvalitet, og på grund af fraværet af en eller anden farve interpolerer de farven afhængigt af deres farvegengivelse, hvorved der indføres forvrængninger i selve vandmærket. Det andet er endnu vanskeligere, på grund af det faktum, at du kan gemme et skærmbillede i ethvert format og følgelig miste en del af farveområdet, derfor kan vi simpelthen miste selve vandmærket.
Implementeringsproblemer
I den moderne verden er der en del algoritmer til at introducere vandmærker, men ingen garanterer 100% mulighed for yderligere genkendelse af et vandmærke efter dets implementering. Den største vanskelighed er at bestemme det sæt af reproduktionsbetingelser, der kan opstå i hvert enkelt tilfælde. Som tidligere nævnt er det vanskeligt at skabe en genkendelsesalgoritme, der tager højde for alle mulige træk ved forvrængning og forsøg på at beskadige vandmærket. For eksempel, hvis et Gauss-filter anvendes på det aktuelle billede, og artefakterne i det originale billede var ret små og kontrasterende mod billedets baggrund, så bliver det enten umuligt at genkende dem, eller også vil en del af vandmærket gå tabt . Lad os overveje tilfældet med et fotografi, med en høj grad af sandsynlighed vil det have moiré (fig. 5) og et "gitter" (fig. 4). Moire opstår på grund af diskretheden af skærmmatricen og diskretheden af matrixen af optageudstyret; i denne situation er to mesh-billeder overlejret på hinanden. Nettet vil højst sandsynligt delvist dække vandmærkeartefakterne og forårsage et genkendelsesproblem; moire gør det igen i nogle vandmærkeindlejringsmetoder umuligt at genkende det, da det overlapper en del af billedet med vandmærket.
Ris. 4 Billedgitter
Ris. 5 Moire
For at øge tærsklen for genkendelse af vandmærker er det nødvendigt at bruge algoritmer baseret på selvlærende neurale netværk og i driftsprocessen, som selv lærer at genkende vandmærkebilleder. Nu er der et stort antal neurale netværksværktøjer og -tjenester, for eksempel fra Google. Hvis det ønskes, kan du finde et sæt referencebilleder og lære det neurale netværk at genkende de nødvendige artefakter. Denne tilgang har de mest lovende chancer for at identificere selv stærkt forvrængede vandmærker, men for hurtig identifikation kræver det stor computerkraft og ret lang træningsperiode for korrekt identifikation.
Alt det beskrevne virker ret simpelt, men jo dybere du dykker ned i disse problemer, jo mere forstår du, at for at genkende vandmærker skal du bruge meget tid på at implementere nogen af algoritmerne og endnu mere tid på at bringe det til den nødvendige sandsynlighed for genkende hvert billede.
Kilde: www.habr.com