Debido al constante aumento en el nivel de desarrollo de la tecnología de la información, cada año los documentos electrónicos se vuelven más convenientes y demandados y comienzan a dominar los medios de papel tradicionales. Por lo tanto, es muy importante prestar atención oportuna a la protección del contenido de la información no solo en los soportes tradicionales en papel, sino también en los documentos electrónicos. Toda gran empresa que posee secretos comerciales, de estado y de otro tipo quiere evitar posibles fugas de información y el compromiso de información clasificada, y si se detecta una fuga, tomar medidas para detenerla e identificar al infractor.
Un poco sobre las opciones de protección.
Para realizar estas tareas se introducen determinados elementos protectores. Dichos elementos pueden ser códigos de barras, etiquetas visibles, etiquetas electrónicas, pero las más interesantes son las etiquetas ocultas. Uno de los representantes más llamativos son las marcas de agua; se pueden aplicar al papel o agregar antes de imprimir en una impresora. No es ningún secreto que los impresores ponen sus propias marcas de agua (puntos amarillos y otras marcas) al imprimir, pero consideraremos otros artefactos que se pueden poner en la pantalla de una computadora en el lugar de trabajo de un empleado. Estos artefactos se generan mediante un paquete de software especial que los dibuja encima del espacio de trabajo del usuario, minimizando la visibilidad de los propios artefactos y sin interferir con el trabajo del usuario. Estas tecnologías tienen raíces antiguas en términos de desarrollos científicos y algoritmos utilizados para presentar información oculta, pero son bastante raras en el mundo moderno. Este enfoque se encuentra principalmente en el ámbito militar y en el papel, para la rápida identificación de empleados sin escrúpulos. Estas tecnologías recién están comenzando a introducirse en el entorno comercial. Las marcas de agua visibles ahora se utilizan activamente para proteger los derechos de autor de varios archivos multimedia, pero las invisibles son bastante raras. Pero también despiertan el mayor interés.
Artefactos de seguridad
Invisible para los humanos Las marcas de agua forman diversos artefactos que pueden ser, en principio, invisibles para el ojo humano y pueden enmascararse en la imagen en forma de puntos muy pequeños. Consideraremos objetos visibles, ya que aquellos invisibles a la vista pueden estar fuera del espacio de color estándar de la mayoría de los monitores. Estos artefactos son de particular valor debido a su alto grado de invisibilidad. Sin embargo, es imposible hacer que los CEH sean completamente invisibles. En el proceso de su implementación, se introduce en la imagen un cierto tipo de distorsión de la imagen del contenedor y aparecen algunos artefactos en ella. Consideremos 2 tipos de objetos:
- cíclico
- Caótico (introducido por la conversión de imágenes)
Los elementos cíclicos representan una determinada secuencia finita de elementos repetidos que se repiten más de una vez en la imagen de la pantalla (Fig. 1).
Los artefactos caóticos pueden deberse a diversos tipos de transformaciones de la imagen superpuesta (Fig. 2), por ejemplo, la introducción de un holograma.
Arroz. 1 artefactos ciclistas
Arroz. 2 artefactos caóticos
Primero, veamos opciones para reconocer artefactos cíclicos. Dichos artefactos pueden ser:
- marcas de agua de texto que se repiten en la pantalla
- secuencias binarias
- un conjunto de puntos caóticos en cada celda de la cuadrícula
Todos los artefactos enumerados se aplican directamente sobre el contenido mostrado; en consecuencia, pueden reconocerse identificando los extremos locales del histograma de cada canal de color y, en consecuencia, recortando todos los demás colores. Este método implica trabajar con combinaciones de extremos locales de cada uno de los canales del histograma. El problema reside en la búsqueda de extremos locales en una imagen bastante compleja con muchos detalles de transición brusca; el histograma parece muy diente de sierra, lo que hace que este enfoque sea inaplicable. Puede intentar aplicar varios filtros, pero introducirán sus propias distorsiones, lo que en última instancia puede provocar que no se pueda detectar la marca de agua. También existe la opción de reconocer estos artefactos utilizando ciertos detectores de bordes (por ejemplo, el detector de bordes Canny). Estos enfoques tienen su lugar para artefactos que son bastante nítidos en la transición; los detectores pueden resaltar los contornos de la imagen y posteriormente seleccionar rangos de color dentro de los contornos para binarizar la imagen con el fin de resaltar aún más los artefactos en sí, pero estos métodos requieren un ajuste bastante fino para resaltar los contornos requeridos, así como la posterior binarización de la propia imagen en relación con los colores en los contornos seleccionados. Estos algoritmos se consideran bastante poco fiables y tratan de utilizar componentes de color más estables e independientes del tipo de imagen.
Arroz. 3 Marca de agua después de la conversión
En cuanto a los artefactos caóticos mencionados anteriormente, los algoritmos para reconocerlos serán radicalmente diferentes. Dado que la formación de artefactos caóticos se supone imponiendo una determinada marca de agua a la imagen, que se transforma mediante algunas de las transformaciones (por ejemplo, la transformada discreta de Fourier). Los artefactos de tales transformaciones se distribuyen por toda la pantalla y es difícil identificar su patrón. En base a esto, la marca de agua se ubicará a lo largo de la imagen en forma de artefactos “aleatorios”. El reconocimiento de dicha marca de agua se reduce a la transformación directa de la imagen mediante funciones de transformación. El resultado de la transformación se presenta en la figura (Fig. 3).
Pero surgen una serie de problemas que impiden el reconocimiento de marcas de agua en condiciones menos que ideales. Dependiendo del tipo de conversión, pueden surgir diversas dificultades, por ejemplo, la imposibilidad de reconocer un documento obtenido fotografiando en un gran ángulo con respecto a la pantalla, o simplemente una foto de bastante mala calidad, o una captura de pantalla guardada en un archivo con compresión de alta pérdida. Todos estos problemas conducen a la complicación de identificar una marca de agua; en el caso de una imagen en ángulo, es necesario aplicar transformaciones más complejas o aplicar transformaciones afines a la imagen, pero ninguna garantiza la restauración completa de la marca de agua. Si consideramos el caso de la captura de pantalla, surgen dos problemas: el primero es la distorsión al visualizar en la propia pantalla, el segundo es la distorsión al guardar la imagen desde la propia pantalla. El primero es bastante difícil de controlar debido a que existen matrices para monitores de diferente calidad, y ante la ausencia de uno u otro color, interpolan el color en función de su representación cromática, introduciendo así distorsiones en la propia marca de agua. El segundo es aún más complicado, debido a que puedes guardar una captura de pantalla en cualquier formato y, en consecuencia, perder parte de la gama de colores, por lo que simplemente podemos perder la marca de agua.
Problemas de implementación
En el mundo moderno, existen muchos algoritmos para introducir marcas de agua, pero ninguno garantiza al 100% la posibilidad de un mayor reconocimiento de una marca de agua después de su implementación. La principal dificultad es determinar el conjunto de condiciones de reproducción que pueden presentarse en cada caso concreto. Como se mencionó anteriormente, es difícil crear un algoritmo de reconocimiento que tenga en cuenta todas las posibles características de distorsión e intentos de dañar la marca de agua. Por ejemplo, si se aplica un filtro gaussiano a la imagen actual y los artefactos en la imagen original eran bastante pequeños y contrastaban con el fondo de la imagen, entonces será imposible reconocerlos o se perderá parte de la marca de agua. . Consideremos el caso de una fotografía, con un alto grado de probabilidad tendrá muaré (Fig. 5) y una “cuadrícula” (Fig. 4). El muaré surge debido a la discreción de la matriz de la pantalla y la discreción de la matriz del equipo de grabación, en esta situación, dos imágenes de malla se superponen entre sí. Lo más probable es que la malla cubra parcialmente los artefactos de la marca de agua y cause un problema de reconocimiento; el muaré, a su vez, en algunos métodos de incrustación de marcas de agua hace imposible reconocerla, ya que superpone parte de la imagen con la marca de agua.
Arroz. 4 Cuadrícula de imágenes
Arroz. 5 muaré
Para aumentar el umbral de reconocimiento de marcas de agua, es necesario utilizar algoritmos basados en redes neuronales de autoaprendizaje y en el proceso de operación, que aprenderán por sí mismos a reconocer imágenes de marcas de agua. Ahora existe una gran cantidad de herramientas y servicios de redes neuronales, por ejemplo, de Google. Si lo desea, puede encontrar un conjunto de imágenes de referencia y enseñarle a la red neuronal a reconocer los artefactos necesarios. Este enfoque tiene las posibilidades más prometedoras para identificar incluso marcas de agua muy distorsionadas, pero para una identificación rápida requiere una gran potencia informática y un período de entrenamiento bastante largo para una identificación correcta.
Todo lo descrito parece bastante simple, pero cuanto más profundiza en estos temas, más comprende que para reconocer marcas de agua es necesario dedicar mucho tiempo a implementar cualquiera de los algoritmos, y aún más tiempo a llevarlo a la probabilidad requerida de reconociendo cada imagen.
Fuente: habr.com