با توجه به افزایش مداوم سطح توسعه فناوری اطلاعات، هر ساله اسناد الکترونیکی راحت تر و مورد تقاضا قرار می گیرند و شروع به تسلط بر رسانه های کاغذی سنتی می کنند. بنابراین، توجه به موقع به حفاظت از محتوای اطلاعات نه تنها در رسانه های کاغذی سنتی، بلکه در اسناد الکترونیکی بسیار مهم است. هر شرکت بزرگی که دارای اسرار تجاری، دولتی و غیره است، می خواهد از نشت اطلاعات احتمالی و به خطر افتادن اطلاعات طبقه بندی شده جلوگیری کند و در صورت کشف نشت، اقداماتی را برای جلوگیری از نشت و شناسایی متخلف انجام دهد.
کمی در مورد گزینه های حفاظتی
برای انجام این وظایف، عناصر محافظ خاصی معرفی می شوند. چنین عناصری می توانند بارکد، برچسب های قابل مشاهده، برچسب های الکترونیکی باشند، اما جالب ترین آنها برچسب های پنهان هستند. یکی از برجسته‌ترین نمادها، واترمارک‌ها هستند؛ آنها را می‌توان روی کاغذ اعمال کرد یا قبل از چاپ روی چاپگر اضافه کرد. این راز نیست که چاپگرها هنگام چاپ واترمارک خود (نقاط زرد و سایر علائم) را قرار می دهند، اما ما مصنوعات دیگری را در نظر خواهیم گرفت که می توانند روی صفحه نمایش رایانه در محل کار کارمند قرار گیرند. چنین مصنوعاتی توسط یک بسته نرم افزاری ویژه تولید می شوند که مصنوعات را در بالای فضای کاری کاربر ترسیم می کند و دید خود مصنوعات را به حداقل می رساند و بدون دخالت در کار کاربر. این فناوری‌ها از نظر پیشرفت‌های علمی و الگوریتم‌های مورد استفاده برای ارائه اطلاعات پنهان ریشه‌های قدیمی دارند، اما در دنیای مدرن بسیار نادر هستند. این رویکرد عمدتاً در حوزه نظامی و روی کاغذ برای شناسایی سریع کارمندان بی‌وجدان یافت می‌شود. این فناوری ها به تازگی وارد محیط تجاری شده اند. واترمارک های قابل مشاهده اکنون به طور فعال برای محافظت از حق چاپ فایل های رسانه ای مختلف استفاده می شوند، اما موارد نامرئی بسیار نادر هستند. اما آنها همچنین بیشترین علاقه را برمی انگیزند.
مصنوعات امنیتی
نامرئی برای انسان واترمارک ها مصنوعات مختلفی را تشکیل می دهند که اصولاً برای چشم انسان نامرئی هستند و می توانند در تصویر به شکل نقاط بسیار کوچک پوشانده شوند. ما اشیاء مرئی را در نظر خواهیم گرفت، زیرا آنهایی که با چشم قابل مشاهده نیستند ممکن است خارج از فضای رنگی استاندارد اکثر مانیتورها باشند. این آثار به دلیل درجه نامرئی بالایشان از ارزش خاصی برخوردار هستند. با این حال، غیرممکن است که CEH ها را کاملاً نامرئی کنیم. در روند اجرای آنها، نوع خاصی از اعوجاج تصویر ظرف به تصویر وارد می شود و نوعی مصنوع روی آن ظاهر می شود. بیایید 2 نوع شی را در نظر بگیریم:
- چرخه ای
- آشفته (معرفی شده با تبدیل تصویر)
عناصر چرخه ای نشان دهنده یک توالی محدود معین از عناصر تکرار شونده هستند که بیش از یک بار روی تصویر صفحه تکرار می شوند (شکل 1).
مصنوعات پر هرج و مرج می توانند به دلیل انواع مختلفی از تغییر شکل تصویر روی هم قرار گیرند (شکل 2)، به عنوان مثال، معرفی یک هولوگرام.
برنج. 1 مصنوعات دوچرخه سواری
برنج. 2 مصنوعات آشفته
ابتدا، بیایید به گزینه هایی برای تشخیص مصنوعات چرخه ای نگاه کنیم. چنین مصنوعاتی می توانند عبارتند از:
- واترمارک متنی که در سراسر صفحه تکرار می شود
- دنباله های باینری
- مجموعه ای از نقاط آشفته در هر سلول شبکه
همه مصنوعات فهرست شده مستقیماً در بالای محتوای نمایش داده شده اعمال می شوند؛ بر این اساس، می توان آنها را با شناسایی قسمت های انتهایی هیستوگرام هر کانال رنگی و بر این اساس، برش دادن همه رنگ های دیگر شناسایی کرد. این روش شامل کار با ترکیبی از افراط های محلی هر یک از کانال های هیستوگرام است. مشکل در جستجوی اکسترم های محلی در یک تصویر نسبتاً پیچیده با جزئیات بسیار در حال گذار است؛ هیستوگرام بسیار دندانه دار به نظر می رسد، که این رویکرد را غیرقابل اجرا می کند. می‌توانید فیلترهای مختلفی را اعمال کنید، اما آنها اعوجاج‌های خاص خود را معرفی می‌کنند که ممکن است در نهایت منجر به ناتوانی در تشخیص واترمارک شود. همچنین امکان شناسایی این مصنوعات با استفاده از آشکارسازهای لبه خاص (به عنوان مثال، آشکارساز لبه Canny) وجود دارد. این رویکردها جای خود را برای مصنوعاتی دارند که در مرحله گذار کاملاً واضح هستند؛ آشکارسازها می توانند خطوط تصویر را برجسته کرده و متعاقباً محدوده رنگی را در خطوط انتخاب کنند تا تصویر را باینریزه کنند تا خود مصنوعات را بیشتر برجسته کنند، اما این روش ها نیاز به تنظیم نسبتاً دقیق برای برجسته کردن دارند. خطوط مورد نیاز، و همچنین دوتایی شدن بعدی خود تصویر نسبت به رنگ های موجود در خطوط انتخاب شده. این الگوریتم‌ها کاملاً غیرقابل اعتماد در نظر گرفته می‌شوند و سعی می‌کنند از پایداری بیشتر و مستقل‌تر از نوع مولفه‌های رنگی تصویر استفاده کنند.
برنج. 3 واترمارک پس از تبدیل
در مورد مصنوعات آشفته ای که قبلاً ذکر شد، الگوریتم های تشخیص آنها کاملاً متفاوت خواهد بود. از آنجایی که شکل گیری مصنوعات آشفته با تحمیل واترمارک خاصی بر روی تصویر فرض می شود که با برخی از تبدیل ها (به عنوان مثال، تبدیل فوریه گسسته) تغییر شکل می دهد. مصنوعات حاصل از چنین دگرگونی هایی در سراسر صفحه پخش می شوند و تشخیص الگوی آنها دشوار است. بر این اساس، واترمارک در سراسر تصویر به شکل مصنوعات "تصادفی" قرار می گیرد. تشخیص چنین واترمارکی به تبدیل مستقیم تصویر با استفاده از توابع تبدیل می شود. نتیجه تبدیل در شکل (شکل 3) ارائه شده است.
اما تعدادی از مشکلات به وجود می آیند که مانع از تشخیص واترمارک در شرایط کمتر از ایده آل می شوند. بسته به نوع تبدیل، ممکن است مشکلات مختلفی وجود داشته باشد، به عنوان مثال، عدم امکان تشخیص یک سند به دست آمده با عکاسی با زاویه بزرگ نسبت به صفحه، یا صرفاً یک عکس با کیفیت نسبتاً ضعیف، یا یک عکس از صفحه ذخیره شده در یک فایل با فشرده سازی از دست دادن بالا. همه این مشکلات منجر به پیچیدگی شناسایی واترمارک می‌شود؛ در مورد تصویر زاویه‌دار، لازم است یا تبدیل‌های پیچیده‌تر یا تبدیل‌های وابسته به تصویر اعمال شود، اما هیچکدام بازیابی کامل واترمارک را تضمین نمی‌کنند. اگر مورد ضبط صفحه را در نظر بگیریم، دو مشکل پیش می آید: اولی اعوجاج هنگام نمایش بر روی خود صفحه، دومی اعوجاج هنگام ذخیره تصویر از خود صفحه نمایش است. کنترل اولی بسیار دشوار است زیرا ماتریس هایی برای مانیتورهای با کیفیت متفاوت وجود دارد و به دلیل عدم وجود یک یا رنگ دیگر، آنها رنگ را بسته به نمایش رنگ خود درون یابی می کنند و در نتیجه اعوجاج هایی را در خود واترمارک ایجاد می کنند. مورد دوم حتی دشوارتر است، زیرا می توانید یک اسکرین شات را در هر قالبی ذخیره کنید و بر این اساس بخشی از محدوده رنگ را از دست بدهید، بنابراین، ما می توانیم به سادگی خود علامت را از دست بدهیم.
مشکلات اجرایی
در دنیای مدرن، الگوریتم های بسیار زیادی برای معرفی واترمارک وجود دارد، اما هیچکدام امکان شناسایی بیشتر واترمارک را پس از اجرای آن به طور 100% تضمین نمی کند. مشکل اصلی تعیین مجموعه شرایط تولید مثل است که ممکن است در هر مورد خاص ایجاد شود. همانطور که قبلا ذکر شد، ایجاد یک الگوریتم تشخیص که تمام ویژگی های ممکن اعوجاج و تلاش برای آسیب رساندن به واترمارک را در نظر بگیرد، دشوار است. به عنوان مثال، اگر یک فیلتر گاوسی روی تصویر فعلی اعمال شود و مصنوعات در تصویر اصلی کاملاً کوچک و متضاد با پس‌زمینه تصویر باشند، تشخیص آنها یا غیرممکن می‌شود یا بخشی از واترمارک از بین می‌رود. . بیایید مورد یک عکس را در نظر بگیریم، با درجه احتمال بالایی که دارای مویر (شکل 5) و "شبکه" (شکل 4) خواهد بود. Moire به دلیل گسسته بودن ماتریس صفحه نمایش و گسسته بودن ماتریس تجهیزات ضبط رخ می دهد؛ در این شرایط دو تصویر مشبک روی یکدیگر قرار می گیرند. مش به احتمال زیاد تا حدی مصنوعات واترمارک را می پوشاند و باعث ایجاد مشکل در تشخیص می شود؛ به نوبه خود، moire در برخی از روش های جاسازی واترمارک تشخیص آن را غیرممکن می کند، زیرا بخشی از تصویر با واترمارک همپوشانی دارد.
برنج. 4 شبکه تصویر
برنج. 5 مور
برای افزایش آستانه تشخیص واترمارک، لازم است از الگوریتم‌هایی مبتنی بر شبکه‌های عصبی خودآموز و در فرآیند عملیات استفاده شود که خود یاد بگیرند که تصاویر واترمارک را تشخیص دهند. اکنون تعداد زیادی ابزار و خدمات شبکه عصبی، به عنوان مثال، از گوگل وجود دارد. در صورت تمایل، می توانید مجموعه ای از تصاویر مرجع را پیدا کنید و به شبکه عصبی یاد دهید که مصنوعات لازم را تشخیص دهد. این رویکرد امیدوارکننده ترین شانس را برای شناسایی واترمارک های حتی بسیار تحریف شده دارد، اما برای شناسایی سریع به قدرت محاسباتی زیاد و دوره آموزشی بسیار طولانی برای شناسایی صحیح نیاز دارد.
همه چیز توضیح داده شده بسیار ساده به نظر می رسد، اما هر چه عمیق تر در این مسائل غوطه ور شوید، بیشتر متوجه می شوید که برای تشخیص واترمارک ها باید زمان زیادی را صرف اجرای هر یک از الگوریتم ها کنید، و حتی زمان بیشتری را برای رساندن آن به احتمال مورد نیاز صرف کنید. شناخت هر تصویر
منبع: www.habr.com