Debido ao constante aumento do nivel de desenvolvemento da tecnoloxía da información, cada ano os documentos electrónicos son cada vez máis cómodos e demandados en uso e comezan a dominar os medios tradicionais en papel. Polo tanto, é moi importante prestar atención oportuna á protección do contido da información non só en soportes tradicionais en papel, senón tamén en documentos electrónicos. Toda gran empresa que teña segredos comerciais, estatais e doutro tipo quere evitar posibles filtracións de información e o compromiso da información clasificada e, se se detecta unha filtración, tomar medidas para deter as filtracións e identificar ao infractor.
Un pouco sobre as opcións de protección
Para realizar estas tarefas introdúcense certos elementos de protección. Tales elementos poden ser códigos de barras, etiquetas visibles, etiquetas electrónicas, pero o máis interesante son as etiquetas ocultas. Un dos representantes máis rechamantes son as marcas de auga; pódense aplicar ao papel ou engadir antes de imprimir nunha impresora. Non é ningún segredo que as impresoras poñen as súas propias marcas de auga (puntos amarelos e outras marcas) ao imprimir, pero teremos en conta outros artefactos que se poden poñer na pantalla dunha computadora no lugar de traballo dun empregado. Tales artefactos son xerados por un paquete de software especial que debuxa artefactos sobre o espazo de traballo do usuario, minimizando a visibilidade dos propios artefactos e sen interferir co traballo do usuario. Estas tecnoloxías teñen raíces antigas en canto aos desenvolvementos científicos e aos algoritmos utilizados para presentar información oculta, pero son bastante raras no mundo moderno. Este enfoque atópase principalmente no ámbito militar e no papel, para a rápida identificación de empregados sen escrúpulos. Estas tecnoloxías só comezan a introducirse no ámbito comercial. As marcas de auga visibles úsanse agora activamente para protexer os dereitos de autor de varios ficheiros multimedia, pero as invisibles son bastante raras. Pero tamén espertan o maior interese.
Artefactos de seguridade
Invisible para os humanos As marcas de auga forman varios artefactos que poden ser, en principio, invisibles para o ollo humano, e poden enmascararse na imaxe en forma de puntos moi pequenos. Consideraremos os obxectos visibles, xa que aqueles invisibles para o ollo poden estar fóra do espazo de cor estándar da maioría dos monitores. Estes artefactos son de particular valor debido ao seu alto grao de invisibilidade. Non obstante, é imposible facer que os CEH sexan completamente invisibles. No proceso da súa implementación, introdúcese na imaxe un certo tipo de distorsión da imaxe do recipiente e aparece algún tipo de artefactos nela. Consideremos 2 tipos de obxectos:
- Cíclico
- Chaotic (introducido pola conversión de imaxes)
Os elementos cíclicos representan unha determinada secuencia finita de elementos repetitivos que se repiten máis dunha vez na imaxe da pantalla (Fig. 1).
Os artefactos caóticos poden ser causados por varios tipos de transformacións da imaxe superposta (Fig. 2), por exemplo, a introdución dun holograma.
Arroz. 1 Artefactos de ciclismo
Arroz. 2 artefactos caóticos
En primeiro lugar, vexamos as opcións para recoñecer artefactos cíclicos. Tales artefactos poden ser:
- marcas de auga de texto que se repiten pola pantalla
- secuencias binarias
- un conxunto de puntos caóticos en cada cela da grella
Todos os artefactos listados aplícanse directamente sobre o contido mostrado; polo tanto, pódense recoñecer identificando os extremos locais do histograma de cada canle de cor e, en consecuencia, recortando todas as demais cores. Este método implica traballar con combinacións de extremos locais de cada unha das canles do histograma. O problema reside na procura de extremos locais nunha imaxe bastante complexa con moitos detalles de transición nítida; o histograma parece moi dente de serra, o que fai que este enfoque sexa inaplicable. Podes tentar aplicar varios filtros, pero introducirán as súas propias distorsións, o que finalmente pode levar á imposibilidade de detectar a marca de auga. Tamén existe a opción de recoñecer estes artefactos mediante certos detectores de bordo (por exemplo, o detector de bordo Canny). Estes enfoques teñen o seu lugar para os artefactos que son bastante nítidos en transición; os detectores poden resaltar os contornos da imaxe e, posteriormente, seleccionar intervalos de cores dentro dos contornos para binarizar a imaxe co fin de resaltar aínda máis os propios artefactos, pero estes métodos requiren un axuste bastante fino para resaltar o contornos necesarios, así como a posterior binarización da propia imaxe en relación coas cores dos contornos seleccionados. Estes algoritmos considéranse bastante pouco fiables e intentan usar compoñentes máis estables e independentes do tipo de cor da imaxe.
Arroz. 3 Marca de auga despois da conversión
En canto aos artefactos caóticos mencionados anteriormente, os algoritmos para recoñecelos serán radicalmente diferentes. Xa que a formación de artefactos caóticos asúmese impoñendo unha determinada marca de auga na imaxe, que é transformada por algunhas das transformacións (por exemplo, a transformada discreta de Fourier). Os artefactos de tales transformacións distribúense por toda a pantalla e é difícil identificar o seu patrón. En base a isto, a marca de auga situarase en toda a imaxe en forma de artefactos "aleatorios". O recoñecemento desta marca de auga redúcese á transformación directa da imaxe mediante funcións de transformación. O resultado da transformación preséntase na figura (Fig. 3).
Pero xorden unha serie de problemas que impiden o recoñecemento da marca de auga en condicións menos que ideais. Dependendo do tipo de conversión, pode haber varias dificultades, por exemplo, a imposibilidade de recoñecer un documento obtido fotografando nun gran ángulo en relación á pantalla, ou simplemente unha foto de mala calidade ou unha captura de pantalla gardada en un ficheiro con compresión de alta perda. Todos estes problemas levan á complicación da identificación dunha marca de auga; no caso dunha imaxe en ángulo, é necesario aplicar transformacións máis complexas ou ben aplicar transformacións afines á imaxe, pero ningunha das dúas garante a restauración completa da marca de auga. Se temos en conta o caso da captura de pantalla, xorden dous problemas: o primeiro é a distorsión ao mostrarse na propia pantalla, o segundo é a distorsión ao gardar a imaxe da propia pantalla. O primeiro é bastante difícil de controlar debido a que existen matrices para monitores de diferente calidade e, debido á ausencia dunha ou outra cor, interpolan a cor dependendo da súa representación da cor, introducindo así distorsións na propia marca de auga. O segundo é aínda máis difícil, debido ao feito de que pode gardar unha captura de pantalla en calquera formato e, en consecuencia, perder parte da gama de cores, polo tanto, simplemente podemos perder a propia marca de auga.
Problemas de implantación
No mundo moderno, hai bastantes algoritmos para introducir marcas de auga, pero ningún garante o 100% da posibilidade de recoñecer unha marca de auga despois da súa implementación. A principal dificultade é determinar o conxunto de condicións de reprodución que se poden presentar en cada caso concreto. Como se mencionou anteriormente, é difícil crear un algoritmo de recoñecemento que teña en conta todas as posibles características de distorsión e intentos de danar a marca de auga. Por exemplo, se se aplica un filtro gaussiano á imaxe actual e os artefactos na imaxe orixinal eran bastante pequenos e contrastaban co fondo da imaxe, será imposible recoñecelos ou perderase parte da marca de auga. . Consideremos o caso dunha fotografía, cun alto grao de probabilidade terá moiré (Fig. 5) e unha “cuadrícula” (Fig. 4). O muaré prodúcese debido á discreción da matriz da pantalla e á discreción da matriz do equipo de gravación; nesta situación, superpoñense dúas imaxes de malla unha sobre outra. É probable que a malla cobre parcialmente os artefactos da marca de auga e cause un problema de recoñecemento; o muaré, pola súa banda, nalgúns métodos de incrustación de marcas de auga fai imposible recoñecelo, xa que se solapa parte da imaxe coa marca de auga.
Arroz. 4 Reixa de imaxes
Arroz. 5 Moire
Para aumentar o limiar de recoñecemento de marcas de auga, é necesario empregar algoritmos baseados en redes neuronais de autoaprendizaxe e en proceso de funcionamento, que eles mesmos aprenderán a recoñecer imaxes de marcas de auga. Agora hai un gran número de ferramentas e servizos de redes neuronais, por exemplo, de Google. Se o desexa, pode atopar un conxunto de imaxes de referencia e ensinarlle á rede neuronal a recoñecer os artefactos necesarios. Este enfoque ten as posibilidades máis prometedoras de identificar incluso marcas de auga moi distorsionadas, pero para unha identificación rápida require unha gran potencia de cálculo e un período de adestramento bastante longo para a identificación correcta.
Todo o descrito parece bastante sinxelo, pero canto máis se mergulla nestes problemas, máis comprende que para recoñecer marcas de auga hai que dedicar moito tempo á implementación de calquera dos algoritmos, e aínda máis tempo a levala á probabilidade necesaria de recoñecendo cada imaxe.
Fonte: www.habr.com