Էկրանի վրա արտեֆակտների ճանաչում

Տեղեկատվական տեխնոլոգիաների զարգացման մակարդակի անընդհատ աճի շնորհիվ էլեկտրոնային փաստաթղթերը տարեցտարի դառնում են ավելի հարմար և պահանջարկ օգտագործման մեջ և սկսում են գերակշռել ավանդական թղթային լրատվամիջոցների նկատմամբ: Ուստի շատ կարևոր է ժամանակին ուշադրություն դարձնել տեղեկատվության բովանդակության պաշտպանությանը ոչ միայն ավանդական թղթային լրատվամիջոցների, այլև էլեկտրոնային փաստաթղթերի վրա: Առևտրային, պետական ​​և այլ գաղտնիքներ ունեցող յուրաքանչյուր խոշոր ընկերություն ցանկանում է կանխել տեղեկատվության հնարավոր արտահոսքը և գաղտնի տեղեկատվության խափանումը, իսկ արտահոսքի հայտնաբերման դեպքում միջոցներ ձեռնարկել արտահոսքը դադարեցնելու և խախտողին հայտնաբերելու համար։

Մի փոքր պաշտպանության տարբերակների մասին

Այս առաջադրանքները կատարելու համար ներդրվում են որոշակի պաշտպանիչ տարրեր: Այդպիսի տարրեր կարող են լինել շտրիխ կոդերը, տեսանելի թեգերը, էլեկտրոնային պիտակները, բայց ամենահետաքրքիրը թաքնված պիտակներն են։ Ամենավառ ներկայացուցիչներից մեկը ջրանիշերն են, դրանք կարող են կիրառվել թղթի վրա կամ ավելացնել տպիչի վրա տպելուց առաջ: Գաղտնիք չէ, որ տպիչները տպելիս դնում են իրենց ջրանիշերը (դեղին կետեր և այլ նշաններ), բայց մենք կքննարկենք այլ արտեֆակտներ, որոնք կարող են տեղադրվել աշխատողի աշխատավայրում համակարգչի էկրանին: Նման արտեֆակտները ստեղծվում են հատուկ ծրագրային փաթեթի միջոցով, որը արտեֆակտներ է նկարում օգտագործողի աշխատանքային տարածքի վրա՝ նվազագույնի հասցնելով արտեֆակտների տեսանելիությունը և չխանգարելով օգտատիրոջ աշխատանքին: Այս տեխնոլոգիաները գիտական ​​զարգացումների և թաքնված տեղեկատվության ներկայացման համար օգտագործվող ալգորիթմների առումով հին արմատներ ունեն, բայց ժամանակակից աշխարհում բավականին հազվադեպ են: Այս մոտեցումը հիմնականում հանդիպում է ռազմական ոլորտում և թղթի վրա՝ անբարեխիղճ աշխատողների օպերատիվ բացահայտման համար։ Այս տեխնոլոգիաները նոր են սկսում ներմուծվել կոմերցիոն միջավայր։ Տեսանելի ջրանիշերն այժմ ակտիվորեն օգտագործվում են տարբեր մեդիա ֆայլերի հեղինակային իրավունքները պաշտպանելու համար, սակայն անտեսանելիները բավականին հազվադեպ են: Բայց նրանք էլ մեծագույն հետաքրքրություն են առաջացնում։

Անվտանգության արտեֆակտներ

Անտեսանելի է մարդկանց համար Ջրի նիշերը ձևավորում են տարբեր արտեֆակտներ, որոնք, սկզբունքորեն, կարող են անտեսանելի լինել մարդու աչքի համար և կարող են դիմակավորվել պատկերում շատ փոքր կետերի տեսքով: Մենք կքննարկենք տեսանելի առարկաները, քանի որ աչքի համար անտեսանելիները կարող են լինել մոնիտորների մեծ մասի ստանդարտ գունային տարածությունից դուրս: Այս արտեֆակտները առանձնահատուկ արժեք ունեն իրենց բարձր անտեսանելիության պատճառով: Այնուամենայնիվ, անհնար է CEH-ները ամբողջովին անտեսանելի դարձնել: Դրանց իրականացման ընթացքում պատկերի մեջ ներմուծվում է կոնտեյների պատկերի որոշակի աղավաղում, և դրա վրա հայտնվում են ինչ-որ արտեֆակտներ։ Դիտարկենք 2 տեսակի օբյեկտներ.

1. Ցիկլային
2. Քաոսային (ներդրվել է պատկերի փոխակերպմամբ)

Ցիկլային տարրերը ներկայացնում են կրկնվող տարրերի որոշակի վերջավոր հաջորդականություն, որոնք կրկնվում են մեկից ավելի անգամ էկրանի պատկերում (նկ. 1):

Քաոսային արտեֆակտները կարող են առաջանալ ծածկված պատկերի տարբեր տեսակի փոխակերպումների պատճառով (նկ. 2), օրինակ՝ հոլոգրամի ներմուծումը:

Բրինձ. 1 Հեծանվային արտեֆակտներ

Բրինձ. 2 Քաոսային արտեֆակտներ

Նախ, եկեք նայենք ցիկլային արտեֆակտների ճանաչման տարբերակներին: Նման արտեֆակտները կարող են լինել.

• տեքստային ջրանիշեր, որոնք կրկնվում են էկրանին
• երկուական հաջորդականություններ
• մի շարք քաոսային կետերի յուրաքանչյուր ցանցի բջիջում

Թվարկված բոլոր արտեֆակտները կիրառվում են անմիջապես ցուցադրվող բովանդակության վերևում, համապատասխանաբար, դրանք կարող են ճանաչվել յուրաքանչյուր գունային ալիքի հիստոգրամի տեղական ծայրահեղությունների նույնականացման միջոցով և, համապատասխանաբար, կտրելով մնացած բոլոր գույները: Այս մեթոդը ներառում է հիստոգրամային ալիքներից յուրաքանչյուրի տեղական ծայրահեղությունների համակցությունների հետ աշխատելը: Խնդիրը հիմնված է լոկալ ծայրահեղությունների որոնման վրա բավականին բարդ պատկերով, որը շատ կտրուկ անցումային մանրամասներ ունի, հիստոգրամը շատ սղոցված տեսք ունի, ինչը դարձնում է այս մոտեցումը անկիրառելի: Դուք կարող եք փորձել կիրառել տարբեր զտիչներ, բայց դրանք կներկայացնեն իրենց սեփական աղավաղումները, որոնք, ի վերջո, կարող են հանգեցնել ջրի մակարդակի նշագիծը հայտնաբերելու անկարողության: Կա նաև այս արտեֆակտները ճանաչելու տարբերակ՝ օգտագործելով որոշակի եզրային դետեկտորներ (օրինակ՝ Canny եզրային դետեկտորը): Այս մոտեցումները իրենց տեղն ունեն անցումային բավականին սուր արտեֆակտների համար. դետեկտորները կարող են ընդգծել պատկերի ուրվագծերը և այնուհետև ընտրել գունային տիրույթներ ուրվագծերի ներսում՝ պատկերը երկուականացնելու համար, որպեսզի հետագայում ընդգծեն արտեֆակտները, սակայն այս մեթոդները պահանջում են բավականին նուրբ կարգավորում՝ ընդգծելու համար պահանջվող ուրվագծերը, ինչպես նաև պատկերի հետագա երկուականացումը՝ ընտրված ուրվագծերի գույների համեմատ: Այս ալգորիթմները համարվում են բավականին անվստահելի և փորձում են օգտագործել ավելի կայուն և անկախ պատկերի գունային բաղադրիչների տեսակից:

Բրինձ. 3 Ջրի նշագիծը փոխակերպումից հետո

Ինչ վերաբերում է ավելի վաղ հիշատակված քաոսային արտեֆակտներին, ապա դրանց ճանաչման ալգորիթմներն արմատապես տարբեր կլինեն։ Քանի որ քաոսային արտեֆակտների ձևավորումը ենթադրվում է պատկերի վրա որոշակի ջրանիշի պարտադրմամբ, որը փոխակերպվում է որոշ փոխակերպումների միջոցով (օրինակ՝ դիսկրետ Ֆուրիեի փոխակերպումը): Նման փոխակերպումների արտեֆակտները բաշխվում են ամբողջ էկրանով, և դժվար է բացահայտել դրանց օրինաչափությունը: Դրա հիման վրա ջրի մակարդակի նշագիծը կտեղակայվի պատկերի ողջ տարածքում՝ «պատահական» արտեֆակտների տեսքով: Նման ջրանիշի ճանաչումը հանգում է պատկերի ուղղակի փոխակերպմանը` օգտագործելով փոխակերպման գործառույթները: Փոխակերպման արդյունքը ներկայացված է նկարում (նկ. 3):

Բայց մի շարք խնդիրներ են առաջանում, որոնք խոչընդոտում են ջրանիշի ճանաչումը ոչ իդեալական պայմաններում: Կախված փոխակերպման տեսակից՝ կարող են լինել տարբեր դժվարություններ, օրինակ՝ էկրանի համեմատ մեծ անկյան տակ լուսանկարելու միջոցով ձեռք բերված փաստաթղթի ճանաչման անհնարինությունը, կամ պարզապես բավականին վատ որակի լուսանկարը կամ պահպանված էկրանի նկարահանումը։ մեծ կորստի սեղմումով ֆայլ: Այս բոլոր խնդիրները հանգեցնում են ջրանիշի նույնականացման բարդացմանը, անկյունային պատկերի դեպքում անհրաժեշտ է կիրառել կամ ավելի բարդ փոխակերպումներ, կամ կիրառել աֆինական փոխակերպումներ պատկերի վրա, սակայն ոչ մեկը, ոչ մյուսը չեն երաշխավորում ջրանիշի ամբողջական վերականգնումը: Եթե ​​դիտարկենք էկրանի նկարահանման դեպքը, ապա առաջանում է երկու խնդիր՝ առաջինը բուն էկրանին ցուցադրելիս աղավաղումն է, երկրորդը՝ պատկերը հենց էկրանից պահպանելիս աղավաղումը։ Առաջինը բավականին դժվար է վերահսկել այն պատճառով, որ կան տարբեր որակի մոնիտորների մատրիցներ, և այս կամ այն ​​գույնի բացակայության պատճառով նրանք գույնը ներդնում են կախված իրենց գունային ներկայացումից՝ դրանով իսկ աղավաղումներ մտցնելով ջրանիշի մեջ: Երկրորդը նույնիսկ ավելի դժվար է, քանի որ դուք կարող եք պահպանել սքրինշոթը ցանկացած ձևաչափով և, համապատասխանաբար, կորցնել գունային տիրույթի մի մասը, հետևաբար, մենք պարզապես կարող ենք կորցնել ջրանիշը:

Իրականացման խնդիրներ

Ժամանակակից աշխարհում ջրի նիշերի ներդրման համար բավականին շատ ալգորիթմներ կան, բայց ոչ մեկը չի երաշխավորում դրա ներդրումից հետո ջրանիշի հետագա ճանաչման 100% հնարավորությունը: Հիմնական դժվարությունը վերարտադրման պայմանների փաթեթի որոշումն է, որը կարող է առաջանալ յուրաքանչյուր կոնկրետ դեպքում: Ինչպես նշվեց ավելի վաղ, դժվար է ստեղծել ճանաչման ալգորիթմ, որը հաշվի կառնի աղավաղման բոլոր հնարավոր հատկանիշները և ջրանիշը վնասելու փորձերը: Օրինակ, եթե գաուսյան ֆիլտրը կիրառվի ընթացիկ պատկերի վրա, իսկ սկզբնական պատկերի արտեֆակտները բավականին փոքր և հակապատկեր էին պատկերի ֆոնի վրա, ապա կամ անհնար է դառնում դրանք ճանաչել, կամ ջրանիշի մի մասը կկորչի: . Դիտարկենք լուսանկարի դեպքը, մեծ հավանականությամբ այն կունենա մուար (նկ. 5) և «ցանց» (նկ. 4): Moire-ն առաջանում է էկրանի մատրիցայի և ձայնագրող սարքավորման մատրիցայի դիսկրետության պատճառով, այս իրավիճակում երկու ցանցային պատկերներ դրվում են միմյանց վրա: Ցանցը, ամենայն հավանականությամբ, մասամբ կծածկի ջրանիշի արտեֆակտները և կառաջացնի ճանաչման խնդիր, մուարն իր հերթին ջրանիշի ներդրման որոշ մեթոդներում անհնար է դարձնում այն ​​ճանաչելը, քանի որ այն համընկնում է պատկերի մի մասի ջրանիշի հետ:

Բրինձ. 4 Պատկերային ցանց

Բրինձ. 5 Մոիր

Ջրանիշերի ճանաչման շեմը բարձրացնելու համար անհրաժեշտ է օգտագործել ալգորիթմներ, որոնք հիմնված են ինքնաուսուցման նեյրոնային ցանցերի վրա և գործողության ընթացքում, որոնք իրենք կսովորեն ճանաչել ջրանիշի պատկերները: Այժմ կան հսկայական թվով նեյրոնային ցանցային գործիքներ և ծառայություններ, օրինակ՝ Google-ից։ Ցանկության դեպքում դուք կարող եք գտնել մի շարք հղումային պատկերներ և սովորեցնել նեյրոնային ցանցին ճանաչել անհրաժեշտ արտեֆակտները: Այս մոտեցումը ամենախոստումնալից շանսերն ունի նույնիսկ խիստ աղավաղված ջրանիշերը հայտնաբերելու համար, սակայն արագ նույնականացման համար այն պահանջում է մեծ հաշվողական հզորություն և բավականին երկար ուսուցման ժամանակ ճիշտ նույնականացման համար:

Նկարագրված ամեն ինչ բավականին պարզ է թվում, բայց որքան խորանաս այս խնդիրների մեջ, այնքան ավելի ես հասկանում, որ ջրի մակարդակի նշագիծը ճանաչելու համար անհրաժեշտ է շատ ժամանակ ծախսել ալգորիթմներից որևէ մեկի իրականացման վրա, և նույնիսկ ավելի շատ ժամանակ՝ այն հասցնելու պահանջվող հավանականությանը: յուրաքանչյուր պատկերի ճանաչում:

Source: www.habr.com