זיהוי חפצים על המסך

בשל העלייה המתמדת ברמת הפיתוח של טכנולוגיית המידע, מדי שנה מסמכים אלקטרוניים הופכים נוחים יותר ומבוקשים יותר בשימוש ומתחילים לשלוט על אמצעי הנייר המסורתיים. לכן, חשוב מאוד להקדיש תשומת לב בזמן להגנה על תוכן המידע לא רק על אמצעי נייר מסורתיים, אלא גם על מסמכים אלקטרוניים. כל חברה גדולה שיש לה סודות מסחריים, מדינה ואחרים מבקשת למנוע דליפות מידע אפשריות ופגיעה במידע מסווג, ובמידה וזוהה דליפה, לנקוט באמצעים לעצירת ההדלפות וזיהוי המפר.

קצת על אפשרויות הגנה

כדי לבצע משימות אלה, אלמנטים מגן מסוימים מוצגים. אלמנטים כאלה יכולים להיות ברקודים, תגים גלויים, תגים אלקטרוניים, אבל המעניינים ביותר הם תגים נסתרים. אחד הנציגים הבולטים ביותר הם סימני מים; ניתן להחיל אותם על נייר או להוסיף אותם לפני הדפסה במדפסת. זה לא סוד שמדפסות שמים סימני מים משלהן (נקודות צהובות וסימנים אחרים) בעת ההדפסה, אבל נשקול חפצים אחרים שניתן לשים על מסך המחשב במקום העבודה של העובד. חפצים כאלה נוצרים על ידי חבילת תוכנה מיוחדת המצייר חפצים על גבי סביבת העבודה של המשתמש, תוך מזעור הנראות של החפצים עצמם ומבלי להפריע לעבודתו של המשתמש. לטכנולוגיות אלו שורשים עתיקים במונחים של התפתחויות מדעיות והאלגוריתמים המשמשים להצגת מידע נסתר, אך נדירות למדי בעולם המודרני. גישה זו מצויה בעיקר בתחום הצבאי ועל הנייר, לזיהוי מהיר של עובדים חסרי מצפון. טכנולוגיות אלו רק מתחילות להיות מוכנסות לסביבה המסחרית. סימני מים גלויים נמצאים כעת בשימוש פעיל כדי להגן על זכויות היוצרים של קבצי מדיה שונים, אך בלתי נראים הם נדירים למדי. אבל הם גם מעוררים את העניין הגדול ביותר.

חפצי אבטחה

בלתי נראים לבני אדם סימני מים יוצרים חפצים שונים שיכולים להיות, באופן עקרוני, בלתי נראים לעין האנושית, וניתן להסוות אותם בתמונה בצורה של נקודות קטנות מאוד. נשקול אובייקטים גלויים, שכן אלה שאינם נראים לעין עשויים להיות מחוץ למרחב הצבע הסטנדרטי של רוב המסכים. חפצים אלה הם בעלי ערך מיוחד בשל רמת אי הנראות הגבוהה שלהם. עם זאת, אי אפשר להפוך את CEHs לבלתי נראים לחלוטין. בתהליך היישום שלהם, סוג מסוים של עיוות של תמונת המיכל מוכנס לתמונה, ומופיעים עליה סוג של חפצים. הבה נבחן 2 סוגי חפצים:

1. מחזורית
2. כאוטי (הוצג על ידי המרת תמונה)

אלמנטים מחזוריים מייצגים רצף סופי מסוים של אלמנטים חוזרים שחוזרים על עצמם יותר מפעם אחת בתמונת המסך (איור 1).

חפצים כאוטיים יכולים להיגרם על ידי סוגים שונים של טרנספורמציות של התמונה המצופה (איור 2), למשל, הכנסת הולוגרמה.

אורז. 1 חפצי רכיבה על אופניים

אורז. 2 חפצים כאוטיים

ראשית, בואו נסתכל על אפשרויות לזיהוי חפצים מחזוריים. חפצים כאלה יכולים להיות:

• סימני מים חוזרים על פני המסך
• רצפים בינאריים
• קבוצה של נקודות כאוטיות בכל תא רשת

כל החפצים המפורטים מיושמים ישירות על גבי התוכן המוצג; בהתאם, ניתן לזהות אותם על ידי זיהוי נקודות קיצון מקומיות של ההיסטוגרמה של כל ערוץ צבע ובהתאם, חיתוך כל שאר הצבעים. שיטה זו כוללת עבודה עם שילובים של קצוות מקומיים של כל אחד מערוצי ההיסטוגרמה. הבעיה נעוצה בחיפוש אחר קיצוניות מקומית בתמונה מורכבת למדי עם פרטים רבים במעבר חד; ההיסטוגרמה נראית מאוד מסור, מה שהופך את הגישה הזו לבלתי ישימה. אתה יכול לנסות להחיל מסננים שונים, אבל הם יציגו עיוותים משלהם, מה שעלול להוביל בסופו של דבר לחוסר היכולת לזהות את סימן המים. ישנה גם אפשרות לזהות חפצים אלה באמצעות גלאי קצוות מסוימים (לדוגמה, גלאי הקצוות של Canny). לגישות אלה יש מקום לחפצים שהם די חדים במעבר; גלאים יכולים להדגיש קווי מתאר של התמונה ולאחר מכן לבחור טווחי צבע בתוך קווי המתאר כדי לשלב את התמונה על מנת להדגיש עוד יותר את החפצים עצמם, אך שיטות אלה דורשות כוונון עדין למדי כדי להדגיש את קווי מתאר נדרשים, כמו גם בינאריזציה של התמונה עצמה ביחס לצבעים בקווי המתאר שנבחרו. אלגוריתמים אלו נחשבים לא אמינים למדי ומנסים להשתמש יציבים יותר ובלתי תלויים בסוג מרכיבי הצבע של התמונה.

אורז. 3 סימן מים לאחר המרה

באשר לחפצים הכאוטיים שהוזכרו קודם לכן, האלגוריתמים לזיהוים יהיו שונים בתכלית. מכיוון שהיווצרותם של חפצים כאוטיים מונחת על ידי הטלת סימן מים מסוים על התמונה, אשר משתנה על ידי חלק מהטרנספורמציות (למשל, טרנספורמציה של פורייה בדידה). חפצים מתמורות כאלה מופצים על פני כל המסך וקשה לזהות את הדפוס שלהם. בהתבסס על זה, סימן המים ימוקם לאורך כל התמונה בצורה של חפצים "אקראיים". זיהוי של סימן מים כזה מסתכם בשינוי תמונה ישיר באמצעות פונקציות טרנספורמציה. התוצאה של הטרנספורמציה מוצגת באיור (איור 3).

אבל מתעוררות מספר בעיות שמונעות זיהוי סימן מים בתנאים פחות אידיאליים. בהתאם לסוג ההמרה, ייתכנו קשיים שונים, למשל, חוסר אפשרות לזהות מסמך המתקבל בצילום בזווית גדולה יחסית למסך, או פשוט תמונה באיכות ירודה למדי, או צילום מסך שנשמר ב קובץ עם דחיסה בהפסד גבוה. כל הבעיות הללו מובילות לסיבוך של זיהוי סימן מים; במקרה של תמונה בזווית, יש צורך להחיל טרנספורמציות מורכבות יותר או להחיל טרנספורמציות קשורות על התמונה, אך הן אינן מבטיחות שחזור מלא של סימן המים. אם ניקח בחשבון את המקרה של לכידת מסך, עולות שתי בעיות: הראשונה היא עיוות בעת הצגה על המסך עצמו, השנייה היא עיוות בעת שמירת התמונה מהמסך עצמו. הראשון די קשה לשליטה בשל העובדה שיש מטריצות למוניטורים באיכות שונה, ובשל היעדר צבע כזה או אחר, הם משלבים את הצבע בהתאם לייצוג הצבע שלהם, ובכך מכניסים עיוותים לסימן המים עצמו. השני קשה עוד יותר, בשל העובדה שאתה יכול לשמור צילום מסך בכל פורמט, ובהתאם, לאבד חלק מטווח הצבעים, לכן אנחנו יכולים פשוט לאבד את סימן המים עצמו.

בעיות יישום

בעולם המודרני, ישנם די הרבה אלגוריתמים להחדרת סימני מים, אך אף אחד לא מבטיח אפשרות של 100% לזיהוי נוסף של סימן מים לאחר יישומו. הקושי העיקרי הוא קביעת מכלול תנאי הרבייה שעלולים להיווצר בכל מקרה ספציפי. כפי שהוזכר קודם לכן, קשה ליצור אלגוריתם זיהוי שיקח בחשבון את כל התכונות האפשריות של עיוות וניסיונות לפגוע בסימן המים. לדוגמה, אם מסנן גאוס מוחל על התמונה הנוכחית, והחפצים בתמונה המקורית היו די קטנים ומנוגדים על רקע התמונה, אז זה הופך להיות בלתי אפשרי לזהות אותם, או שחלק מסימן המים יאבד . הבה נבחן את המקרה של צילום, עם סבירות גבוהה שתהיה לו מואר (איור 5) ו"רשת" (איור 4). מואר מתרחש בשל הדיסקרטיות של מטריצת המסך והדיסקרטיות של המטריצה ​​של ציוד ההקלטה; במצב זה, שתי תמונות רשת מוצבות זו על גבי זו. ככל הנראה, הרשת תכסה חלקית את חפצי סימן המים ותגרום לבעיית זיהוי; מואר, בתורו, בחלק משיטות הטבעת סימן מים לא מאפשר לזהות אותה, מכיוון שהיא חופפת חלק מהתמונה עם סימן המים.

אורז. 4 רשת תמונה

אורז. 5 מואר

על מנת להעלות את הסף לזיהוי סימני מים, יש צורך להשתמש באלגוריתמים המבוססים על רשתות עצביות למידה עצמית ובתהליך הפעולה, אשר ילמדו בעצמם לזהות תמונות סימני מים. כעת יש מספר עצום של כלים ושירותים לרשתות עצביות, למשל, מגוגל. אם תרצה, תוכל למצוא קבוצה של תמונות התייחסות וללמד את הרשת העצבית לזהות את החפצים הדרושים. לגישה זו יש את הסיכויים המבטיחים ביותר לזיהוי אפילו סימני מים מעוותים ביותר, אך לצורך זיהוי מהיר היא דורשת כוח מחשוב גדול ותקופת הכשרה ארוכה למדי לזיהוי נכון.

כל מה שתואר נראה די פשוט, אבל ככל שאתה צולל עמוק יותר לתוך הנושאים האלה, אתה מבין יותר שכדי לזהות סימני מים אתה צריך להשקיע זמן רב ביישום כל אחד מהאלגוריתמים, ועוד יותר זמן על הבאתו להסתברות הנדרשת של זיהוי כל תמונה.

מקור: www.habr.com