På grunn av den konstante økningen i utviklingsnivået av informasjonsteknologi, blir elektroniske dokumenter hvert år mer praktiske og etterspurte i bruk og begynner å dominere over tradisjonelle papirmedier. Derfor er det svært viktig å være oppmerksom på å beskytte innholdet i informasjon, ikke bare på tradisjonelle papirmedier, men også på elektroniske dokumenter. Ethvert stort selskap som har kommersielle, statlige og andre hemmeligheter ønsker å forhindre mulige informasjonslekkasjer og kompromittering av gradert informasjon, og hvis en lekkasje oppdages, iverksette tiltak for å stoppe lekkasjene og identifisere overtrederen.
Litt om beskyttelsesmuligheter
For å utføre disse oppgavene introduseres visse beskyttelseselementer. Slike elementer kan være strekkoder, synlige tagger, elektroniske tagger, men de mest interessante er skjulte tagger. En av de mest slående representantene er vannmerker; de kan påføres papir eller legges til før utskrift på en skriver. Det er ingen hemmelighet at skrivere setter sine egne vannmerker (gule prikker og andre merker) når de skriver ut, men vi vil vurdere andre gjenstander som kan settes på en dataskjerm på en ansatts arbeidsplass. Slike artefakter genereres av en spesiell programvarepakke som tegner artefakter på toppen av brukerens arbeidsområde, og minimerer synligheten til selve artefaktene og uten å forstyrre brukerens arbeid. Disse teknologiene har eldgamle røtter når det gjelder vitenskapelig utvikling og algoritmene som brukes til å presentere skjult informasjon, men er ganske sjeldne i den moderne verden. Denne tilnærmingen finnes hovedsakelig i den militære sfæren og på papiret, for rask identifisering av skruppelløse ansatte. Disse teknologiene begynner akkurat å bli introdusert i det kommersielle miljøet. Synlige vannmerker brukes nå aktivt for å beskytte opphavsretten til ulike mediefiler, men usynlige er ganske sjeldne. Men de vekker også størst interesse.
Sikkerhetsartefakter
Usynlig for mennesker Vannmerker danner ulike gjenstander som i prinsippet kan være usynlige for det menneskelige øyet, og som kan maskeres i bildet i form av svært små prikker. Vi vil vurdere synlige objekter, siden de som er usynlige for øyet kan være utenfor standardfargerommet på de fleste skjermer. Disse gjenstandene er av spesiell verdi på grunn av deres høye grad av usynlighet. Det er imidlertid umulig å gjøre CEH-er helt usynlige. I prosessen med implementeringen blir en viss form for forvrengning av beholderbildet introdusert i bildet, og en slags artefakter vises på det. La oss vurdere 2 typer objekter:
- Syklisk
- Kaotisk (introdusert av bildekonvertering)
Sykliske elementer representerer en viss begrenset sekvens av repeterende elementer som gjentas mer enn én gang på skjermbildet (fig. 1).
Kaotiske artefakter kan være forårsaket av ulike typer transformasjoner av det overlagte bildet (fig. 2), for eksempel innføring av et hologram.
Ris. 1 Sykkelartefakter
Ris. 2 kaotiske gjenstander
La oss først se på alternativer for å gjenkjenne sykliske artefakter. Slike artefakter kan være:
- tekstvannmerker som gjentas over skjermen
- binære sekvenser
- et sett med kaotiske punkter i hver rutenettcelle
Alle de oppførte artefaktene brukes direkte på toppen av det viste innholdet; følgelig kan de gjenkjennes ved å identifisere lokale ytterpunkter i histogrammet til hver fargekanal og følgelig kutte ut alle andre farger. Denne metoden innebærer å arbeide med kombinasjoner av lokale ytterpunkter for hver av histogramkanalene. Problemet hviler på søket etter lokale ekstremer i et ganske komplekst bilde med mange skarpt skiftende detaljer; histogrammet ser veldig sagtannet ut, noe som gjør denne tilnærmingen uanvendelig. Du kan prøve å bruke forskjellige filtre, men de vil introdusere sine egne forvrengninger, som til slutt kan føre til manglende evne til å oppdage vannmerket. Det er også mulighet for å gjenkjenne disse artefaktene ved å bruke visse kantdetektorer (for eksempel Canny kantdetektoren). Disse tilnærmingene har sin plass for artefakter som er ganske skarpe i overgangen; detektorer kan fremheve bildekonturer og deretter velge fargeområder innenfor konturene for å binarisere bildet for ytterligere å fremheve selve artefaktene, men disse metodene krever ganske finjustering for å fremheve nødvendige konturer, samt påfølgende binarisering av selve bildet i forhold til fargene i de valgte konturene. Disse algoritmene anses som ganske upålitelige og prøver å bruke mer stabile og uavhengige av typen fargekomponenter i bildet.
Ris. 3 Vannmerke etter konvertering
Når det gjelder de kaotiske artefaktene nevnt tidligere, vil algoritmene for å gjenkjenne dem være radikalt forskjellige. Siden dannelsen av kaotiske gjenstander antas ved å påføre et visst vannmerke på bildet, som transformeres av noen av transformasjonene (for eksempel den diskrete Fourier-transformasjonen). Artefakter fra slike transformasjoner er fordelt over hele skjermen, og det er vanskelig å identifisere mønsteret deres. Basert på dette vil vannmerket bli plassert i hele bildet i form av "tilfeldige" artefakter. Gjenkjennelse av et slikt vannmerke kommer ned til direkte bildetransformasjon ved bruk av transformasjonsfunksjoner. Resultatet av transformasjonen er presentert i figuren (fig. 3).
Men det oppstår en rekke problemer som forhindrer gjenkjenning av vannmerke under mindre enn ideelle forhold. Avhengig av typen konvertering kan det være ulike vanskeligheter, for eksempel umuligheten av å gjenkjenne et dokument oppnådd ved å fotografere i en stor vinkel i forhold til skjermen, eller ganske enkelt et bilde av ganske dårlig kvalitet, eller et skjermbilde lagret i en fil med komprimering med høyt tap. Alle disse problemene fører til komplikasjonen med å identifisere et vannmerke; i tilfelle av et vinklet bilde er det nødvendig å bruke enten mer komplekse transformasjoner eller bruke affine transformasjoner på bildet, men ingen av dem garanterer fullstendig gjenoppretting av vannmerket. Hvis vi vurderer tilfellet med skjermfangst, oppstår to problemer: det første er forvrengning ved visning på selve skjermen, det andre er forvrengning ved lagring av bildet fra selve skjermen. Den første er ganske vanskelig å kontrollere på grunn av det faktum at det er matriser for skjermer av forskjellig kvalitet, og på grunn av fraværet av en eller annen farge, interpolerer de fargen avhengig av deres fargerepresentasjon, og introduserer derved forvrengninger i selve vannmerket. Det andre er enda vanskeligere, på grunn av det faktum at du kan lagre et skjermbilde i alle formater og følgelig miste en del av fargeområdet, derfor kan vi ganske enkelt miste selve vannmerket.
Implementeringsproblemer
I den moderne verden er det ganske mange algoritmer for å introdusere vannmerker, men ingen garanterer 100% mulighet for ytterligere gjenkjennelse av et vannmerke etter implementeringen. Den største vanskeligheten er å bestemme settet med reproduksjonsforhold som kan oppstå i hvert enkelt tilfelle. Som nevnt tidligere, er det vanskelig å lage en gjenkjennelsesalgoritme som tar hensyn til alle mulige funksjoner for forvrengning og forsøk på å skade vannmerket. For eksempel, hvis et gaussisk filter brukes på det gjeldende bildet, og artefaktene i det originale bildet var ganske små og kontrasterende mot bakgrunnen til bildet, blir det enten umulig å gjenkjenne dem, eller en del av vannmerket vil gå tapt . La oss vurdere tilfellet med et fotografi, med en høy grad av sannsynlighet vil det ha moiré (fig. 5) og et "rutenett" (fig. 4). Moire oppstår på grunn av diskretiteten til skjermmatrisen og diskretheten til matrisen til opptaksutstyret; i denne situasjonen er to mesh-bilder lagt over hverandre. Nettverket vil mest sannsynlig delvis dekke vannmerkeartefaktene og forårsake et gjenkjenningsproblem; moiré, i sin tur, i noen vannmerkeinnbyggingsmetoder gjør det umulig å gjenkjenne det, siden det overlapper en del av bildet med vannmerket.
Ris. 4 Bildenett
Ris. 5 Moire
For å øke terskelen for å gjenkjenne vannmerker, er det nødvendig å bruke algoritmer basert på selvlærende nevrale nettverk og i operasjonsprosessen, som selv vil lære å gjenkjenne vannmerkebilder. Nå finnes det et stort antall verktøy og tjenester for nevrale nettverk, for eksempel fra Google. Om ønskelig kan du finne et sett med referansebilder og lære det nevrale nettverket å gjenkjenne de nødvendige artefaktene. Denne tilnærmingen har de mest lovende sjansene for å identifisere selv svært forvrengte vannmerker, men for rask identifikasjon krever det stor datakraft og ganske lang treningsperiode for korrekt identifikasjon.
Alt som er beskrevet virker ganske enkelt, men jo dypere du dykker ned i disse problemene, jo mer forstår du at for å gjenkjenne vannmerker må du bruke mye tid på å implementere noen av algoritmene, og enda mer tid på å bringe det til den nødvendige sannsynligheten for gjenkjenne hvert bilde.
Kilde: www.habr.com