På grund av den ständiga ökningen av utvecklingsnivån för informationsteknologi blir elektroniska dokument varje år mer bekväma och efterfrågade i användning och börjar dominera över traditionella pappersmedier. Därför är det mycket viktigt att i tid ägna uppmärksamhet åt att skydda innehållet i information, inte bara på traditionella pappersmedier, utan också på elektroniska dokument. Varje stort företag som har kommersiella, statliga och andra hemligheter vill förhindra eventuella informationsläckor och komprometterande av sekretessbelagd information, och om en läcka upptäcks vidta åtgärder för att stoppa läckorna och identifiera överträdaren.
Lite om skyddsmöjligheter
För att utföra dessa uppgifter införs vissa skyddselement. Sådana element kan vara streckkoder, synliga taggar, elektroniska taggar, men de mest intressanta är dolda taggar. En av de mest slående representanterna är vattenstämplar, de kan appliceras på papper eller läggas till innan utskrift på en skrivare. Det är ingen hemlighet att skrivare sätter sina egna vattenstämplar (gula prickar och andra märken) när de skriver ut, men vi kommer att överväga andra artefakter som kan sättas på en datorskärm på en anställds arbetsplats. Sådana artefakter genereras av ett speciellt mjukvarupaket som ritar artefakter ovanpå användarens arbetsyta, vilket minimerar synligheten av artefakterna själva och utan att störa användarens arbete. Dessa teknologier har uråldriga rötter i termer av vetenskaplig utveckling och algoritmer som används för att presentera dold information, men är ganska sällsynta i den moderna världen. Detta tillvägagångssätt finns främst inom den militära sfären och på papper, för snabb identifiering av skrupelfria anställda. Dessa tekniker har precis börjat introduceras i den kommersiella miljön. Synliga vattenstämplar används nu aktivt för att skydda upphovsrätten till olika mediefiler, men osynliga sådana är ganska sällsynta. Men de väcker också störst intresse.
Säkerhetsartefakter
Osynliga för människor Vattenstämplar bildar olika artefakter som i princip kan vara osynliga för det mänskliga ögat och kan maskeras i bilden i form av mycket små prickar. Vi kommer att överväga synliga föremål, eftersom de som är osynliga för ögat kan vara utanför standardfärgrymden för de flesta bildskärmar. Dessa artefakter är av särskilt värde på grund av deras höga grad av osynlighet. Det är dock omöjligt att göra CEH helt osynliga. I processen för deras implementering introduceras en viss typ av förvrängning av behållarbilden i bilden, och någon sorts artefakter visas på den. Låt oss överväga två typer av objekt:
- Cyklisk
- Kaotisk (introducerad av bildkonvertering)
Cykliska element representerar en viss ändlig sekvens av upprepade element som upprepas mer än en gång på skärmbilden (fig. 1).
Kaotiska artefakter kan orsakas av olika typer av transformationer av den överlagrade bilden (fig. 2), till exempel införandet av ett hologram.
Ris. 1 Cykelartefakter
Ris. 2 kaotiska artefakter
Låt oss först titta på alternativ för att känna igen cykliska artefakter. Sådana artefakter kan vara:
- textvattenstämplar som upprepas över skärmen
- binära sekvenser
- en uppsättning kaotiska punkter i varje rutnätscell
Alla listade artefakter appliceras direkt ovanpå det visade innehållet; följaktligen kan de identifieras genom att identifiera lokala ytterpunkter i histogrammet för varje färgkanal och följaktligen skära ut alla andra färger. Denna metod innebär att man arbetar med kombinationer av lokala extremer för var och en av histogramkanalerna. Problemet vilar på sökandet efter lokala extrema i en ganska komplex bild med många skarpt övergående detaljer; histogrammet ser väldigt sågtand ut, vilket gör detta tillvägagångssätt otillämpligt. Du kan försöka använda olika filter, men de kommer att introducera sina egna förvrängningar, vilket i slutändan kan leda till oförmåga att upptäcka vattenstämpeln. Det finns också möjlighet att känna igen dessa artefakter med hjälp av vissa kantdetektorer (till exempel Canny kantdetektorn). Dessa tillvägagångssätt har sin plats för artefakter som är ganska skarpa i övergången; detektorer kan markera bildkonturer och därefter välja färgområden inom konturerna för att binarisera bilden för att ytterligare markera artefakterna själva, men dessa metoder kräver ganska finjustering för att markera erforderliga konturer, samt efterföljande binarisering av själva bilden i förhållande till färgerna i de valda konturerna. Dessa algoritmer anses vara ganska opålitliga och försöker använda mer stabila och oberoende av typen av färgkomponenter i bilden.
Ris. 3 Vattenstämpel efter konvertering
När det gäller de kaotiska artefakter som nämnts tidigare, kommer algoritmerna för att känna igen dem vara radikalt annorlunda. Eftersom bildandet av kaotiska artefakter antas genom att pålägga en viss vattenstämpel på bilden, som omvandlas av några av transformationerna (till exempel den diskreta Fourier-transformen). Artefakter från sådana transformationer är fördelade över hela skärmen och det är svårt att identifiera deras mönster. Baserat på detta kommer vattenstämpeln att placeras i hela bilden i form av "slumpmässiga" artefakter. Att känna igen ett sådant vattenstämpel handlar om direkt bildtransformation med hjälp av transformationsfunktioner. Resultatet av transformationen presenteras i figuren (fig. 3).
Men ett antal problem uppstår som förhindrar igenkänning av vattenstämplar under mindre än idealiska förhållanden. Beroende på typ av konvertering kan det finnas olika svårigheter, till exempel omöjligheten att känna igen ett dokument som erhållits genom att fotografera i en stor vinkel i förhållande till skärmen, eller helt enkelt ett foto av ganska dålig kvalitet, eller en skärmdump sparad i en fil med högförlustkomprimering. Alla dessa problem leder till komplikationen att identifiera en vattenstämpel; i fallet med en vinklad bild är det nödvändigt att tillämpa antingen mer komplexa transformationer eller tillämpa affina transformationer på bilden, men ingen av dem garanterar fullständig återställning av vattenstämpeln. Om vi betraktar fallet med skärmfångst, uppstår två problem: det första är förvrängning vid visning på själva skärmen, det andra är förvrängning när bilden sparas från själva skärmen. Den första är ganska svår att kontrollera på grund av det faktum att det finns matriser för bildskärmar av olika kvalitet, och på grund av frånvaron av en eller annan färg interpolerar de färgen beroende på deras färgrepresentation, och introducerar därigenom förvrängningar i själva vattenmärket. Det andra är ännu svårare, på grund av det faktum att du kan spara en skärmdump i vilket format som helst och följaktligen förlora en del av färgomfånget, därför kan vi helt enkelt förlora själva vattenstämpeln.
Implementeringsproblem
I den moderna världen finns det ganska många algoritmer för att introducera vattenstämplar, men ingen garanterar 100% möjlighet till ytterligare igenkänning av ett vattenmärke efter implementeringen. Den största svårigheten är att bestämma uppsättningen av reproduktionsförhållanden som kan uppstå i varje specifikt fall. Som nämnts tidigare är det svårt att skapa en igenkänningsalgoritm som tar hänsyn till alla möjliga funktioner för distorsion och försök att skada vattenstämpeln. Till exempel, om ett Gaussiskt filter tillämpas på den aktuella bilden och artefakterna i originalbilden var ganska små och kontrasterande mot bakgrunden av bilden, blir det antingen omöjligt att känna igen dem, eller så kommer en del av vattenstämpeln att gå förlorad . Låt oss överväga fallet med ett fotografi, med en hög grad av sannolikhet kommer det att ha moaré (fig. 5) och ett "rutnät" (fig. 4). Moire uppstår på grund av diskretheten hos skärmmatrisen och diskretheten hos matrisen hos inspelningsutrustningen; i denna situation läggs två mesh-bilder över varandra. Nätet kommer med största sannolikhet delvis att täcka vattenstämpelartefakterna och orsaka ett igenkänningsproblem; moiré, i sin tur, i vissa vattenstämpelinbäddningsmetoder gör det omöjligt att känna igen det, eftersom det överlappar en del av bilden med vattenstämpeln.
Ris. 4 Bildrutnät
Ris. 5 Moire
För att öka tröskeln för att känna igen vattenstämplar är det nödvändigt att använda algoritmer baserade på självlärande neurala nätverk och i driftprocess, som själva lär sig att känna igen vattenstämpelbilder. Nu finns det ett stort antal verktyg och tjänster för neurala nätverk, till exempel från Google. Om så önskas kan du hitta en uppsättning referensbilder och lära det neurala nätverket att känna igen de nödvändiga artefakterna. Detta tillvägagångssätt har de mest lovande chanserna för att identifiera även mycket förvrängda vattenstämplar, men för snabb identifiering kräver det stor datorkraft och ganska lång träningsperiod för korrekt identifiering.
Allt som beskrivs verkar ganska enkelt, men ju djupare du fördjupar dig i dessa frågor, desto mer förstår du att för att känna igen vattenstämplar måste du spendera mycket tid på att implementera någon av algoritmerna, och ännu mer tid på att få den till den nödvändiga sannolikheten att känner igen varje bild.
Källa: will.com