การรับรู้สิ่งประดิษฐ์บนหน้าจอ

เนื่องจากระดับการพัฒนาเทคโนโลยีสารสนเทศเพิ่มขึ้นอย่างต่อเนื่อง เอกสารอิเล็กทรอนิกส์ทุกปีจึงมีความสะดวกและเป็นที่ต้องการในการใช้งานมากขึ้น และเริ่มมีอิทธิพลเหนือสื่อกระดาษแบบดั้งเดิม ดังนั้นจึงเป็นเรื่องสำคัญมากที่จะต้องใส่ใจอย่างทันท่วงทีในการปกป้องเนื้อหาของข้อมูลไม่เพียงแต่บนสื่อกระดาษแบบดั้งเดิมเท่านั้น แต่ยังรวมไปถึงเอกสารอิเล็กทรอนิกส์ด้วย บริษัทขนาดใหญ่ทุกแห่งที่มีความลับทางการค้า รัฐ และอื่นๆ ต้องการป้องกันการรั่วไหลของข้อมูลที่อาจเกิดขึ้นและประนีประนอมกับข้อมูลที่เป็นความลับ และหากตรวจพบการรั่วไหล ให้ใช้มาตรการเพื่อหยุดการรั่วไหลและระบุตัวผู้ฝ่าฝืน

เล็กน้อยเกี่ยวกับตัวเลือกการป้องกัน

เพื่อดำเนินงานเหล่านี้ ได้มีการนำองค์ประกอบป้องกันบางอย่างมาใช้ องค์ประกอบดังกล่าวอาจเป็นบาร์โค้ด แท็กที่มองเห็นได้ แท็กอิเล็กทรอนิกส์ แต่สิ่งที่น่าสนใจที่สุดคือแท็กที่ซ่อนอยู่ ลายน้ำที่โดดเด่นที่สุดอย่างหนึ่งคือสามารถนำไปใช้กับกระดาษหรือเพิ่มก่อนพิมพ์บนเครื่องพิมพ์ ไม่ใช่ความลับที่เครื่องพิมพ์ใส่ลายน้ำของตัวเอง (จุดสีเหลืองและเครื่องหมายอื่นๆ) เมื่อพิมพ์ แต่เราจะพิจารณาสิ่งประดิษฐ์อื่นๆ ที่สามารถวางบนหน้าจอคอมพิวเตอร์ในที่ทำงานของพนักงานได้ อาร์ติแฟกต์ดังกล่าวสร้างขึ้นโดยแพ็คเกจซอฟต์แวร์พิเศษที่ดึงอาร์ติแฟกต์มาไว้บนพื้นที่ทำงานของผู้ใช้ ช่วยลดการมองเห็นอาร์ติแฟกต์ได้เอง และไม่รบกวนการทำงานของผู้ใช้ เทคโนโลยีเหล่านี้มีรากฐานมาแต่โบราณในแง่ของการพัฒนาทางวิทยาศาสตร์และอัลกอริธึมที่ใช้ในการนำเสนอข้อมูลที่ซ่อนอยู่ แต่ค่อนข้างหายากในโลกสมัยใหม่ วิธีการนี้พบได้ทั่วไปในแวดวงทหารและบนกระดาษ เพื่อระบุตัวพนักงานที่ไร้ศีลธรรมโดยทันที เทคโนโลยีเหล่านี้เพิ่งเริ่มถูกนำมาใช้ในสภาพแวดล้อมเชิงพาณิชย์ ขณะนี้ลายน้ำที่มองเห็นได้ถูกนำมาใช้เพื่อปกป้องลิขสิทธิ์ของไฟล์สื่อต่างๆ แต่ลายน้ำที่มองไม่เห็นนั้นค่อนข้างหายาก แต่พวกเขาก็กระตุ้นความสนใจอย่างมากเช่นกัน

สิ่งประดิษฐ์ด้านความปลอดภัย

ลายน้ำที่มองไม่เห็นของมนุษย์ก่อตัวเป็นสิ่งประดิษฐ์ต่างๆ ซึ่งตามหลักการแล้ว มองไม่เห็นด้วยตามนุษย์ และสามารถปกปิดไว้ในภาพในรูปแบบของจุดเล็กๆ ได้ เราจะพิจารณาวัตถุที่มองเห็นได้ เนื่องจากวัตถุที่มองไม่เห็นด้วยตาอาจอยู่นอกขอบเขตสีมาตรฐานของจอภาพส่วนใหญ่ สิ่งประดิษฐ์เหล่านี้มีคุณค่าเป็นพิเศษเนื่องจากการล่องหนในระดับสูง อย่างไรก็ตาม เป็นไปไม่ได้ที่จะทำให้ CEH มองไม่เห็นโดยสิ้นเชิง ในกระบวนการนำไปใช้งานจะมีการบิดเบือนรูปภาพคอนเทนเนอร์บางประเภทในรูปภาพและมีสิ่งประดิษฐ์บางประเภทปรากฏขึ้น ลองพิจารณาวัตถุ 2 ประเภท:

1. วัฏจักร
2. วุ่นวาย (แนะนำโดยการแปลงรูปภาพ)

องค์ประกอบแบบวนซ้ำแสดงถึงลำดับอันจำกัดขององค์ประกอบที่ทำซ้ำซึ่งถูกทำซ้ำมากกว่าหนึ่งครั้งบนภาพบนหน้าจอ (รูปที่ 1)

สิ่งประดิษฐ์ที่วุ่นวายอาจเกิดจากการเปลี่ยนแปลงรูปแบบต่างๆ ของภาพที่ซ้อนทับ (รูปที่ 2) เช่น การนำโฮโลแกรมมาใช้

ข้าว. 1 สิ่งประดิษฐ์การปั่นจักรยาน

ข้าว. 2 สิ่งประดิษฐ์ที่วุ่นวาย

อันดับแรก มาดูตัวเลือกสำหรับการจดจำอาร์ติแฟกต์แบบวนรอบ สิ่งประดิษฐ์ดังกล่าวอาจเป็น:

• ลายน้ำข้อความซ้ำไปทั่วหน้าจอ
• ลำดับไบนารี
• ชุดของจุดที่วุ่นวายในแต่ละเซลล์ตาราง

สิ่งประดิษฐ์ที่ระบุไว้ทั้งหมดจะถูกนำไปใช้กับเนื้อหาที่แสดงโดยตรง ดังนั้น จึงสามารถจดจำได้โดยการระบุส่วนปลายสุดของฮิสโตแกรมของแต่ละช่องสี และด้วยเหตุนี้ จึงตัดสีอื่นๆ ทั้งหมดออก วิธีนี้เกี่ยวข้องกับการทำงานร่วมกับการผสมผสานสุดขั้วเฉพาะจุดของแต่ละช่องฮิสโตแกรม ปัญหาอยู่ที่การค้นหา extrema ในพื้นที่ในภาพที่ค่อนข้างซับซ้อนซึ่งมีรายละเอียดการเปลี่ยนแปลงที่คมชัดมากมาย ฮิสโตแกรมดูคล้ายฟันเลื่อยมากซึ่งทำให้วิธีนี้ใช้ไม่ได้ คุณสามารถลองใช้ฟิลเตอร์ต่างๆ ได้ แต่จะเกิดการบิดเบือนของตัวเอง ซึ่งท้ายที่สุดอาจทำให้ไม่สามารถตรวจจับลายน้ำได้ นอกจากนี้ยังมีตัวเลือกในการจดจำสิ่งประดิษฐ์เหล่านี้โดยใช้เครื่องตรวจจับขอบบางตัว (เช่น เครื่องตรวจจับขอบ Canny) วิธีการเหล่านี้มีที่สำหรับอาร์ติแฟกต์ที่ค่อนข้างคมชัดในการเปลี่ยนผ่าน อุปกรณ์ตรวจจับสามารถเน้นรูปร่างของภาพ แล้วเลือกช่วงสีภายในคอนทัวร์เพื่อไบนาไรซ์รูปภาพเพื่อเน้นอาร์ติแฟกต์ให้โดดเด่นยิ่งขึ้น แต่วิธีการเหล่านี้จำเป็นต้องมีการปรับจูนอย่างละเอียดพอสมควรเพื่อไฮไลต์ รูปทรงที่ต้องการรวมถึงการแบ่งภาพแบบไบนาไรซ์ตามมาโดยสัมพันธ์กับสีในรูปทรงที่เลือก อัลกอริธึมเหล่านี้ถือว่าไม่น่าเชื่อถือและพยายามใช้ความเสถียรมากขึ้นและเป็นอิสระจากประเภทขององค์ประกอบสีของภาพ

ข้าว. 3 ลายน้ำหลังการแปลง

สำหรับสิ่งประดิษฐ์วุ่นวายที่กล่าวถึงข้างต้น อัลกอริธึมในการจดจำสิ่งเหล่านั้นจะแตกต่างอย่างสิ้นเชิง เนื่องจากการก่อตัวของสิ่งประดิษฐ์ที่วุ่นวายนั้นสันนิษฐานโดยการกำหนดลายน้ำบนภาพ ซึ่งถูกแปลงโดยการแปลงบางส่วน (ตัวอย่างเช่น การแปลงฟูริเยร์แบบแยก) อาร์ติแฟกต์จากการแปลงดังกล่าวจะกระจายไปทั่วหน้าจอ และเป็นการยากที่จะระบุรูปแบบของสิ่งเหล่านั้น จากนี้ ลายน้ำจะอยู่ทั่วทั้งภาพในรูปแบบของสิ่งประดิษฐ์ "แบบสุ่ม" การรับรู้ลายน้ำดังกล่าวมาจากการแปลงรูปภาพโดยตรงโดยใช้ฟังก์ชันการแปลง ผลลัพธ์ของการเปลี่ยนแปลงจะแสดงในรูป (รูปที่ 3)

แต่มีปัญหาหลายประการเกิดขึ้นซึ่งทำให้ไม่สามารถจดจำลายน้ำได้ในสภาวะที่น้อยกว่าอุดมคติ อาจมีปัญหาหลายประการขึ้นอยู่กับประเภทของการแปลง ตัวอย่างเช่น ความเป็นไปไม่ได้ในการรับรู้เอกสารที่ได้รับจากการถ่ายภาพในมุมกว้างที่สัมพันธ์กับหน้าจอ หรือเพียงภาพถ่ายที่มีคุณภาพค่อนข้างต่ำ หรือการจับภาพหน้าจอที่บันทึกไว้ใน ไฟล์ที่มีการบีบอัดการสูญเสียสูง ปัญหาทั้งหมดนี้นำไปสู่ความซับซ้อนในการระบุลายน้ำ ในกรณีของภาพที่ทำมุม จำเป็นต้องใช้การแปลงที่ซับซ้อนมากขึ้นหรือใช้การแปลงแบบย่อกับภาพ แต่ไม่รับประกันว่าการคืนค่าลายน้ำจะเสร็จสมบูรณ์ หากเราพิจารณากรณีของการจับภาพหน้าจอ จะเกิดปัญหาสองประการ ปัญหาแรกคือการบิดเบือนเมื่อแสดงบนหน้าจอ ปัญหาที่สองคือการบิดเบือนเมื่อบันทึกภาพจากหน้าจอ อย่างแรกนั้นค่อนข้างควบคุมได้ยากเนื่องจากมีเมทริกซ์สำหรับจอภาพที่มีคุณภาพแตกต่างกันและเนื่องจากไม่มีสีใดสีหนึ่งพวกมันจึงสอดแทรกสีขึ้นอยู่กับการแสดงสีดังนั้นจึงทำให้เกิดการบิดเบือนของลายน้ำ อย่างที่สองนั้นยากยิ่งกว่าเดิมเนื่องจากคุณสามารถบันทึกภาพหน้าจอในรูปแบบใดก็ได้และทำให้สูญเสียช่วงสีบางส่วนไปดังนั้นเราจึงสามารถสูญเสียลายน้ำได้

ปัญหาการดำเนินงาน

ในโลกสมัยใหม่ มีอัลกอริธึมมากมายสำหรับการแนะนำลายน้ำ แต่ไม่มีวิธีใดรับประกันความเป็นไปได้ 100% ที่จะจดจำลายน้ำเพิ่มเติมได้หลังจากใช้งานแล้ว ปัญหาหลักคือการกำหนดเงื่อนไขการสืบพันธุ์ที่อาจเกิดขึ้นในแต่ละกรณี ตามที่กล่าวไว้ข้างต้น เป็นการยากที่จะสร้างอัลกอริธึมการจดจำที่จะคำนึงถึงคุณสมบัติที่เป็นไปได้ทั้งหมดของการบิดเบือนและความพยายามที่จะสร้างความเสียหายให้กับลายน้ำ ตัวอย่างเช่น หากใช้ตัวกรอง Gaussian กับรูปภาพปัจจุบัน และวัตถุในภาพต้นฉบับมีขนาดค่อนข้างเล็กและตัดกันกับพื้นหลังของภาพ จะไม่สามารถจดจำสิ่งเหล่านั้นได้ ไม่เช่นนั้นลายน้ำบางส่วนจะหายไป . ลองพิจารณากรณีของภาพถ่าย โดยมีความน่าจะเป็นสูงที่จะมีลายมัวเร (รูปที่ 5) และ "กริด" (รูปที่ 4) Moire เกิดขึ้นเนื่องจากความไม่ต่อเนื่องกันของเมทริกซ์หน้าจอและความต่างกันของเมทริกซ์ของอุปกรณ์บันทึก ในกรณีนี้ ภาพแบบเมชสองภาพจะซ้อนทับกัน ตาข่ายมักจะบดบังสิ่งประดิษฐ์ลายน้ำบางส่วนและทำให้เกิดปัญหาการจดจำ ในทางกลับกัน moire ในวิธีการฝังลายน้ำบางวิธีทำให้ไม่สามารถจดจำได้เนื่องจากมันซ้อนทับส่วนหนึ่งของภาพด้วยลายน้ำ

ข้าว. 4 ตารางรูปภาพ

ข้าว. 5 มัวร์

เพื่อเพิ่มเกณฑ์ในการจดจำลายน้ำ จำเป็นต้องใช้อัลกอริธึมตามโครงข่ายประสาทเทียมที่เรียนรู้ด้วยตนเองและในกระบวนการดำเนินการ ซึ่งจะเรียนรู้การจดจำภาพลายน้ำด้วยตนเอง ขณะนี้มีเครื่องมือและบริการโครงข่ายประสาทเทียมจำนวนมากจาก Google หากต้องการ คุณสามารถค้นหาชุดรูปภาพอ้างอิงและสอนโครงข่ายประสาทเทียมให้จดจำสิ่งประดิษฐ์ที่จำเป็นได้ วิธีนี้มีโอกาสที่เป็นไปได้มากที่สุดในการระบุลายน้ำที่บิดเบี้ยวอย่างมาก แต่เพื่อการระบุอย่างรวดเร็ว ต้องใช้พลังการประมวลผลจำนวนมาก และระยะเวลาการฝึกอบรมที่ค่อนข้างนานเพื่อการระบุที่ถูกต้อง

ทุกอย่างที่อธิบายไว้ดูเหมือนค่อนข้างง่าย แต่ยิ่งคุณเจาะลึกปัญหาเหล่านี้มากเท่าไร คุณก็จะยิ่งเข้าใจว่าในการจดจำลายน้ำนั้น คุณต้องใช้เวลามากในการใช้อัลกอริธึมใด ๆ และมีเวลามากขึ้นในการทำให้มีความน่าจะเป็นที่ต้องการ รับรู้แต่ละภาพ

ที่มา: will.com