Министерство образования Республики Беларусь
Учреждение образования «Гродненский государственный университет им. Янки Купалы»
Физико-технический факультет
Кафедра информационных систем и технологий
Специальность: I-38.02.01 Информационно-измерительная техника
Дипломный проект
Тема:
Защита авторства изображений с использованием цифровых водяных знаков
Гродно 2014
Оглавление
Введение
Роль цифровых данных значительно возросла в последние 10 лет в связи с увеличивающимся распространением цифровой техники. Возрастает количество и доступность цифровых фотоаппаратов, сканеров, настольных издательских систем, настольных баз данных. Постоянно увеличивается пропускная способность каналов сети Интернет.
Как показывает практика, одни и те же фотографии, статьи, аудио- и видеофайлы можно встретить на различных сайтах Всемирной сети, о которых авторы названных произведений может быть никогда и не слышали. И хорошо еще если при несанкционированном использовании материалов дается ссылка на автора, что, увы, бывает далеко не всегда. Такова, наверное, неизбежная плата за вхождение в нашу жизнь Интернета и сетевых технологий. Выход один - попытаться защитить выставляемые в Интернете материалы, в частности изображения.
Когда-то для защиты денежных купюр от подделки начали использовать водяные знаки, а сегодня все более широкое распространение получают программные продукты для защиты авторских прав, позволяющие добавлять водяные знаки к изображениям. Технологии аналогичной защиты также разработаны для аудио- и видеофайлов, черно-белых текстовых документов.
Печатный водяной знак представляет собой нечто видимое - как правило, это подпись автора и (или) его логотип. Такие водяные знаки показывают, что данное изображение принадлежит конкретному автору или компании. Однако опытный компьютерный график при желании сможет удалить печатный водяной знак или заменить его на другой.
Цифровой водяной знак применяется для того, чтобы обеспечить защиту авторских прав для интеллектуальных ресурсов в цифровом формате. При этом биты, представляющие водяной знак, разбросаны внутри графического файла, поэтому они не могут быть идентифицированы или изменены. Иными словами, в отличие от печатного знака, по своей природе неустойчивого к конвертации файла, вырезанию части изображения, изменению его размеров и прочим преобразованиям, цифровой водяной знак выдерживает такие изменения файла, как масштабирование, вращение, компрессия с потерями и др.
В силу того, что обработка любых изображений в среде общедоступных графических пакетов не представляет особого труда, изображения с печатными водяными знаками никогда не принимаются в качестве вещественного доказательства. Таким образом, печатный водяной знак не может считаться юридическим доказательством авторского права на изображение, например, в суде. Если изображения были помечены только печатными водяными знаками, то в случае подозрения в воровстве поиск оригинала в базах данных изображений для определения владельца авторского права - тяжелая и очень дорогостоящая задача.
В то же время исследование изображения с цифровым водяным знаком на наличие авторства - минутное дело. Для этого достаточно запустить специальную программу, и провести идентификацию на предмет наличия конкретного идентификационного номера. Программа практически мгновенно подтвердит авторство или сообщит о том, что изображение не было идентифицировано как принадлежащее конкретному автору.
1. Обзор методов поиска особых точек изображения
1.1 Сущность и понятие особых точек
Особые точки (в разных источниках - features/characteristic points/local feature points/interest point/локальные особенности) - “хорошо различимые” фрагменты изображения. Это точки (пиксели) с характерной (особой) окрестностью - т.е. отличающиеся своей окрестностью от всех соседних точек. Классический пример локальной особенности - вершина угла (а не какая-то произвольная точка на прямой или на однородном фоне). Описываются вектором признаков, вычисляемых на основе интенсивности/градиентов или других характеристик точек окрестности. Используя особые точки, можно анализировать как изображения целиком, так и объекты на них. Хорошие характерные точки позволяют справиться с изменением масштаба, ракурса и перекрытиями сцены или объекта.
Локальные особенности - краеугольный камень во многих высокоуровневых алгоритмах компьютерного зрения: отслеживание (tracking) и распознавание (recognition) объектов, 3d-реконструкция и навигация (SLAM и loop-closure). Используя характерные точки, можно вычислить сдвиг (disparity) между двумя изображениями, произвести сегментацию на основе сдвига элементов сцены, рассчитать фундаментальную матрицу для калибровки стерео-пары или проиндексировать изображения для поиска.
Локальные особенности должны быть:
- повторяемыми - должны находиться в одном и том же месте сцены независимо от ракурса и освещения
- локальными - (как родинки у человека) - должны быть расположены в малой области и не страдать от перекрытий
- компактными - по сравнению с общим числом пикселей изображения их должно быть в разы меньше
- значимыми - уникальными - каждая особенность должна иметь свое собственное описание (чтобы сложно было перепутать их между собой) [1].
1.2 Методы поиска особых точек
Основными методами поиска особых точек являются:
1) детектор Моравеца;
2) детектор MSER's;
3) детектор FAST;
4) детектор Харриса и Стефана;
5) детектор на основе LoG (Laplacian of Gaussian) и DoG (Difference of Gaussian);
Детектор Моравеца
Одним из наиболее распространенных типов особых точек являются углы на изображении [2], т.к. в отличие от ребер углы на паре изображений можно однозначно сопоставить. Расположение углов можно определить, используя локальные детекторы. Входом локальных детекторов является черно-белое изображение. На выходе формируется матрица с элементами, значения которых определяют степень правдоподобности нахождения угла в соответствующих пикселях изображения. Далее выполняется отсечение пикселей со степенью правдоподобности, меньшей некоторого порога. Для оставшихся точек принимается, что они являются особыми.
Детектор Моравеца (Moravec) [3] является самым простым детектором углов. Автор данного детектора предлагает измерять изменение интенсивности пикселя (x,y) посредством смещения небольшого квадратного окна с центром в (x,y) на один пиксель в каждом из восьми принципиальных направлений (2 горизонтальных, 2 вертикальных и 4 диагональных). Размер окна обычно выбирается равным 3Ч3, 5Ч5 или 9Ч9 пикселей. Детектор работает в несколько шагов:
Для каждого направления смещения
вычисляется изменение интенсивности:
(1)
где - интенсивность пикселя с координатами в исходном изображении.
Строится карта вероятности нахождения углов в каждом пикселе изображения посредством вычисления оценочной функции
(2)
По существу, определяется направление, которому соответствует наименьшее изменение интенсивности, т.к. угол должен иметь смежные ребра.
Отсекаются пиксели, в которых значения оценочной функции ниже некоторого порогового значения.
Удаляются повторяющиеся углы с помощью процедуры NMS (non-maximal suppression). Все полученные ненулевые элементы карты соответствуют углам на изображении.
Основными недостатками рассматриваемого детектора являются отсутствие инвариантности к преобразованию типа «поворот» и возникновение ошибок детектирования при наличии большого количества диагональных ребер. Очевидно, что детектор Моравеца обладает свойством анизотропии в 8 принципиальных направлениях смещения окна.
Детектор Харриса и Стефана
Детектор Харриса (Harris) [4] строится на основании детектора Моравеца и является его улучшением, т.к. для него характерна анизотропия по всем направлениям. Харрис и Стефан (Stephen) вводят в рассмотрение производные по некоторым принципиальным направлениям, раскладывают функцию интенсивности в ряд Тейлора:
(3)
Как следствие, изменение интенсивности в каждом пикселе можно рассматривать как функцию следующего вида:
(4)
(5)
В матрице Харриса (автокорреляционная матрица), как правило, выбирают взвешенную свертку производных c весовыми коэффициентами Гауссова окна (окно размером 33 пикселя с коэффициентами 0.04, 0.12, 0.04, 0.12, 0.36, 0.12, 0.04, 0.12, 0.04 - представление по строкам). Отметим, что матрица Харриса симметричная и положительно полуопределенная. Вычисляя собственные значения полученной матрицы, точки изображения можно классифицировать на ребра и углы:
- если оба собственных числа автокорреляционной матрицы достаточно большие, т.е. небольшой сдвиг окна приводит к значительным изменениям интенсивности, то пиксель классифицируется как угол;
- если одно собственное число значительно больше другого, то это означает, что окно было сдвинуто перпендикулярно выступу, поэтому пиксель принадлежит ребру;
- если собственные значения близки к нулю, тогда текущий пиксель не содержит ни углов, ни ребер.
Детектор Харриса по сравнению с ранее рассмотренным детектором требует большего количества вычислений за счет необходимости построения сверток с Гауссовым ядром. При этом он достаточно восприимчив к шумам. Подавить шумы позволяет увеличение размера Гауссова окна, но это приводит к значительным вычислительным расходам, поэтому необходимо находить компромисс между качеством работы алгоритма и количеством выполняемых операций. Детектор Харриса обладает свойством анизотропии вдоль горизонтального и вертикального направлений, т.к. автокорреляционная матрица содержит первые производные только вдоль указанных направлений. По сравнению со своим предшественником данный детектор инвариантен относительно поворота, количество ошибок детектирования углов не велико за счет введения свертки с Гауссовыми весовыми коэффициентами. Результаты детектирования значительно меняются при масштабировании изображения. Впоследствии возникают модификации детектора Харриса, которые учитывают вторые производные функции.
Детектор MSER's
При разработке детектора MSER (Maximally Stable Extremal Regions, Matas и др., 2002) решается проблема инвариантности особых точек при масштабировании изображения. Детектор [5] выделяет множество различных регионов с экстремальными свойствами функции интенсивности внутри региона и на его внешней границе.
Рассмотрим идею алгоритма для случая черно-белого изображения. Представим все возможные отсечения изображения. В результате получим набор бинарных изображений при разных значениях порога (пиксель, интенсивность которого меньше порога считаем черным, в противном случае, белым). Таким образом, строится пирамида, у которой на начальном уровне, соответствующем минимальному значению интенсивности, находится белое изображение, а на последнем уровне, отвечающем максимальному значению интенсивности, - черное. Если в некоторый момент происходит движение, то на белом изображении появляются черные пятна, соответствующие локальным минимумам интенсивности. С увеличением порога пятна начинают разрастаться и сливаться, в конечном итоге образуя единое черное изображение. Такая пирамида позволяет построить множество связных компонент, соответствующих белым областям, - регионов с максимальным значением интенсивности. Если инвертировать бинарные изображения в пирамиде, то получим набор регионов с минимальным значением интенсивности. Схема алгоритма состоит из нескольких этапов:
- Отсортируем множество всех пикселей изображения в порядке возрастания/убывания интенсивности. Отметим, что такая сортировка возможна за время, пропорциональное количеству пикселей.
- Построим пирамиду связных компонент. Для каждого пикселя отсортированного множества выполним последовательность действий:
- обновление списка точек, входящих в состав компоненты;
- обновление областей следующих компонент, в результате чего пиксели предыдущего уровня будут подмножеством пикселей следующего уровня.
- Выполним для всех компонент поиск локальных минимумов (находим пиксели, которые присутствуют в данной компоненте, но не входят в состав предыдущих). Набор локальных минимумов уровня соответствует экстремальному региону на изображении.
Детектор FAST
Описанные ранее детекторы определяют особых точек на изображении, в частности, углов, применяя некоторую модель или алгоритм напрямую к пикселям исходного изображения. Альтернативный подход состоит в том, чтобы использовать алгоритмы машинного обучения для тренировки классификатора точек на некотором множестве изображений. FAST-детектор (Features from Accelerated Test) [6] строит деревья решений для классификации пикселей.