Similar images search for digital waterm ARK detection.pdf В исследуемом методе обнаружения цифровых водяных знаков (ЦВЗ) [1] классифи-кация характеристических векторов производится на основе модифицированной кон-трольной карты Хотеллинга (МККХ). Достоинством данного метода является необ-ходимость обучения только на выборке пустых контейнеров. При обнаружении ЦВЗв графических контейнерах для каждого тестируемого контейнера на обучающую вы-борку накладываются определённые требования. Изображения обучающей выборкидолжны максимально походить на тестируемое, то есть:- принадлежать к одному типу изображений (пейзаж, средний план, цветовое полеи т. п.);- иметь примерно одинаковую гистограмму цветов и одинаковый коэффициент ка-чества).Суть метода обнаружения ЦВЗ заключается в применении элементов метода кон-трольных карт, используемого для выявления производственных сбоев, адаптирован-ного под использование задач обнаружения ЦВЗ. При этом:- на основе обучающей выборки пустых контейнеров вычисляется контрольная гра-ница для классификации. Порог находится из распределения Фишера;- на основе признаков тестируемого контейнера и обучающей выборки пустых кон-тейнеров вычисляется значение модифицированной статистики Хотеллинга для по-следующей классификации;- значение статистики сравнивается с вычисленным порогом и выдается результат опринадлежности к классу пустых контейнеров или стегоконтейнеров.Результат обнаружения ЦВЗ на основе МККХ существенно зависит от содержи-мого обучающей выборки. Поэтому важным является использование эффективногоалгоритма подбора пустых изображений для обучающей выборки с указанными вышеограничениями и автоматизации поиска таких изображений, так как с увеличениемобъёма обучающей выборки возрастает вероятность обнаружения [2].В цифровой обработке изображений поставленная задача известна как задача се-мантической классификации [3]. Теория распознавания семантики изображения (в за-рубежной литературе используется аббревиатура CBIR - Content-based image retrieval,поиск изображений на основе содержимого) позволяет решать, к сожалению, несколь-ко другие задачи. В частности, в базе производится поиск изображений, содержащихконкретную фигуру либо шаблон с определёнными признаками.В нашем же случае такие подобные изображения будут неприемлемы. Эмпирическибыло установлено, что метод на основе МККХ показывает лучшие результаты, еслизначения соответствующих пикселей изображений обучающей выборки и тестируемогоконтейнера близки. При этом контекстное содержимое может отличаться.Однако следует заметить, что направления исследований в обоих случаях совпа-дают, это:- выделение признаков изображений;- многомерное индексирование;- проектирование систем поиска.Изначально подобные изображения подбирались субъективно, то есть на основеличного мнения эксперта, составляющего обучающую выборку. Однако такой подходимеет ряд недостатков, среди которых можно упомянуть существенные временные за-траты и возможные различия при составлении обучающей выборки разными экспер-тами. Следовательно, задача автоматизации поиска подобных изображений являетсяактуальной.Будем считать, что при поиске подобных изображений имеет место определённаяотносительность. То есть тестируемому изображению Iy более подобно изображение I1(Iy более похоже на I1, чем изображение I2), если M(Iy , I1) < M(Iy , I2), где M - неко-торая метрика. Изначально при автоматизации поиска подобных изображений в каче-стве M предлагалось использовать сумму среднеквадратических ошибок между каж-дым цветовым слоем пространства RGB изображения Iy и очередного изображенияиз общей базы, так как изменения цвета в этом пространстве отслеживаются лучше,чем в YUV (даже при анализе изображений формата JPEG). Однако такой подходявляется достаточно трудоёмким. Поэтому возникла задача вычисления некоторогохэш-образа от изображения для последующего сравнения значений метрики уже неот всего изображения, а от полученного хэш-образа. Поставленная задача была реше-на применением к изображению вейвлет-преобразования Хаара. При этом количествоуровней преобразования определяется следующим образом: последний уровень име-ет минимальный номер среди всех уровней, для которых хотя бы один из размеровматрицы коэффициентов аппроксимации не превышает 32.Таким образом, для тестируемого изображения вычисляется хэш-образ, после че-го вычисляются значения метрики для полученного хэш-образа и (уже имеющихся)хэш-образов базы изображений. Значения метрики упорядочиваются по неубыванию иотбирается необходимое количество изображений в обучающую выборку. Результатыстегоанализа на основе МККХ показывают целесообразность требований к изображе-ниям, составляющим обучающую выборку, и эффективность предлагаемого подходак автоматизации поиска таких изображений.

Скачать электронную версию публикации