CC BY
19используются самые разные по масштабам ресурсы от веб-страничек с учебными материалами до объемных проектов для дистанционного обучения.
Кроме этого, Интернет можно рассматривать в качестве новой площадки для размещения учебных материалов и самостоятельной работы учашдхся, а также в качестве нового инструмента взаимодействия преподавателей и студентов.
Основными видами сайтов являются онлайновые грамматики, интерактивные модули (мини-курсы, тесты, онлайновые игры), учебники (в том числе интернет-версии печатных изданий), специализированные веб-каталоги и библиотеки учебных материалов. С помощью Интернета преподаватель может актуализировать учебный материал, найти дополнительную информацию, разместить учебную информацию, а также применить различные формы контроля и самоконтроля. Кроме того, Интернет позволяет преподавателю организовать обратную связь со студентами и осуществлять контакты между разными членами группы.
Наличие в учебных аудиториях компьютеров и мультимедийной техники, подключенность их к Интернету способствует расширению и углублению использования интернет-ресурсов в учебной работе.
Таким образом, использование информационных технологий и интернет-ресурсов сегодня является основополагающим моментом в преподавании социально -гуманитарных дисциплин, поскольку они повышают качество обучения, а также сокращают время изучения данных дисциплин.
Список литературы
1. Гармонично развитое поколение — основа прогресса Узбекистана. Т., 1997.
2. Национальная программа по подготовке кадров. Спец. курс. Т., 1997.
3. Подласый И.П. Педагогика. Курс лекций. Кн. 1. М., 1999.
4. Фаберман Б.Л., Мусина Р.Г., Джумабаева Ф.А. Современные методы преподавания в вузах. Т., 2001. 193 с.
5. Селевко Г.К. Современные образовательные технологии: Учебное пособие. М.: Народное образование, 1998. 256 с.
6. Захарова И.Г. Информационные технологии в образовании. / И. Г. Захарова. М.: Академия, 2003. 192 с.
ПРИМЕНЕНИЕ НЕКОТОРЫХ ПРЕОБРАЗОВАНИЙ ПРИ ВНЕДРЕНИИ ЦИФРОВЫХ ВОДЯНЫХ ЗНАКОВ В ИЗОБРАЖЕНИЯ Зубрилин Д.Ю.
Зубрилин Дмитрий Юрьевич — магистрант, кафедра корпоративных информационных систем, факультет информационных технологий, Московский технологический университет, г. Москва
Аннотация: проводится анализ риджлет- и контурлет-преобразования. Исследуется возможность их использования для повышения эффективности внедрения цифровых водяных знаков (ЦВЗ).
Ключевые слова: цифровые водяные знаки, риджлет-преобразование, контурлет-преобразование.
УДК 004.932.2
Цифровой водяной знак (ЦВЗ) - это специальная метка, встраиваемая в цифровой контент с целью аутентификации и защиты авторских прав. Цифровые водяные знаки, применительно к изображениям, как правило, невидимы, то есть оригинальное изображение и изображение, содержащее ЦВЗ, визуально неотличимы зрительной системой человека (ЗСЧ).
Обычно ЦВЗ при внедрении в графические контейнеры распределяют по всему изображению. Это способствует большей устойчивости ЦВЗ к некоторым геометрическим атакам, например, усечению. Против других атак типа аффинных преобразований (масштабирование, изменение пропорций, поворот на некоторый угол) такой подход в базовой форме применять практически бесполезно. Атаки такого рода не уничтожают сам ЦВЗ, однако, приводят изображение к такому виду, что детектор просто не может извлечь водяной знак.
Атаки, удаляющие ЦВЗ (фильтрация, перемодуляция, сжатие с потерями и пр.), действуют против встроенного сообщения, то есть, направлены на уничтожение или порчу ЦВЗ путем манипулирования маркированным изображением [ 1]. При этом методы внедрения ЦВЗ, устойчивые к незначительной фильтрации, разработать сравнительно не так сложно. Более существенная фильтрация, удаляющая ЦВЗ, вызывает визуальные искажения, заметные для ЗСЧ.
При внедрении ЦВЗ также можно использовать различные методы скрытой передачи данных. В этом случае актуальной становится задача усложнения установления расположения битов ЦВЗ или, вообще, наличия в изображении ЦВЗ, как такового. При решении подобной задачи целесообразно внедрять ЦВЗ не в данные самого изображения (в его оригинальном виде), а в спектр того или иного преобразования. Тогда фильтрация самого изображения, необходимая для удаления ЦВЗ, внесет существенные визуальные искажения и, следовательно, смысл использования такого изображения для злоумышленника будет потерян. Наиболее популярными видами представления изображений являются растр (представление пикселями в том или ином цветом пространстве) или частотная область (спектр дискретного косинусного преобразования (ДКП) для файлов формата JPEG, вейвлет-преобразования для файлов формата JPEG2000).
В последнее время все более популярными при анализе изображений становятся различные интегральные преобразования, в частности, риджлет- и контурлет-преобразование.
Основное отличие риджлет-функций от вейвлет-функций заключаются в том, что риджлеты являются двумерными неразделимыми функциями и определяются не только параметрами масштаба и сдвига, но и параметром их ориентации в пространстве. Впервые термин риджлет был введен Э. Кандэ [2]. Для интегрируемой функции f(x,y) прямое непрерывное риджлет-преобразование можно записать в виде интеграла [3, 4]:
Rf (a,b,e) = Jr2 уаАе(х, y)f (x, y)dxdy, (1) где риджлет Va ь e (X, У) в двумерном виде вычисляется из одномерной функции:
¥a,b,e(. X У) = — V
1 va
x cose+y sine- ь
V а у
(2)
f (X) = J J JRf (a,b,e)WaAe(x)^Ь^.
Формула обратного риджлет-преобразования имеет вид:
2л да да
пп /7 /-/
(3)
0 -да 0 ^ 4л
Аналогично преобразованию Фурье или вейвлет-преобразованию произвольную интегрируемую функцию можно представить в виде непрерывной суперпозиции риджлетов.
Возможны два подхода к анализу изображения при помощи риджлет-преобразования:
1. Анализ на одном масштабе, при котором изображение разбивается на блоки одинакового размера с последующим риджлет-анализом каждого блока.
2. Кратномасштабный анализ, в данном случае изображение многократно разбивается на блоки (аналогично первому варианту) с уменьшением размера блока вдвое на каждом этапе разбиения и с последующим риджлет-анализом.
Необходимо отметить, что риджлет-преобразование оптимально подходит для решения задачи фильтрации прямых линий в изображениях, так как в его основе лежит преобразование Радона. Но в то же время риджлет-преобразование является избыточным, так как выполняется полный анализ изображения на всех масштабах, независимо от масштаба деталей, содержащихся в изображении.
Внедрение ЦВЗ в коэффициенты риджлет-преобразования позволит противодействовать атаке на ЦВЗ, в частности, путем вышеупомянутой фильтрацией.
Атака в виде зашумления изображения, безусловно, позволит частично (или полностью) уничтожить ЦВЗ, однако, само изображение будет значительно отличаться от исходного. В этом случае злоумышленник может попытаться восстановить внешний вид исходного изображения (из которого извлечь ЦВЗ будет проблематично). Так для одномерных кусочно-гладких сигналов, таких как строки растрового изображения, вейвлеты признаны эффективным инструментом, обладающим некоторыми свойствами, обеспечивающими оптимальное представление этих сигналов. Изображения представляют собой не просто набор одномерных строк, а являются двумерными сигналами, со свойственной им геометрической структурой, являющейся главной
20
особенностью визуальной информации. Для выделения особенностей на изображениях, такие как края, неоднородности, скачкообразные изменения яркости применяется двумерное вейвлет-преобразование. Такие особенности располагаются в основном вдоль гладких кривых (контуров), вследствие гладких поверхностей раздела отображаемых объектов. Двумерное вейвлет-преобразование способно выделить точки разрыва, но не способно выделить гладкости вдоль контура. Таким образом, необходимость применения преобразования, выделяющего особенность изображения вдоль гладких контуров, очевидна.
Одним из эффективных преобразований в указанном контексте является риджлет-преобразование, которое первоначально было разработано в непрерывной области. Однако данное преобразование соответствует двумерному разделению частоты в полярной системе координат, что делает его простым в непрерывной области, но вызывает затруднения для применения к дискретным прямоугольным изображениям, в частности, для осуществления критической выборки. Причина в том, что прямоугольная система координат предполагает некоторую изначальную геометрию дискретного изображения, например, уклон по отношению к горизонтальным или вертикальным направлениям. Этот факт мотивирует развитие направленного мультиразрешающего преобразования непосредственно в дискретной области. Таким преобразованием является контурлет-преобразование [5]. Данная особенность позволяет применять его в широком диапазоне задач обработки изображений.
Контурлет-преобразование - это двумерное расширение вейвлет-преобразования, предложенное в [6,7] на основе банков кратномасштабных и направленных фильтров. Суть контурлет-преобразования заключается в более эффективном, чем в случае вейвлет-преобразования, поиске и последующем представлении однотонных контуров и однонаправленных деталей изображения. Коэффициенты контурлет-преобразования масштаба ], направления к и уровня п вычисляются следующим образом:
3
Л (о=ХХ ^ (ш)^(о, (4)
1=0 тег2
где ¿¡(т) - направленный коэффициент, I - номер пикселя и
< С) = X ^ (т)Ф]п+т (О, (5)
гу2
тег
где ф(Г) - функция масштабирования,/т) - функция пространственной области.
Авторы [8] для выявления скрытых данных предложили использовать начальные моменты и ошибки линейного предсказания значений коэффициентов контурлет-преобразования. Следует заметить, что данный метод малоэффективен при сокрытии в среднечастотные диапазоны. Этот недостаток используется в методе сокрытия данных, представленном в [9].
В спектре контурлет-преобразования пикселям контуров растрового изображения соответствуют коэффициенты с большими значениями. В методе СоШИ1в% [9] сокрытие производится именно в эти коэффициенты, так как зрительная система человека менее чувствительна к изменениям в граничных и пестрых областях изображения. При этом коэффициенты поддиапазонов контурлет-преобразования делятся на блоки размера 4х4. Бит сообщения скрывается путем модификации двух коэффициентов блока (рис. 1). По утверждению авторов [9] средняя емкость сокрытия равна 0,05 бит/пиксель.
it 11 \ . , MS : Ч ЙЛ'
Рис. 1. Метод сокрытия ContSteg: a) исходное изображение; b) 16 поддиапазонов первого уровня контурлета; c) выбор коэффициентов контурлета для сокрытия
В [10] предлагается метод обнаружения скрытых данных на основе контурлет-преобразования. При этом анализируется поведение значений четырех начальных моментов высоко- и низкочастотных коэффициентов контурлет-преобразования и меры структурного подобия (SSIM - structural similarity measure) среднечастотных коэффициентов контурлет-преобразования.
Для вычисления SSIM среднечастотный диапазон делится на две равномощные группы поддиапазонов коэффициентов. Сама мера включает следующие три составляющие: сравнение яркости (lc), сравнение контраста (сс) и структурное сравнение (sc):
lc (х, y) = MM
cc(х, y) =
sc( x, y)
Mx +My
2a„a„
2 2
a.
xy
(6)
(7)
(8)
Для всего изображения мера подобия вычисляется как среднее арифметическое по числу среднечастотных поддиапазонов п:
п
£ 55Му ББШ = ^-.
—. (9) n
Таким образом, можно отметить целесообразность применения интегральных преобразований для повышения эффективности внедрения ЦВЗ.
Список литературы
1. Грибунин В.Г., Оков И.Н., Турищев И.В. Цифровая стеганография, СОЛОН-Пресс. Москва, 2002. 261 с.
2. Candes E.J. Ridgelets: Theory and applications. PhD thesis, Department of Statistics, Stanford University. 1998.
3. Starck J.L., Emmanuel J., Candes E., Donoho D. The curvelet transform for image denoising // IEEE Trans. Image Proc., 2002. V. 11. № 6. P. 670-684.
22
4. Starck J.L., Murtagh F., Candes E., Donoho D. Gray and color image contrast enhancement by the curvelet transform // IEEE Trans. Image Proc., 2003. V. 12. № 6. P. 706-717.
5. Сергеев Е.В. Применение контурлет-преобразования в задаче восстановления цифровых изображений. [Электронный ресурс]. Режим доступа: http://www.sci.vlsu.ru/main/zaschita/Ser geevl/Sergeevl.pdf/ (дата обращения: 03.05.2018).
6. Do M. N., Vetterli M. Contourlets: A directional multiresolution image representation // Proc. of IEEE Int. Conf. on Image Process., Piscataway. NJ. P. 357-360, 2002.
7. Do M. N., Vertterli M. The Contourlet Transform: An Efficient Directional Multiresolution Image Representation // IEEE Transaction on Image Processing. Vol. 14 no.12. P. 2091-2106, 2006.
8. Sajedi H., Jamzad M. A Steganalysis method based on contourlet transform coefficients // International Conference of Intelligent Information Hiding and Multimedia Signal Processing, 2008.
9. Sajedi H., Jamzad M. ContSteg: Contourlet-Based Steganography Method // Wireless Sensor Network, Scientific Research Publishing (SRP) in California (US). 1 (3). 163-170, 2009.
10. Natarajan V., Anitha R. Blind image steganalysis based on contourlet transform // Int. Journal on Cryptography and Information Security (IJCIS). vol. 2, No. 3. P. 77-87, 2012.
АНАЛИЗ РЕЗУЛЬТАТОВ ВНЕДРЕНИЯ ТЕХНОЛОГИЙ ОБРАБОТОК ПРИЗАБОЙНЫХ ЗОН ДОБЫВАЮЩИХ СКВАЖИН НА ПОВХОВСКОМ МЕСТОРОЖДЕНИИ Гаджиев М.Д.
Гаджиев Магомедрашид Джалалидинович — магистрант, направление: нефтегазовое дело, кафедра разработки и эксплуатации нефтегазовых месторождений, Тюменский индустриальный университет, г. Тюмень
Аннотация: за 2011 год на месторождениях ТПП «Когалымнефтегаз» проведено 339 ОПЗ, в том числе из бездействующего фонда - 31, которые включают в себя работы с использованием кислотных составов, позволяющих очистить призабойную зону добывающих скважин и осуществить комплексное физико-химическое воздействие на призабойную зону с целью интенсификации притока жидкости. Некоторые кислотные композиции включают в себя гидрофобизирующие добавки. Как правило, работы проводятся с последующим извлечением продуктов реакции.
В статье анализируется результаты внедрения технологий обработок призабойных зон добывающих скважин на Повховском месторождении.
Ключевые слова: добывающие скважины, обработка призабойной зоны пласта, удельный эффект, Повховское месторождение.
За 2011 год на Повховском месторождении проведено 122 обработки призабойной зоны пласта с целью интенсификации добычи нефти. Дополнительно получено 44093 т нефти при текущей средней удельной эффективности 380 т на 1 скважино-операцию, эффект части скважин продолжается. В таблице (таблица 1) и на рисунке (рисунок 1) приведено распределение обработок по видам ОПЗ, а также их эффективность и удельный эффект.
Технологией Алдинол было обработано 55 скважин, дополнительная добыча нефти от выполнения данного мероприятия составила 30.6 тыс. т. Среднесуточный прирост дебита
