En esta sección se dará una breve reseña de los trabajos que se han estado desarrollando con las marcas de agua, partiendo así desde el primero que se encontró en IEEE hasta el más reciente, obteniendo los documentos desde el año 1998 hasta 2013, siendo éste el más actual, hasta el momento de la implementación del trabajo.
En la referencia [7] se explica la comparación de una imagen marcada con respecto a una imagen original, se analizan las diversas técnicas para insertar una marca en imágenes a escala a grises y a color. En este hace referencia a algunos algoritmos para las marcas de agua así como las técnicas de compresión de imágenes, algunas que menciona son la Transformada discreta del coseno (DCT), la transformada de
Walsh‐Hadamard (WHT) y la transformada rápida de Fourier. La primera técnica
que se utiliza en este artículo es simple, ya que se descompone cada uno de los bits en suma de cosenos y básicamente la WHT es el uso de los valores +1 y ‐1, estos incluyen, la división de la marca de agua en bloques, posteriormente son restados con la media de cada bloque de pixeles de la imagen; después, se normalizan los valores de píxeles para que se mantenga una uniformidad de valores en un rango variable entre ‐127 y 127, se lleva a cabo la transformada discreta del coseno en el bloque de la imagen, y se calcula el módulo de los coeficientes seleccionados de la transformación, y finalmente, se invierte la transformación, está es sustituida en el bloque de la imagen marcada.
En la referencia [8] se ejemplifica un proyecto que tiene una base de datos multimedia (texto e imágenes) de 3000 imágenes, donde contiene las marcas de agua del sistema de recuperación, las clasifica por texto o morfológicos según su tamaño, calidad y el tipo del papel; antes de iniciar el proceso se define una tabla Hash, está contiene una densidad de línea y la ubicación de las regiones de las marcas de agua.
Las marcas de agua se colocan en una base de datos, cada imagen es dibujada a mano, a una escala definida y es acompañada de una descripción textual para su referencia, donde se le inserta su fecha de creación, el origen, el fabricante, etc. Existe aproximadamente en ésta base de datos 600 000 marcas de agua,
caracterizadas y clasificadas según su rareza y su fragilidad. Cada marca de agua se clasifica de acuerdo al tema que es proporcionada por una enciclopedia, por ejemplo águila, estrella, nube, etc. Por tal motivo, algunas de las marcas de agua llegan a ser compuestas por más de un patrón, es decir, por ejemplo: águila en la cruz, sólo se almacenará en una clase que es cruz.
Para el pre‐procesamiento de la imagen será necesario tener la imagen con la marca de agua para eliminar el ruido, así como la información necesaria para extraer el índice o línea marcada. Una vez hecho el pre‐procesamiento, no se utiliza la correlación sino una tabla de Hash, debido al mecanismo del proyecto así como para obtener mejor eficiencia en el tiempo. El procedimiento es introducir todas las marcas de agua indexadas a través de una tabla bidireccional, cuyo punto de acceso son las mismas marcas. En este trabajo se realiza una lista ordenada de las marcas de agua que incluyen un posible patrón de recuperación, estás imágenes tienen una dimensión de 42 por 48 pixeles y cuenta con una base de datos de 3000 marcas de agua.
En la referencia [9] se publican dos enfoques de marca de agua que son resistentes a las distorsiones geométricas, su primer enfoque se basa en la normalización de la imagen, que se obtiene a partir de la transformada geométrica, esto asegura la integridad de la marca de agua en el proceso normalizado, clasificando el uso con algunas marcas de agua públicas. En el segundo enfoque describieron un esquema donde se aplica una re‐sincronización con la marca de agua, la cual consiste en una malla deformable, en donde se utiliza para corregir las distorsiones causadas por los ataques. La marca de agua se extrae con la correlación de las imágenes. En ambos esquemas se necesita la imagen original para la detección de la marca de agua y se emplea una secuencia directa, utilizando una división de código de acceso múltiple, para incrustar la marca en el dominio de la transformada discreta del coseno en la imagen.
En la referencia [10] se modela el uso de la transformada Wavelet discreta para aplicaciones de marca de agua en imágenes digitales BMP, con el objetivo de garantizar algunos niveles de seguridad para los derechos de autor, esto depende de la robustez de la marca de agua. En este artículo utilizaron la transformada discreta del coseno (DCT) como una técnica de esteganografía, es decir, utilizar una
comunicación oculta y escrita digitalmente, haciéndose imperceptible a la visión humana, usando bloques de la imagen de 8x8 pixeles, en el proceso de inserción se aplica la DCT y un bloque bi (es un vector de bloque, que extrae un código de
manera pseudoaleatoria, usando el i‐esimo bit del mensaje a ocultar). Por otro lado, también se maneja la transformada wavelet discreta (DWT) Haar, la cual descompone la imagen en altas y bajas frecuencias, esto se realiza separando la imagen en cuatro matrices A1, H1, V1 y D1, teniendo en mente que en la matriz a1 se debe quedar sin cambios, ya que contiene el mayor espectro de frecuencias, mientras en el resto de las matrices se obtienen los detalles de la imagen, el mensaje se oculta en alguna de las tres matrices restantes utilizando los métodos de la esteganografía para ocultar imágenes. Los resultados que obtuvieron con el método de inserción utilizando DCT y DWT, fue un valor PSNR para DCT entre 60dB y 61 dB y un valor PSNR para DWT entre 66dB y 67dB. Una vez obteniendo dichos resultados, se les aplico algunos ataques, como el ruido multiplicativo, impulsivo y Gaussiano, teniendo un promedio para el ruido multiplicativo con un valor PSNR para DCT entre 57 dB a 67 dB y con una recuperación de la marca de agua no mayor del 71%, y un PSNR para DWT entre 59 dB a 67 dB con una recuperación de la marca de agua no mayor del 75%, En el ruido impulsivo con un valor de PSNR para DCT entre 55 dB a 62 dB y con una recuperación de la marca de agua no mayor del 64% y en valor PSNR para DWT entre 56 dB a 63 dB con una recuperación de la marca de agua no mayor del 59%, y en el ruido gaussiano con un valor PSNR para DCT entre 56 dB a 62 dB con un porcentaje de recuperación de la marca de agua del 64% y en PSNR para DWT entre 56 dB a 62 dB con un porcentaje en la recuperación de marca de agua del 67%.
En la referencia [11] se habla de una técnica de marca de agua robusta a distorsiones geométricas, donde se implementa el uso de una técnica de normalización de imágenes, para obtener unas características invariantes de la imagen ante una distorsión geométrica, usando la transformada discreta del coseno (DTC), después se secciona la imagen en bloques de 8x8 pixeles, en cada bloque se tiene un índice asignado por un código bidimensional pseudo‐aleatoria, con un tamaño igual a la imagen. Finalmente, se generan los procesos de inserción y detección de la marca de agua realizándolos en el dominio de la DTC, donde se usan para la clasificación de cada bloque de la imagen a fin de poder insertar una
marca de agua robusta, que no sea sensible a la contaminación con ruido Gaussiano e impulsivo.
En la referencia [12] se muestra un método para mejorar el rendimiento a la extracción de una marca de agua en imágenes a color, mediante una técnica de múltiples secciones en el canal azul. Es decir, los bits de marca de agua w (i, j) ∈ {1,
‐1} para ser incorporados primero se utiliza la operación XOR, con un flujo de bits pseudo‐aleatoria. La incrustación de marca de agua se lleva a cabo mediante la modificación de la imagen en sus pixeles en el canal del color azul B (i, j), línea a línea. En el caso del pre‐procesamiento para la señal de la marca de agua es el siguiente:
1) El proceso se inicia con el cambio de tamaño de la señal de marca de agua de 256x256 píxeles en un tamaño medio (128x128).
2) La señal redimensionada es modificada, utilizando la operación XOR con un flujo de bits pseudo‐aleatorios generados a partir de una clave de cifrar para mejorar el equilibrio de los bits de marca de agua y la seguridad del proceso de incorporación.
3) La señal obtenida de la operación se secciona en 4 ventanas con el mismo tamaño (64x64 píxeles). Entonces, cada ventana está etiquetada de forma individual, se utilizan las letras a, b, c y d para nombrarlas.
Se observa en el artículo un diagrama en el cual siguen pasos esquemáticos para incrustarla, en este trabajo se obtuvo resultados en el valor PSNR de 35, 40 y 45 dB.
En la referencia [13] se aplica el análisis con Wavelet, en primer lugar se define la señal de la marca de agua a incrustar, que es procesada por la tecnología de espectro ensanchado, en segundo lugar, se ajusta automáticamente la ubicación de la marca de agua, de acuerdo con las características de la imagen original y se añade de forma adaptativa a la escala en grises, en ambos procesos se utiliza el 3er nivel de Wavelets para descomponer la señal, y finalmente, la señal de marca de agua es ciegamente extraída sin la información de la imagen original. En los resultados experimentales mostrados en el algoritmo que propusieron mejoran la capacidad anti‐ataque y la naturaleza oculta de la imagen, así como la seguridad en la detección de marcas de agua, y tiene una mayor robustez al ataque de ruido
aleatorio, el corte y la compresión JPEG. Obteniendo un valor PSNR de 43.12 en imágenes de 256 x 256.
En la referencia [14] se muestra un esquema de autenticación y restauración multimedia, se propone una técnica con la aplicación en la seguridad de cifrado AES‐128 de marcas de agua y se hace una correlación con las marcas de agua. En una imagen se aplica un mensaje encriptado o cifrado, mediante la versión modificada del Closest Point Transform (CPT). Un AES es un cifrado simétrico de bloques, este maneja el tamaño de bloque de 128 bits y un tamaño de clave de 128, 192 o 256 bits. Cada ronda completa de AES utiliza cuatro funciones: sustitución bytes, permutación, operaciones aritméticas, y XOR con la clave generada.
Se maneja la seguridad de AES‐128 para cifrar la primera imagen con marca de agua, bloque por bloque enfocado a dividir la imagen en cada uno de los 4 bloques de 128 x 128 bits. En primer lugar los 128 bits de la primera fila es el bloque # 1 que son de entrada al módulo AES‐128. El bloque completo de tamaño de 128 x 128 se convierte a continuación en una matriz cuadrada 4 x 4 bytes. El cifrado consiste en N‐rondas. Al final, se realizaron varios ataques a la seguridad por ejemplo, el ataque con ruido, compresión de ataque y el ataque de cultivo en varias fotografías marcadas, evaluaron la técnica de marca de agua propuesta para examinar la robustez del sistema. La autentificación de imágenes se realiza mediante la localización de las zonas templadas y la restauración se realiza mediante marca de agua correlacionada en la región de la fotografía con la marca de agua. Los resultados de PSNR, MSE y SSIM muestran que la imperceptibilidad del esquema es alta en comparación con los métodos existentes.
CAPÍTULOIII: Memorias asociativas
3.1Introducción.
En la sección 2.1.5 se explicó de manera sencilla las memorias asociativas. En este capítulo se describen algunos modelos de memorias asociativas, así como el estado del arte y la importancia que tiene su creación en la actualidad. Estas investigaciones se hacen con el fin de identificar la aplicación, en la cual, se quiere implementar y determinar una memoria asociativa viable para su desarrollo. En la sección 3.2 se muestra la notación que utilizaron algunos autores en sus estudios con las memorias asociativas, unificando las variables para un mejor entendimiento y facilitar la búsqueda de la información en investigaciones futuras.
3.2Conceptos
El propósito fundamental de una memoria asociativa es recuperar correctamente patrones completos, a partir de patrones de entrada, los cuales pueden estár alterados con respecto a los patrones de aprendizaje [28], es decir, afectados con ruido auditivo, sustractivo o combinado. Los conceptos utilizados en esta sección se encuentran en las referencias [26,27].
En la actualidad, los seres humanos son capaces de reconocer el rostro de una persona, no obstante que sólo se vea una parte de la cara, o se ponga lentes o pelucas, o simplemente se haya dejado la barba o el bigote; por ejemplo en la referencia [29], se plantea que la mente del ser humano es asociativa; es decir, posee la habilidad de recordar objetos, seres vivos, conceptos, ideas abstractas, etc.
En décadas recientes, algunos científicos han desarrollado proyectos relacionados con las ciencias de la computación, dentro de este marco se ha considerado el área de las memorias asociativas, con algoritmos que ayudan al mejoramiento de algunas tareas de la vida cotidiana; como por ejemplo, el uso del reconocimiento de patrones.