В статті показано, що в залежності від особливостей прикладного застосування висуваються різні вимоги до інформаційно-технічних особливостей та характеристик продуктивності інформаційно-мережних систем. Це мотивує створення нових та вдосконалення існуючих технологій кодування відеоданих. Однак з розвитком інформаційних технологій створюються нові можливості щодо їх прикладного застосування. Зростають вимоги до: повноти відеоданих; аналізу складних відеосцен кадрів; забезпечення інформаційної переваги в умовах кібер-протиборства. Відповідно постає актуальна потреба подальшого вдосконалення технологій стиснення в напрямку підвищення їх ефективності в системі показників «рівень стиснення – рівень спотворень». В статті обґрунтовується те, що вдосконалення в першу чергу необхідно проводити в напрямку гнучкості обробки враховуючі типи та значимість об’єктів відеосцен. Звідси є необхідність створення технології класифікації відеосцен та у додатковому пошуку нових залежностей. Показано, що одним з таких підходів є метод на основі побудови для сегментів спектрально-параметричного опису та кластерізації їх послідовностей (дата-сетів) за визначеними мета-ознаками. Водночас зворотній процес для відновлення відеоданих за дата-сетами з попереднім їх декодуванням не має визначеного та обґрунтовано-систематизованої технологічного рішення. Звідси мета досліджень статті стосується розробки методу відновлення відеоданих на основі процесу декодування дата-сетів в спектрально-параметричному описі. Розроблено технологію відновлення послідовності трансформант на основі врахування: кластерного розподілу трансформант, що представлено у спектрально-параметричному описі за їх структурними ознаками; декодування двійкових блочних кодів з встановленою за маркерними посиланнями відповідною довжиною; одночасних обмежень на інтервали області визначення в напрямку СПС слайсів та складових СПОТ кластерів; визначення ваги компонент складових СПОТ за позиційними правилами в залежність від їх характеристик: кількості локальних спектральних суб-полос; поточної потужності складових СПОТ; визначення довжини кодів маркерів в залежності від структурної ознаки кластеру за довжиною складових СПОТ.
[1]. Бараннік , Д. В., Гуржій , П. М., Бараннік , В. В., Сідченко , С. О., Чорномаз , І. К., and Григор’ян , М. Б. (2023) “Saving Elements Methods for Service Components of Images Cryptocompression Codograms”, Visnyk NTUU KPI Seriia - Radiotekhnika Radioaparatobuduvannia, (92), pp. 28-40. doi: 10.20535/RADAP.2023.92.28-40.
[2]. Barannik V. et al. Model for Representing Significant Segments of a Video Image Based on Locally Positional Coding on a Structural Basis. Smart and Wireless Systems within the Conferences on Intelligent Data Acquisition and Advanced Computing Systems (IEEE IDAACS-SWS 2020): proceedings of IEEE 5nd International Symposium, 2020. P. 1–5. DOI: 10.1109/IDAACS-SWS50031.2020.9297068.
[3]. Barannik V. et al. Indirect Steganographic Embedding Method Based On Modifications of The Basis of the Polyadic System. Modern Problems of Radio Engineering, Telecommunications and Computer Science (TCSET’2020): proceedings of 15 th IEEE International Conference, 2020. P. 699–702. DOI: 10.1109/TCSET49122.2020.235522.
[4]. Ibrahim D. R., The J S., Abdullah R. (2021). An overview of visual cryptography techniques. Multimed Tools Appl 80, 31927–31952. doi: https://doi.org/10.1007/s11042-021-11229-9
[5]. Barannik, V. et al. (2023). A Method of Scrambling for the System of Cryptocompression of Codograms Service Components. In: Klymash, M., Luntovskyy, A., Beshley, M., Melnyk, I., Schill, A. (eds) Emerging Networking in the Digital Transformation Age. TCSET 2022. Lecture Notes in Electrical Engineering, vol 965. Springer, Switzerland, Cham. https://doi.org/10.1007/978-3-031-24963-1_26.
[6]. Bhat, R., & Nanjundegowda, R. (2024). CryptoGAN: a new frontier in generative adversarial network-driven image encryption. IAES International Journal of Artificial Intelligence (IJ-AI), 13(4), 4813-4821. doi:http://doi.org/10.11591/ijai.v13.i4.pp4813-4821
[7]. Yuan Liu, Songyang Zhang, Jiacheng Chen, Zhaohui Yu, Kai Chen, Dahua Lin. Improving Pixel-based MIM by Reducing Wasted Modeling Capability. 2023 IEEE/CVF International Conference on Computer Vision (ICCV). – 2023. – pp. 5338-5349. DOI Bookmark: 10.1109/ICCV51070.2023.00494.
[8]. Chen, C.-C., Lin, C.-S., Chen, J.-Z. (2022). Boolean-Based (k, n, m) Multi-Secret Image Sharing. Axioms, 11, 197. doi: https://doi.org/10.3390/axioms11050197
[9]. Сидченко С.А. Обоснование значимых угроз безопасности видеоинформационного ресурса систем видеоконференцсвязи профильных систем управления / В.В. Баранник, А.В. Власов, С.А. Сидченко // Информационно-управляющие системы на ЖД транспорте. – 2014. ‑ №3. ‑ С. 24 – 31.
[10]. Alsafyani M, Alhomayani F, Alsuwat H, Alsuwat E. Face Image Encryption Based on Feature with Optimization Using Secure Crypto General Adversarial Neural Network and Optical Chaotic Map. Sensors. 2023; 23(3):1415. https://doi.org/10.3390/s23031415
[11]. Tarasenko, D., Kulitsa, O., Barannik, D., Barannik, V.V., Podlesny, S., The video stream encoding method in infocommunication systems. IEEE 14th International Conference on Advanced Trends in Radioelecrtronics, Telecommunications and Computer Engineering (IEEE TCSET 2018), 2018, pp. 538-541. DOI: 10.1109/TCSET.2018.8336259.
[12]. Xu, Daihan et al. “Design of artificial intelligence image encryption algorithm based on hyperchaos.” Ain Shams Engineering Journal (2022): n. pag.
[13]. Gadhiya N., Tailor S., Degadwala S. (2024). A Review on Different Level Data Encryption through a Compression Techniques. 2024 International Conference on Inventive Computation Technologies (ICICT), Lalitpur, Nepal, p. 1378-1381. doi: 10.1109/ICICT60155.2024.10544803.
[14]. Yuanlin C., Tianxiu L., Caiwen C., Yi X. A novel image encryption method based on improved two-dimensional logistic mapping and DNA computing. Advances in Nonlinear Systems and Networks, 2024, Volume III, DOI: 10.3389/fphy.2024.1469418.
[15]. Matel I.-E. (2024) Novel Lossless Crypto-Compression Scheme for Medical Images. 2024 26th International Symposium on Symbolic and Numeric Algorithms for Scientific Computing (SYNASC), Timisoara, Romania, p. 378-385. doi: 10.1109/SYNASC65383.2024.00069.
[16]. V. Barannik and A. Shiryaev, "Quadrature compression of images in polyadic space," Proceedings of International Conference on Modern Problem of Radio Engineering, Telecommunications and Computer Science, 2012, pp. 422-422. INSPEC Accession Number: 12713484.
[17]. Hamano G., Imaizumi S., Kiya H. (2023). Effects of JPEG Compression on Vision Transformer Image Classification for Encryption-then-Compression Images. Sensors, 23, 3400. doi: https://doi.org/10.3390/s23073400
[18]. Alqahtani, F. (2024). Ai-powered image security: utilizing autoencoders for advanced medical image encryption. Computer Modeling in Engineering & Sciences, 141(2), 1709–1724. https://doi.org/10.32604/cmes.2024.054976
[19]. Shoko Imaizumi, Genki Hamano, Hitoshi Kiya. Effects of JPEG Compression on Vision Transformer Image Classification for Encryption-then-Compression Images. - Sensors vol.23. – pp.1-19. – 2023. https://doi.org/10.3390/s23073400.
[20]. Barannik V. et al. "Method of coding dynamic sequence of frame-spline structures of provided frames in info-communications," 2021 IEEE 4th International Conference on Advanced Information and Communication Technologies (AICT), Lviv, Ukraine, 2021, pp. 36-40, doi: 10.1109/AICT52120.2021.9628928.
[21]. Fatima R., Baheeja K, May A. Survey Study Image Cryptography System. BIO Web Conf, Volume 97, 2024, DOI: 10.1051/bioconf/20249700044.
[22]. Barannik V. et al. Method of indirect information hiding in the process of video compression. Radioelectronic and Computer Systems. 2021. №. 4. PP. 119–131. https://doi.org/10.32620/reks.2021.4.
[23]. V. Barannik, O. Slobodyanyuk, A. Krasnorutsky, A.Korchenko, S.Pchelnikov “Aerial Photographs for Ensuring Cyber Security of Critical Infrastructure Objects” 2021 Proceedings of Selected Papers of the Workshop on Cybersecurity Providing in Information and Telecommunication Systems (CPITS 2021), Kyiv, Ukraine, pp. 182–191.
[24]. Xiaowu L., Huiling P. Chaotic medical image encryption method using attention mechanism fusion ResNet model. Front Neurosci. 2023, DOI: 10.3389/fnins.2023.1226154.
[25]. Цімура Ю., Єлісєєв Є.С., Бараннік В.В., Бабенко М.В., Ушань В. Метод стиснення кластеризованих трансформант на основі блочного кодування з локально-монотонним визначенням довжини // Наукоємні технології. 2024. №3(63). С. 274-281. DOI: https://doi.org/10.18372/2310-5461.63.18971.
[26]. Aprilpyone, M.; Kiya, H. Privacy-Preserving Image Classification Using an Isotropic Network. IEEE Multimed. - 2022. - 29. – pp. 23–33. doi: 10.1109/MMUL.2022.3168441.
[27]. Barannik V. et al. "Significant Microsegment Transformants Encoding Method to Increase the Availability of Video Information Resource," 2020 IEEE 2nd International Conference on Advanced Trends in Information Theory (ATIT), Kyiv, Ukraine, 2020, pp. 52-56, doi: 10.1109/ATIT50783.2020.9349256.
[28]. Alimpiev, A. N., Barannik, V. V., Sidchenko, S. A. (2017). The method of cryptocompression presentation of videoinformation resources in a generalized structurally positioned space, Telecommunications and Radio Engineering, 76 (6), 521–534. doi: https://doi.org/10.1615/TelecomRadEng.v76.i6.60
[29]. Єлісєєв Є.С., Цімура Ю., Бараннік В.В., Бабенко М.В., Тарасенко Д. Метод кластеризації послідовності трансформант за структурними ознаками їх спектрально-параметричного опису // Наукоємні технології. 2024. №2(62). С. 185-192. DOI: https://doi.org/10.18372/2310-5461.62.18712
[30]. V. Barannik, A. Krasnorutsky, Y. Ryabukha, R. Onyshchenko, S. Shulgin and O. Slobodyanyuk, "Marker Information Coding for Structural Clustering of Spectral Space," 2021 IEEE 3rd International Conference on Advanced Trends in Information Theory (ATIT), Kyiv, Ukraine, 2021, pp. 46-51, doi: 10.1109/ATIT54053.2021.9678538.
[31]. Yuhang R. A novel image encryption system based on chaotic system and index mapping. ICIPAl 2024. DOI: 10.1117/12.3035300