Hướng Dẫn Sử Dụng Hope-AD

Tài liệu này cung cấp hướng dẫn chi tiết để sử dụng hệ thống bảo vệ hình ảnh Hope-AD.

Mục Lục

Bắt Đầu Nhanh
Module Python
- Nhiễu Đối Kháng
- Băm Hình Ảnh (Image Hashing)
Thành Phần C#
- Đóng Dấu Bản Quyền (Watermarking)
- Băm Hình Ảnh (C#)
Ứng Dụng WPF
Các Phương Pháp Tốt Nhất
Khắc Phục Sự Cố

Bắt Đầu Nhanh

Thiết Lập Python

# Clone kho mã nguồn
git clone https://github.com/quachdang122-jpg/Hope-AD.git
cd Hope-AD

# Cài đặt các thư viện phụ thuộc
pip install -r requirements.txt

# Kiểm tra các module
cd Hope/Hope
python tests/test_image_hashing.py

Thiết Lập C#

cd Hope/Hope
dotnet build
dotnet run

Module Python

Nhiễu Đối Kháng

Module nhiễu đối kháng sử dụng các cuộc tấn công ngữ nghĩa dựa trên CLIP để bảo vệ hình ảnh khỏi sự phát hiện của AI.

Sử Dụng Cơ Bản

from adversarial_perturbations import protect_image

# Bảo vệ một hình ảnh với cài đặt mặc định
protect_image(
    input_path="input.jpg",
    output_path="protected.jpg",
    intensity=0.30,      # 0.0 đến 1.0
    iterations=150       # Nhiều vòng lặp hơn = bảo vệ mạnh hơn
)

Sử Dụng Nâng Cao

from adversarial_perturbations import AdversarialProtector

# Tạo một thể hiện bộ bảo vệ
protector = AdversarialProtector(
    intensity=0.25,      # Thấp hơn = tinh tế hơn
    iterations=100,      # Ít hơn = nhanh hơn
    verbose=True         # Hiển thị tiến trình
)

# Bảo vệ hình ảnh
success = protector.protect_image("input.jpg", "output.jpg")
if success:
    print("Image protected successfully!")

Tham Số

intensity (float, 0.0-1.0): Độ lớn nhiễu tối đa
- 0.1-0.2: Rất tinh tế, tác động thị giác tối thiểu
- 0.25-0.35: Phạm vi khuyến nghị (mặc định: 0.30)
- 0.4+: Bảo vệ mạnh, có thể nhìn thấy
iterations (int): Số lần lặp tối ưu hóa
- 50-100: Nhanh, bảo vệ vừa phải
- 150: Khuyến nghị (mặc định)
- 200+: Bảo vệ mạnh nhất, chậm hơn
verbose (bool): Hiển thị thông báo tiến trình (mặc định: True)

Giao Diện Dòng Lệnh (CLI)

# Sử dụng engine.py
python engine.py \
    --input image.jpg \
    --output protected.jpg \
    --intensity 0.30 \
    --iterations 150

# Với mô tả mục tiêu
python engine.py \
    --input image.jpg \
    --output protected.jpg \
    --target "artistic portrait" \
    --intensity 0.30 \
    --iterations 150

# Sử dụng file mục tiêu (cho văn bản UTF-8)
python engine.py \
    --input image.jpg \
    --output protected.jpg \
    --target-file target.txt \
    --intensity 0.30 \
    --iterations 150

Mẹo Hiệu Năng

Sử Dụng GPU: GPU hỗ trợ CUDA tăng tốc độ 10-20 lần
Xử Lý Hàng Loạt (Batch Processing): Tái sử dụng thể hiện AdversarialProtector
Cân Bằng: Cường độ/số vòng lặp cao hơn = bảo vệ mạnh hơn nhưng xử lý lâu hơn

Băm Hình Ảnh

Module băm hình ảnh cung cấp băm nhận thức (perceptual hashing) để phát hiện sửa đổi và xác minh tính xác thực.

Sử Dụng Cơ Bản

from image_hashing import ImageHasher, compare_hashes

# Tạo bộ băm
hasher = ImageHasher()

# Tính toán mã băm
hash1 = hasher.perceptual_hash("image1.jpg")
hash2 = hasher.perceptual_hash("image2.jpg")

# So sánh
similarity = compare_hashes(hash1, hash2)
print(f"Similarity: {similarity:.2%}")

Các Phương Pháp Băm

from image_hashing import ImageHasher

hasher = ImageHasher()

# Average Hash (nhanh nhất)
ahash = hasher.average_hash("image.jpg")

# Difference Hash (dựa trên gradient)
dhash = hasher.difference_hash("image.jpg")

# Perceptual Hash (mạnh mẽ nhất, khuyến nghị)
phash = hasher.perceptual_hash("image.jpg")

# Hoặc sử dụng phương pháp chung
hash_value = hasher.compute_hash("image.jpg", method="phash")

Lưu và Xác Minh

from image_hashing import save_hash_to_file, verify_image

# Lưu mã băm vào file
save_hash_to_file("original.jpg", "original_hash.json", method="phash")

# Sau đó, xác minh một hình ảnh khác
is_match, similarity = verify_image("test.jpg", "original_hash.json", threshold=0.9)

if is_match:
    print(f"Images match! Similarity: {similarity:.2%}")
else:
    print(f"Images different. Similarity: {similarity:.2%}")

Phát Hiện Trùng Lặp

from image_hashing import ImageHasher, is_similar

hasher = ImageHasher()
images = ["img1.jpg", "img2.jpg", "img3.jpg", "img4.jpg"]

# Tính toán mã băm
hashes = {img: hasher.perceptual_hash(img) for img in images}

# Tìm các bản sao
for img1 in images:
    for img2 in images:
        if img1 < img2:  # Tránh so sánh trùng lặp
            if is_similar(hashes[img1], hashes[img2], threshold=0.95):
                print(f"Duplicates found: {img1} and {img2}")

Giao Diện Dòng Lệnh (CLI)

# Tính toán mã băm
python image_hashing.py --input image.jpg --output hash.json --method phash

# So sánh hai hình ảnh
python image_hashing.py --input image1.jpg --compare image2.jpg --method phash

# Xác minh với mã băm đã lưu trữ
python image_hashing.py --input test.jpg --verify original_hash.json --threshold 0.9

So Sánh Phương Pháp Băm

Phương Pháp	Tốc Độ	Độ Bền Vững	Trường Hợp Sử Dụng
aHash	Nhanh nhất	Thấp	So sánh nhanh
dHash	Nhanh	Trung bình	Phát hiện cạnh
pHash	Chậm hơn	Cao	Sử dụng trong sản xuất (khuyến nghị)

Thành Phần C#

Đóng Dấu Bản Quyền

Thêm hình mờ động, tùy chỉnh vào hình ảnh.

Sử Dụng Cơ Bản

using ArtShield;

// Hình mờ mặc định
var config = ImageWatermarking.CreateDefaultConfig();
ImageWatermarking.AddWatermark("input.jpg", "watermarked.jpg", config);

Hình Mờ Tùy Chỉnh

using ArtShield;
using System.Windows.Media;

var config = new ImageWatermarking.WatermarkConfig
{
    Text = "© 2024 My Company",
    FontSize = 48,
    FontFamily = "Arial",
    Opacity = 0.4,
    Position = ImageWatermarking.WatermarkPosition.BottomRight,
    Color = Colors.Yellow,
    RotationAngle = 0,
    Tiled = false
};

ImageWatermarking.AddWatermark("input.jpg", "watermarked.jpg", config);

Hình Mờ Lặp Lại (Tiled Watermark)

// Tạo hình mờ lặp lại để bảo vệ tối đa
var config = ImageWatermarking.CreateTiledConfig("CONFIDENTIAL");
ImageWatermarking.AddWatermark("input.jpg", "protected.jpg", config);

Cấu Hình Cài Đặt Sẵn

// Mặc định: Giữa, chéo, bán trong suốt
var defaultConfig = ImageWatermarking.CreateDefaultConfig();

// Lặp lại (Tiled): Mẫu lặp lại trên toàn bộ hình ảnh
var tiledConfig = ImageWatermarking.CreateTiledConfig("PROTECTED");

// Góc: Hình mờ nhỏ, tinh tế ở góc
var cornerConfig = ImageWatermarking.CreateCornerConfig("© 2024");

Vị Trí Hình Mờ

TopLeft (Trên Trái), TopCenter (Trên Giữa), TopRight (Trên Phải)
CenterLeft (Giữa Trái), Center (Giữa), CenterRight (Giữa Phải)
BottomLeft (Dưới Trái), BottomCenter (Dưới Giữa), BottomRight (Dưới Phải)

Tùy Chọn Tùy Chỉnh

var config = new ImageWatermarking.WatermarkConfig
{
    Text = "Your Text",           // Văn bản hình mờ
    FontSize = 36,                 // Kích thước font chữ theo điểm (points)
    FontFamily = "Arial",          // Tên họ font chữ
    Opacity = 0.3,                 // 0.0 (trong suốt) đến 1.0 (mờ đục)
    Color = Colors.White,          // Màu văn bản
    RotationAngle = -45,           // Góc xoay theo độ
    Tiled = false,                 // Đơn lẻ hoặc lặp lại
    TileSpacing = 0.25,           // Khoảng cách cho dạng lặp (0.0-1.0)
    Position = WatermarkPosition.Center
};

Băm Hình Ảnh (C#)

Triển khai băm hình ảnh nhận thức bằng C#.

Sử Dụng Cơ Bản

using ArtShield;

var hasher = new ImageHashing();

// Tính toán mã băm
string hash1 = hasher.ComputeHash("image1.jpg", ImageHashing.HashMethod.PerceptualHash);
string hash2 = hasher.ComputeHash("image2.jpg", ImageHashing.HashMethod.PerceptualHash);

// So sánh
double similarity = ImageHashing.CompareHashes(hash1, hash2);
Console.WriteLine($"Similarity: {similarity:P}");

Lưu và Xác Minh

var hasher = new ImageHashing();

// Lưu mã băm
hasher.SaveHashToFile("original.jpg", "hash.json", ImageHashing.HashMethod.PerceptualHash);

// Xác minh sau này
var (isMatch, similarity) = hasher.VerifyImage("test.jpg", "hash.json", threshold: 0.9);
Console.WriteLine($"Match: {isMatch}, Similarity: {similarity:P}");

Phương Pháp Băm

var hasher = new ImageHashing();

// Average Hash
string ahash = hasher.ComputeHash("image.jpg", ImageHashing.HashMethod.AverageHash);

// Difference Hash
string dhash = hasher.ComputeHash("image.jpg", ImageHashing.HashMethod.DifferenceHash);

// Perceptual Hash (khuyến nghị)
string phash = hasher.ComputeHash("image.jpg", ImageHashing.HashMethod.PerceptualHash);

Ứng Dụng WPF

Ứng dụng Hope-AD WPF cung cấp giao diện người dùng đồ họa (GUI) thân thiện để bảo vệ hình ảnh.

Tính Năng

Chọn Hình Ảnh: Duyệt và chọn hình ảnh
Cài Đặt Bảo Vệ:
- Mô tả mục tiêu (tùy chọn)
- Thanh trượt Cường độ (0.0 - 1.0)
- Thanh trượt Vòng lặp (50 - 300)
Xem Trước (Preview): Xem hình ảnh gốc và hình ảnh đã bảo vệ
Theo Dõi Tiến Trình: Cập nhật trạng thái theo thời gian thực

Sử Dụng

Khởi chạy ứng dụng: dotnet run
Nhấp vào "Select Image" để chọn một hình ảnh
(Tùy chọn) Nhập mô tả mục tiêu
Điều chỉnh thanh trượt cường độ và số vòng lặp
Nhấp vào "Run Protection"
Chờ quá trình xử lý (2-4 phút trên CPU, 10-30 giây trên GPU)
Xem hình ảnh đã bảo vệ trong phần xem trước
Hình ảnh đã bảo vệ được lưu với hậu tố _protected

Cấu Hình

Biến môi trường:

ENGINE_PYTHON: Đường dẫn đến trình thông dịch Python (mặc định: python)

Các Phương Pháp Tốt Nhất

Chiến Lược Bảo Vệ Hình Ảnh

Bảo Vệ Đa Lớp: Kết hợp nhiều kỹ thuật

Original → Adversarial Perturbations → Watermark → Hash

Lựa Chọn Cường Độ:
- Hình ảnh công khai: 0.25-0.30 (tinh tế)
- Hình ảnh nhạy cảm: 0.30-0.35 (cân bằng)
- Hình ảnh giá trị cao: 0.35-0.40 (mạnh)
Chiến Lược Hình Mờ (Watermark):
- Hình mờ lặp lại (Tiled watermarks): Bảo vệ tối đa, dễ nhìn thấy hơn
- Hình mờ đơn lẻ: Ít xâm lấn hơn, dễ bị cắt hơn
- Kết hợp: Hình mờ lặp lại tinh tế + hình mờ đơn lẻ nổi bật
Lưu Trữ Mã Băm (Hash Storage):
- Lưu trữ mã băm riêng biệt với hình ảnh
- Sử dụng băm nhận thức (pHash) để có kết quả tốt nhất
- Đặt ngưỡng dựa trên trường hợp sử dụng (0.85-0.95)

Tối Ưu Hóa Hiệu Năng

Xử Lý Hàng Loạt (Batch Processing):

protector = AdversarialProtector(intensity=0.30, iterations=150)
for image in image_list:
    protector.protect_image(image, f"protected_{image}")

Tăng Tốc GPU:
- Cài đặt bộ công cụ CUDA
- Cài đặt PyTorch với hỗ trợ CUDA
- Xử lý nhanh hơn 10-20 lần

Xử Lý Song Song:

from concurrent.futures import ThreadPoolExecutor

def protect(img):
    protector = AdversarialProtector()
    return protector.protect_image(img, f"protected_{img}")

with ThreadPoolExecutor(max_workers=4) as executor:
    results = executor.map(protect, images)

Cân Nhắc về Bảo Mật

Không Tuyệt Đối: Không có biện pháp bảo vệ nào hiệu quả 100%
Cập Nhật Thường Xuyên: Các mô hình AI phát triển; cập nhật các phương pháp bảo vệ
Theo Dõi Sử Dụng: Theo dõi nơi các hình ảnh được bảo vệ được sử dụng
Bảo Vệ Pháp Lý: Sử dụng hình mờ như bằng chứng pháp lý
Nhiều Lớp: Không dựa vào một phương pháp bảo vệ duy nhất

Khắc Phục Sự Cố

Các Vấn Đề Thường Gặp

CLIP Chưa Được Cài Đặt

Lỗi: ERROR: CLIP required!

Giải Pháp:

pip install git+[https://github.com/openai/CLIP.git](https://github.com/openai/CLIP.git)

Hết Bộ Nhớ (GPU)

Lỗi: CUDA out of memory

Giải Pháp:

Giảm kích thước hình ảnh trước khi xử lý
Sử dụng CPU thay thế: Đặt CUDA_VISIBLE_DEVICES=-1
Đóng các ứng dụng GPU khác

Xử Lý Chậm (CPU)

Vấn Đề: Xử lý mất hơn 5 phút mỗi hình ảnh

Giải Pháp:

Giảm số vòng lặp (100 thay vì 150)
Giảm cường độ một chút
Cân nhắc tăng tốc GPU
Sử dụng hình ảnh nhỏ hơn (thay đổi kích thước trước khi bảo vệ)

C# Xây Dựng Thất Bại trên Linux

Lỗi: To build a project targeting Windows...

Giải Pháp: Điều này là bình thường. Ứng dụng WPF yêu cầu Windows. Sử dụng module Python trên Linux/Mac.

Hình Mờ Không Hiển Thị

Vấn Đề: Hình mờ quá tinh tế hoặc không hiển thị

Giải Pháp:

Tăng độ mờ (0.3 → 0.5)
Sử dụng màu tối hơn/sáng hơn để tạo độ tương phản
Tăng kích thước font chữ
Thử hình mờ lặp lại (tiled watermark)

So Sánh Mã Băm Cho Thấy Độ Tương Đồng Thấp

Vấn Đề: Hình ảnh tương tự có điểm tương đồng thấp

Giải Pháp:

Sử dụng băm nhận thức (pHash) thay vì aHash/dHash
Kiểm tra xem hình ảnh có khác biệt đáng kể không
Điều chỉnh ngưỡng (giảm xuống 0.85 hoặc 0.80)
Xác minh hình ảnh ở định dạng chính xác (RGB, không phải RGBA)

Nhận Trợ Giúp

Kiểm tra README.md để biết thông tin cơ bản
Xem lại mã ví dụ trong thư mục examples/
Chạy bộ kiểm thử: python tests/test_image_hashing.py
Kiểm tra các vấn đề tương tự trên GitHub issues
Tạo một issue mới với thông báo lỗi chi tiết

Tài Nguyên Bổ Sung

README.md: Tổng quan và bắt đầu nhanh
examples/: Các script và mã ví dụ
tests/: Các script kiểm thử để xác thực
requirements.txt: Các thư viện phụ thuộc Python

Thông Tin Phiên Bản

Python: 3.8+
.NET: 10.0+
PyTorch: 2.0+
CLIP: Phiên bản mới nhất từ GitHub

Cập Nhật Lần Cuối: 2024-12-11

FilesExpand file tree

USAGE_GUIDE.md

Latest commit

History

USAGE_GUIDE.md

File metadata and controls

Hướng Dẫn Sử Dụng Hope-AD

Mục Lục

Bắt Đầu Nhanh

Thiết Lập Python

Thiết Lập C#

Module Python

Nhiễu Đối Kháng

Sử Dụng Cơ Bản

Sử Dụng Nâng Cao

Tham Số

Giao Diện Dòng Lệnh (CLI)

Mẹo Hiệu Năng

Băm Hình Ảnh

Sử Dụng Cơ Bản

Các Phương Pháp Băm

Lưu và Xác Minh

Phát Hiện Trùng Lặp

Giao Diện Dòng Lệnh (CLI)

So Sánh Phương Pháp Băm

Thành Phần C#

Đóng Dấu Bản Quyền

Sử Dụng Cơ Bản

Hình Mờ Tùy Chỉnh

Hình Mờ Lặp Lại (Tiled Watermark)

Cấu Hình Cài Đặt Sẵn

Vị Trí Hình Mờ

Tùy Chọn Tùy Chỉnh

Băm Hình Ảnh (C#)

Sử Dụng Cơ Bản

Lưu và Xác Minh

Phương Pháp Băm

Ứng Dụng WPF

Tính Năng

Sử Dụng

Cấu Hình

Các Phương Pháp Tốt Nhất

Chiến Lược Bảo Vệ Hình Ảnh

Tối Ưu Hóa Hiệu Năng

Cân Nhắc về Bảo Mật

Khắc Phục Sự Cố

Các Vấn Đề Thường Gặp

CLIP Chưa Được Cài Đặt

Hết Bộ Nhớ (GPU)

Xử Lý Chậm (CPU)

C# Xây Dựng Thất Bại trên Linux

Hình Mờ Không Hiển Thị

So Sánh Mã Băm Cho Thấy Độ Tương Đồng Thấp

Nhận Trợ Giúp

Tài Nguyên Bổ Sung

Thông Tin Phiên Bản