File size: 17,695 Bytes
fd6398d
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
import streamlit as st
import numpy as np
import cv2
from PIL import Image, ImageDraw, ImageOps
import io
import zlib
import math
from reedsolo import RSCodec, ReedSolomonError

# ==========================================
# ЯДРО ALGORITHM HYPERTAG
# ==========================================

class HyperTagEngine:
    def __init__(self):
        # Заголовок: 1 байт на размер сетки (макс 255x255), 1 байт на длину ECC
        self.HEADER_SIZE_BITS = 16 

    def _bits_to_bytes(self, bits):
        """Преобразует список битов обратно в байты"""
        bytes_list = []
        for i in range(0, len(bits), 8):
            byte = bits[i:i+8]
            if len(byte) < 8:
                byte += [0] * (8 - len(byte))
            bytes_list.append(int("".join(map(str, byte)), 2))
        return bytearray(bytes_list)

    def _bytes_to_bits(self, data_bytes):
        """Преобразует байты в список битов"""
        bits = []
        for b in data_bytes:
            bits.extend([int(x) for x in f"{b:08b}"])
        return bits

    def generate(self, data: str, ecc_level: int = 10) -> Image.Image:
        """
        Генерация кода.
        1. Сжатие данных (zlib)
        2. Добавление кодов коррекции ошибок (Reed-Solomon)
        3. Формирование матрицы
        """
        # 1. Конвертация и сжатие
        raw_bytes = data.encode('utf-8')
        compressed = zlib.compress(raw_bytes, level=9)
        
        # 2. Защита данных (ECC)
        # ecc_level - это количество байт для восстановления на блок
        rsc = RSCodec(ecc_level)
        encoded_data = rsc.encode(compressed)
        
        # Превращаем в биты
        bits = self._bytes_to_bits(encoded_data)
        
        # 3. Расчет размера сетки
        # Нам нужно место под данные + заголовок (размер сетки + уровень ECC)
        total_bits_needed = len(bits) + self.HEADER_SIZE_BITS
        
        # Вычисляем размер квадрата (Grid Size)
        grid_size = math.ceil(math.sqrt(total_bits_needed))
        
        # Если сетка слишком маленькая, увеличиваем (мин 10x10)
        if grid_size < 10: grid_size = 10
        
        # Пересчитываем емкость
        capacity = grid_size * grid_size
        padding = [0] * (capacity - total_bits_needed)
        
        # Формируем заголовок: [Размер сетки (8 бит)][ECC Level (8 бит)]
        header_bits = [int(x) for x in f"{grid_size:08b}"] + [int(x) for x in f"{ecc_level:08b}"]
        
        # Финальный поток битов
        final_stream = header_bits + bits + padding
        
        # 4. Рисование
        scale = 20 # Размер пикселя
        border = 40 # Толщина рамки (Quiet Zone)
        img_size = grid_size * scale + (border * 2)
        
        img = Image.new('RGB', (img_size, img_size), 'white')
        draw = ImageDraw.Draw(img)
        
        # Рисуем черную рамку вокруг данных для легкого детекта контура
        draw.rectangle(
            [border - 2, border - 2, img_size - border + 1, img_size - border + 1], 
            outline="black", width=4
        )

        for i, bit in enumerate(final_stream):
            row = i // grid_size
            col = i % grid_size
            
            x = border + col * scale
            y = border + row * scale
            
            color = "black" if bit == 1 else "white"
            draw.rectangle([x, y, x + scale, y + scale], fill=color)
            
        return img

    def decode(self, img_cv2):
        """
        Декодирование:
        1. Поиск контура квадрата
        2. Перспективная коррекция
        3. Сэмплинг сетки
        4. Reed-Solomon восстановление -> Decompress
        """
        try:
            # 1. Препроцессинг
            gray = cv2.cvtColor(img_cv2, cv2.COLOR_BGR2GRAY)
            # Адаптивный порог для работы при разном освещении
            thresh = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, 
                                          cv2.THRESH_BINARY, 11, 2)
            
            # 2. Поиск контуров
            contours, _ = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
            
            # Ищем самый большой квадратный контур (это наша рамка)
            candidates = []
            for cnt in contours:
                area = cv2.contourArea(cnt)
                if area < 1000: continue # Отсекаем шум
                peri = cv2.arcLength(cnt, True)
                approx = cv2.approxPolyDP(cnt, 0.04 * peri, True)
                if len(approx) == 4:
                    candidates.append((area, approx))
            
            if not candidates:
                return None, "Код не найден на изображении"

            # Берем самый большой 4-угольник
            candidates.sort(key=lambda x: x[0], reverse=True)
            target_cnt = candidates[0][1]
            
            # 3. Перспективная коррекция (Warp)
            pts = target_cnt.reshape(4, 2)
            rect = np.zeros((4, 2), dtype="float32")
            
            # Сортировка точек: верх-лево, верх-право, низ-право, низ-лево
            s = pts.sum(axis=1)
            rect[0] = pts[np.argmin(s)]
            rect[2] = pts[np.argmax(s)]
            diff = np.diff(pts, axis=1)
            rect[1] = pts[np.argmin(diff)]
            rect[3] = pts[np.argmax(diff)]
            
            # Ширина и высота нового изображения (берем с запасом для точности)
            max_w = 1000
            max_h = 1000
            dst = np.array([
                [0, 0],
                [max_w - 1, 0],
                [max_w - 1, max_h - 1],
                [0, max_h - 1]], dtype="float32")
            
            M = cv2.getPerspectiveTransform(rect, dst)
            warped = cv2.warpPerspective(gray, M, (max_w, max_h))
            
            # БИНАРИЗАЦИЯ WARPED (важно для чтения)
            _, warped_bin = cv2.threshold(warped, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

            # 4. Чтение заголовка для определения размера сетки
            # Сначала мы не знаем Grid Size. Но мы знаем, что первые 8 бит кодируют Grid Size.
            # Проблема: мы не знаем шаг сэмплинга, пока не знаем Grid Size.
            # Решение: Попробуем прочитать первые пиксели, предполагая разумные диапазоны, 
            # либо (в данном алгоритме) мы сделаем хитрее:
            # В нашем случае мы ДОЛЖНЫ знать GridSize. 
            # Простейший хак для демо: перебираем возможные размеры (от 10 до 100) или 
            # используем метки по углам. Но самый надежный способ для "Мощной системы" без меток:
            # Попробуем просканировать первый ряд с очень высоким разрешением, чтобы найти переходы цвета.
            
            # УПРОЩЕНИЕ ДЛЯ СТАБИЛЬНОСТИ:
            # Так как это стримлит демо, давайте считать шаг сэмплинга 
            # перебором "разумных" размеров сетки, если контрольная сумма не сошлась.
            # Но еще лучше: прочитать Grid Size из первых N пикселей, 
            # взяв среднее значение по широкой полосе.
            
            # Для надежности считаем, что мы можем прочитать первый байт (GridSize)
            # Допустим, мы грубо делим на 20 ячеек и смотрим. Нет, это ненадежно.
            # Давайте используем brute-force декодирование для размеров сетки 10..100
            # RSCodec скажет нам, если мы угадали (ошибок не будет или они исправятся).
            
            detected_data = None
            
            # Пытаемся угадать размер сетки (от 10x10 до 80x80) - это быстро
            # В реальной системе размер кодируется фиксированным паттерном, здесь - брутфорс для надежности.
            possible_grids = range(10, 100) 
            
            for grid_size in possible_grids:
                cell_h = max_h / grid_size
                cell_w = max_w / grid_size
                
                bits = []
                # Сэмплим центр каждой ячейки
                for r in range(grid_size):
                    for c in range(grid_size):
                        cx = int(c * cell_w + cell_w / 2)
                        cy = int(r * cell_h + cell_h / 2)
                        # 0 = Black (1), 255 = White (0)
                        pixel = warped_bin[cy, cx]
                        bits.append(1 if pixel < 128 else 0)
                
                # Проверка заголовка
                # Первые 8 бит = grid_size
                read_grid_size_bits = bits[:8]
                read_grid_size = int("".join(map(str, read_grid_size_bits)), 2)
                
                if read_grid_size != grid_size:
                    continue # Не совпало с геометрией, пробуем следующий
                
                # Если совпало, читаем дальше
                ecc_level_bits = bits[8:16]
                ecc_level = int("".join(map(str, ecc_level_bits)), 2)
                
                payload_bits = bits[16:]
                payload_bytes = self._bits_to_bytes(payload_bits)
                
                # Убираем паддинг (нули в конце), хотя RS сам разберется, но лучше оставить как есть
                # RSCodec требует точный массив.
                
                try:
                    rsc = RSCodec(ecc_level)
                    # Пытаемся декодировать и исправить ошибки
                    decoded_struct = rsc.decode(payload_bytes)
                    decoded_data = decoded_struct[0] # Сами данные
                    
                    # Декомпрессия
                    try:
                        final_text = zlib.decompress(decoded_data)
                        return final_text.decode('utf-8'), None # Успех
                    except:
                        continue # Ошибка декомпрессии
                        
                except ReedSolomonError:
                    continue # Слишком много ошибок для этого grid_size
            
            return None, "Не удалось восстановить данные. Изображение слишком повреждено или размыто."
            
        except Exception as e:
            return None, str(e)

# ==========================================
# ИНТЕРФЕЙС STREAMLIT
# ==========================================

st.set_page_config(page_title="HyperTag System", layout="wide", page_icon="QrCode")

# Стилизация
st.markdown("""
<style>
    .main-header {font-size: 3rem; font-weight: 800; color: #00d4ff; text-align: center;}
    .sub-header {font-size: 1.2rem; color: #aaa; text-align: center; margin-bottom: 2rem;}
    .stButton>button {width: 100%; border-radius: 5px; font-weight: bold;}
    .success-box {padding: 20px; background-color: #d4edda; color: #155724; border-radius: 10px;}
    .error-box {padding: 20px; background-color: #f8d7da; color: #721c24; border-radius: 10px;}
</style>
""", unsafe_allow_html=True)

st.markdown('<div class="main-header">HYPERTAG /// SYSTEM</div>', unsafe_allow_html=True)
st.markdown('<div class="sub-header">Next-Gen High Density Barcode Generator & Scanner<br>Powered by Reed-Solomon ECC & Zlib Compression</div>', unsafe_allow_html=True)

engine = HyperTagEngine()

tab1, tab2 = st.tabs(["⚙️ ГЕНЕРАТОР КОДА", "📸 СКАНЕР & ВОССТАНОВЛЕНИЕ"])

with tab1:
    st.subheader("Создание HyperTag")
    
    col1, col2 = st.columns([1, 1])
    
    with col1:
        input_data = st.text_area("Введите данные для кодирования", height=200, placeholder="Текст, JSON, ссылки или большие объемы данных...")
        
        ecc_slider = st.slider("Уровень защиты (ECC)", min_value=2, max_value=50, value=14, 
                               help="Количество байт для коррекции ошибок. Чем выше, тем больше повреждений переживет код, но тем он крупнее.")
        
        if st.button("СГЕНЕРИРОВАТЬ HYPERTAG", type="primary"):
            if input_data:
                try:
                    img = engine.generate(input_data, ecc_level=ecc_slider)
                    
                    # Сохраняем в буфер для отображения
                    buf = io.BytesIO()
                    img.save(buf, format="PNG")
                    byte_im = buf.getvalue()
                    
                    with col2:
                        st.image(img, caption=f"HyperTag Generated (ECC: {ecc_slider})", use_column_width=False, width=400)
                        st.download_button(
                            label="💾 СКАЧАТЬ PNG",
                            data=byte_im,
                            file_name="hypertag.png",
                            mime="image/png"
                        )
                        st.success(f"Успешно закодировано {len(input_data)} символов.")
                except Exception as e:
                    st.error(f"Ошибка генерации: {e}")
            else:
                st.warning("Введите текст!")

with tab2:
    st.subheader("Декодер с AI-восстановлением")
    st.info("Загрузите фото HyperTag. Система попытается найти код, выровнять перспективу и восстановить битые пиксели.")
    
    uploaded_file = st.file_uploader("Загрузить изображение", type=['png', 'jpg', 'jpeg', 'bmp'])
    
    if uploaded_file is not None:
        # Конвертация загруженного файла в формат для CV2
        file_bytes = np.asarray(bytearray(uploaded_file.read()), dtype=np.uint8)
        opencv_image = cv2.imdecode(file_bytes, 1)
        
        col_scan1, col_scan2 = st.columns(2)
        
        with col_scan1:
            st.image(opencv_image, channels="BGR", caption="Исходное фото", use_column_width=True)
            
        if st.button("СКАНИРОВАТЬ И ДЕКОДИРОВАТЬ"):
            with st.spinner('Обработка изображения, коррекция перспективы и Reed-Solomon восстановление...'):
                decoded_text, error_msg = engine.decode(opencv_image)
                
                with col_scan2:
                    if decoded_text:
                        st.markdown(f"""
                        <div class="success-box">
                            <h3>✅ ДАННЫЕ ВОССТАНОВЛЕНЫ</h3>
                            <p>Алгоритм успешно прошел проверку целостности.</p>
                            <hr>
                            <b>Содержимое:</b><br>
                            <code style="word-wrap:break-word;">{decoded_text}</code>
                        </div>
                        """, unsafe_allow_html=True)
                    else:
                        st.markdown(f"""
                        <div class="error-box">
                            <h3>❌ ОШИБКА ЧТЕНИЯ</h3>
                            <p>{error_msg}</p>
                            <p><i>Совет: Убедитесь, что черная рамка видна полностью и изображение в фокусе.</i></p>
                        </div>
                        """, unsafe_allow_html=True)

# Footer
st.markdown("---")
st.caption("HyperTag Algorithm v1.0 | Uses Zlib for compression and Reed-Solomon for error correction.")