File size: 17,695 Bytes
5e683ad b23e634 5e683ad b23e634 | 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.") |