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(""" """, unsafe_allow_html=True) st.markdown('
HYPERTAG /// SYSTEM
', unsafe_allow_html=True) st.markdown('
Next-Gen High Density Barcode Generator & Scanner
Powered by Reed-Solomon ECC & Zlib Compression
', 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"""

✅ ДАННЫЕ ВОССТАНОВЛЕНЫ

Алгоритм успешно прошел проверку целостности.


Содержимое:
{decoded_text}
""", unsafe_allow_html=True) else: st.markdown(f"""

❌ ОШИБКА ЧТЕНИЯ

{error_msg}

Совет: Убедитесь, что черная рамка видна полностью и изображение в фокусе.

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