studio e confronto di filtri per il denoising di immagini in relazione all’identificazione di...
DESCRIPTION
Studio e confronto di filtri per il denoising di immagini in relazione all’identificazione di fotocamere digitali in ambito forense- Matteo Castelli - AA 2007-2008 Relatori: Prof. Vito Cappellini, Dr. Roberto Caldelli, Ing. Irene Amerini, Ing. Francesco PicchioniTRANSCRIPT
Studio e confronto di filtriper il denoising di immagini
in relazione all'identificazionedi fotocamere digitali
in ambito forenseMatteo Castelli
Firenze, 19/12/2008
Relatori:Dott. Ing. Alessandro PivaDott. Ing. Roberto CaldelliIng. Irene AmeriniIng. Francesco Picchioni
Sommario
Digital Forensic
Digital Camera Identification
Metodo di identificazione e filtri di denoising
Risultati
Conclusioni e sviluppi futuri
Digital Forensic
Dagli anni '80: nascita di nuove tipologie di azioni illegali collegateall'uso di dispositivi elettronici.
Digital Forensic Workshop, New York (2001):“Il Digital Forensic è la scienza che permette attraverso l'uso di specifichemetodologie, la raccolta, l'identificazione e l'analisi di prove digitali, alloscopo di ricostruire eventi collegati ad azioni illegali”.
Prova Digitale: qualsiasi informazione, con valore probatorio, trasmessa o memorizzata in un formato digitale.
de!nizione
Digital Forensic
Computer Forensic
aree scienti!che principali
Estrazione, analisi e documentazionedi dati provenienti da sistemi di elaborazione.Data Recovery
Analisi di traffico e dispositivi di retein relazione al riscontro di operazioniillecite.
Network Forensic
Multimedia Forensic
Ha come oggetto dati multimediali:audio, video, immagini in formato digitale.Forgery DetectionSource Identification
Digital Forensicmultimedia forensic
Forgery Detectionha il compito di rilevare manomissioni o contraffazioniche hanno compromesso l'integrità del dato in esame.
immagine originale immagine contraffatta
Digital Forensicmultimedia forensic
Esempi applicativi:Copia di materiale coperto da diritti d'autore (ripresa di un film al cinema).Acquisizione di materiale connesso a crimini gravi (pedopornografia).
Source identification applicata alle foto digitali: Digital Camera Identification
Source Identificationha il compito di identificare il particolare dispositivo elettronico che ha acquisito la prova multimediale sotto esame.
Digital Camera Identificationobiettivo e modalità
ObiettivoRisalire alla fotocamera digitale che ha acquisito una data immagine.
ModalitàIndividuare un' impronta che la fotocamera ha lasciato sull'immagine
scattata, che permetta la sua identificazione.fingerprint
firearms identification digital camera identification
Digital Camera Identificationprocesso di acquisizione e !ngerprint
Distorsione sistematica delle intensità dei pixel del sensoreDovuto ad anomalie nel processo di fabbricazione e disomogeneità dei wafer di silicioCaratteristica esclusiva del sensoreSi presenta sempre nella stessa posizione in ogni immagine scattata
PRNU (Photo Response Non-Uniformity)
Digital Camera Identificationil metodo di identi!cazione di J. Fridrich
Fingerprint = PRNU
Il metodo permetteCreazione del fingerprint della fotocamera
a partire da un certo numero di immagini scattate dalla fotocamera stessa.
Indentificazione della sorgente di acquisizione di una fotografia con parametri di errore decisi arbitrariamente (FAR, FRR)
Strumento utilizzatoFiltro di denoising (filtro di Mihçak)
Metodo di identificazionecreazione del !ngerprint
✗Eliminate le componenti randomiche di rumore e il residuo della scena fotografata.
✔Esaltato il PRNU, che si presenta sempre nella stessa posizione all'interno delle fotografie.
Metodo di identificazioneprocesso di identi!cazione
Importanza cruciale del filtro di denoising utilizzato
Filtro passa-basso (LP)Filtro Mihçak [mih99]
Filtro Argenti [arg05]
Differenze
Caratteristica comune
Algoritmo di denoisingModello di rumore
Trasformata Wavelet discreta (DWT)Daubechies – 4° livello di decomposizione
Filtri di denoisingintroduzione
[arg05] : Argenti, Alparone, Torricelli - “Mmse filtering of generalisedsignal-dependent noise in spatial and shift-invariant wavelet domain”
[mih99] : Mihçak, Kozintsev - “Spatially adaptive statistical modelingof wavelet image coefficients and its application to denoising”
Prende in considerazione i soli coefficienti di approssimazione, annullando i coefficienti di dettaglio.
Il filtro LP
immagine originale decomposizione wavelet
Il filtro MihçakFiltro statistico locale
spazialmente adattivo
Modellorumore AWGNvarianza dell'immagine sconosciuta
Criterio Massima Verosimiglianza e Minimizzazione Errore Quadratico Medio
Il filtro Mihçak
Il filtro Mihçak
Il filtro Mihçak
Il filtro Mihçak
Il filtro ArgentiFiltro spaziale applicato sul dominio
Wavelet non-decimato
Modello parametrico di rumore segnale-dipendente, additivo, bianco
Parametri del modello: γ σu
Il filtro Argenti
Stima dei parametri nel dominio spaziale.
Proposto un raffinamento iterativo.
Si considera la stima iniziale dei parametri.
Il filtro Argenti
DWT non-decimata
Il filtro Argenti
Le statistiche del primo ordinecalcolate a partire da
γ σu g(k)
Il filtro Argenti
Minimizzazione lineare e localedell'Errore Quadratico Medio
Il filtro Argenti
Il filtro Argenti
Risultatidescrizione degli esperimenti
13 fotocamere digitali
Formato JPEG, TIFF
Data-set di divisi in:training-settest-set
Obiettivoverifica del metodo di identificazioneconfronto prestazionale tra i tre filtri
Risultatidescrizione degli esperimenti
Creati 3 fingerprint per ogni fotocamera.
Effettuate le correlazioni incrociate tra i fingerprint e i test-set.
Creata la soglia utilizzando il criterio di Neyman-Pearson, imponendo FAR=10-3.
Determinata la classe di ogni foto in relazione a ciascun fingerprint:fotografia appartenentefotografia non appartenente
Risultaticonfronto !ltri
Grafico della distribuzione delle correlazioni tra i fingerprint di 5 fotocamere e residui di rumore di immagini di Nikon E4600 X: residui di rumore (Nikon E4600); Y: valori di correlazione (millesimi)
Risultaticonfronto !ltri
Per ogni fingerprint: grafico della distribuzione delle correlazioniper la classe “non appartenente”, relativo a ciascun filtro.X: valori di correlazione (millesimi); Y: residui di rumore (Nikon D40x)
Risultatipercentuali di identi!cazione
Corretta identificazione %Filtro Mihçak: 99.09%
Filtro Argenti: 96.61%
Filtro LP : 84.44%
Implementazione e verifica del metodo di identificazione difotocamere digitali
Implementazione all'interno del metodo e confronto di tre filtri di denoising per immagini: il filtro LP, il filtro Mihçak, il filtro Argenti.
RisultatiPRNU è un ottimo fingerprint.
Verificata la robustezza del metodo di identificazione, utilizzandoimmagini non ad hoc.
Percentuali di corretta identificazione: Mihçak 99%, Argenti 97%, LP 84%
L'utilizzo del formato JPEG non incide negativamente sulle prestazioni del metodo
Il metodo è efficace anche su fotocamere di una stessa marca
Conclusioni
Sviluppi futuriSperimentazione di altri filtri di denoisingStudio della relazione tra PRNU estratto e processi di post-elaborazioneStudio della qualità della stima del fingerprint in funzione del resizing
Studio e confronto di filtriper il denoising di immagini
in relazione all'identificazionedi fotocamere digitali
in ambito forenseMatteo Castelli
Firenze, 19/12/2008
Relatori:Dott. Ing. Alessandro PivaDott. Ing. Roberto CaldelliIng. Irene AmeriniIng. Francesco Picchioni
Risultatistima tempi di esecuzione
Calcolo di residuo immagine 3 Mpx con IntelQuad Q6600 - 4Gb RAM
Filtro Mihçak: 4.61 s
Filtro Argenti: 65.39 s
Filtro LP : 1.66 s