studio e confronto di filtri per il denoising di immagini in relazione all’identificazione di...

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