Classificazione non supervisionata di immagini digitali per applicazioni di image forensics
-
Upload
icl-image-communication-laboratory -
Category
Technology
-
view
109 -
download
2
description
Transcript of Classificazione non supervisionata di immagini digitali per applicazioni di image forensics
![Page 1: Classificazione non supervisionata di immagini digitali per applicazioni di image forensics](https://reader034.fdocument.pub/reader034/viewer/2022051400/54c8e85f4a79595e2f8b4647/html5/thumbnails/1.jpg)
Classificazione non supervisionata di
immagini digitali per applicazioni di image
forensicsMatteo Innocenti
Firenze, 07/10/2010
Relatori: Prof. Vito Cappellini Dott. Roberto
Caldelli Ing. Francesco
PicchioniIng. Irene Amerini
![Page 2: Classificazione non supervisionata di immagini digitali per applicazioni di image forensics](https://reader034.fdocument.pub/reader034/viewer/2022051400/54c8e85f4a79595e2f8b4647/html5/thumbnails/2.jpg)
Obiettivo
Digital Forensics
Digital Camera Identification
Classificazione
Test e risultati
Conclusioni
Sommario
![Page 3: Classificazione non supervisionata di immagini digitali per applicazioni di image forensics](https://reader034.fdocument.pub/reader034/viewer/2022051400/54c8e85f4a79595e2f8b4647/html5/thumbnails/3.jpg)
ObiettivoDate N immagini digitali provenienti da K (ignoto) fotocamere,raggruppare le immagini in gruppi corrispondenti alle fotocamere.
N=5 K=2
![Page 4: Classificazione non supervisionata di immagini digitali per applicazioni di image forensics](https://reader034.fdocument.pub/reader034/viewer/2022051400/54c8e85f4a79595e2f8b4647/html5/thumbnails/4.jpg)
Digital ForensicsDagli anni ‘80: forte espansione dei dispositivi di acquisizione e manipolazione digitali, primi interessi circa la risoluzione dei casi giudiziari mediante l’utilizzo di prove digitali.
Digital Forensics Workshop, New York (2001): “Digital Forensics è la scienza che permette attraverso l'uso di specifiche metodologie, la raccolta, l'identificazione e l'analisi di prove digitali, allo scopo di ricostruire eventi collegati ad azioni illegali”.
Prova digitale: qualsiasi informazione, con valore probatorio, memorizzata in formato digitale.
![Page 5: Classificazione non supervisionata di immagini digitali per applicazioni di image forensics](https://reader034.fdocument.pub/reader034/viewer/2022051400/54c8e85f4a79595e2f8b4647/html5/thumbnails/5.jpg)
Digital Forensics
Computer Forensics
Multimedia Forensics
Analisi del traffico di rete e dei log di sessione dei dispositivi di rete.Estrazione ed analisi dei dati memorizzati nei calcolatori.
Si occupa dei media digitali.Tampering detection e source identification.
Network Forensics
![Page 6: Classificazione non supervisionata di immagini digitali per applicazioni di image forensics](https://reader034.fdocument.pub/reader034/viewer/2022051400/54c8e85f4a79595e2f8b4647/html5/thumbnails/6.jpg)
Multimedia ForensicsTampering detectionHa il compito di rilevare tentativi di contraffazione che compromettono l’integrità del media digitale.
Originale Contraffatta
![Page 7: Classificazione non supervisionata di immagini digitali per applicazioni di image forensics](https://reader034.fdocument.pub/reader034/viewer/2022051400/54c8e85f4a79595e2f8b4647/html5/thumbnails/7.jpg)
Multimedia ForensicsSource identificationIdentificazione del particolare dispositivo che ha acquisito un media digitale.
Nel caso di fotografie digitali prende il nome di Digital Camera Identification
Esempi applicativiAcquisizione di materiale pedo-pornografico, copia di opere protette da copyright.
![Page 8: Classificazione non supervisionata di immagini digitali per applicazioni di image forensics](https://reader034.fdocument.pub/reader034/viewer/2022051400/54c8e85f4a79595e2f8b4647/html5/thumbnails/8.jpg)
Digital Camera Identification
Componente principale del Pattern Noise
Differente sensibilità alla luce dei pixel del sensore
Caratteristica esclusiva del sensore
PRNU (Photo Response Non-Uniformity)
ObiettivoRisalire alla fotocamera digitale che ha acquisito una certa foto.Funzionamento
Si utilizza una caratteristica impronta (fingerprint) della fotocamera: il PRNU.
Si controlla all’interno dell’immagine sotto esame la presenza della fingerprint attraverso il calcolo della correlazione (J. Fridrich ).
J. Lukas, J. Fridrich, M. Goljan, “Digital camera identification from sensor pattern noise”, TIFS 2006.
![Page 9: Classificazione non supervisionata di immagini digitali per applicazioni di image forensics](https://reader034.fdocument.pub/reader034/viewer/2022051400/54c8e85f4a79595e2f8b4647/html5/thumbnails/9.jpg)
Denoising
Filtro di Mihçak
M.K. Mihçak, I. Kozintsev, K. Ramchandran, “Spatially adaptive statistical model of wavelet image coefficients and its application to denoising”, ICASSP 1999.
Filtro di denoising Filtro di
denoising
Lavora nel dominio Wavelet.
-
![Page 10: Classificazione non supervisionata di immagini digitali per applicazioni di image forensics](https://reader034.fdocument.pub/reader034/viewer/2022051400/54c8e85f4a79595e2f8b4647/html5/thumbnails/10.jpg)
Lavori precedentiChang-Tsun Li (University of Warwick, Coventry)*
Algoritmo di classificazione basato sui campi randomici di Markov (MRF)
Utilizzo di una funzione di enhancement del rumore
Esalta il rumore estratto, eliminando i dettagli della scena ritratta.
Molto utile per immagini di dimensione piccola.
E’ applicato nel dominio della trasformata Wavelet dopo l’estrazione del PRNU.
C.-T. Li, “Unsupervised classification of digital images using sensor pattern noise”, ISCAS 2010.
![Page 11: Classificazione non supervisionata di immagini digitali per applicazioni di image forensics](https://reader034.fdocument.pub/reader034/viewer/2022051400/54c8e85f4a79595e2f8b4647/html5/thumbnails/11.jpg)
Enhancer
Originale No enhancer Con enhancer
Esempio su di un blocco di 512*512 pixels Enhancer proposto
![Page 12: Classificazione non supervisionata di immagini digitali per applicazioni di image forensics](https://reader034.fdocument.pub/reader034/viewer/2022051400/54c8e85f4a79595e2f8b4647/html5/thumbnails/12.jpg)
ClassificazioneProcedura iterativa (N-1) di clustering.Si inizia con tanti cluster quante sono (N) le immagini nel training-set.Ad ogni iterazione vengono uniti i due cluster più correlati tra di loro.Gerarchia rappresentabile con un dendogramma.
Clustering gerarchico agglomerativo
Condizione di stopOccorre valutare a quale altezza deve essere tagliato l’albero
per ottenere la miglior partizione delle immagini in gruppi.
Valutazione dei cluster con coefficienti di silhouetteAd ogni iterazione si calcola la qualità della partizione corrente.Al termine della procedura si recupera la partizione migliore.
![Page 13: Classificazione non supervisionata di immagini digitali per applicazioni di image forensics](https://reader034.fdocument.pub/reader034/viewer/2022051400/54c8e85f4a79595e2f8b4647/html5/thumbnails/13.jpg)
Coefficienti di silhouette
Combinano gli aspetti di coesione e separazione tra clusters.Si calcola si per ciascun rumore i-esimo, poi si effettua la media.
Coefficienti di silhouette
ai è la correlazione media tra i e gli altri rumori appartenenti allo stesso cluster.
bi è la correlazione media tra i e gli altri rumori non appartenenti allo stesso cluster, prendendo la media tra tutti i cluster considerati.
![Page 14: Classificazione non supervisionata di immagini digitali per applicazioni di image forensics](https://reader034.fdocument.pub/reader034/viewer/2022051400/54c8e85f4a79595e2f8b4647/html5/thumbnails/14.jpg)
Coefficienti di silhouetteCondizione di stopL’iterazione che verifica:
294294
Esempio su dataset di 300 immagini provenienti da 6 fotocamere
![Page 15: Classificazione non supervisionata di immagini digitali per applicazioni di image forensics](https://reader034.fdocument.pub/reader034/viewer/2022051400/54c8e85f4a79595e2f8b4647/html5/thumbnails/15.jpg)
Test e Risultati
Dimensione dei rumori: da 128x128 a 1536x2048 pixelsUtilizzo o meno dell’enhancerComposizione del dataset di addestramento
Variabili
1200 immagini, 200 per ciascuna delle 6 fotocamere utilizzate.Training-set: 50*6, Test-set: 150*6
Dataset
Procedura sviluppata da Chang-Tsun Li in un lavoro precedente.
Confronto
Intel Quad Core Q6600, 4GB RAM, Linux os, Matlab R2009a-b.
HW-SW
![Page 16: Classificazione non supervisionata di immagini digitali per applicazioni di image forensics](https://reader034.fdocument.pub/reader034/viewer/2022051400/54c8e85f4a79595e2f8b4647/html5/thumbnails/16.jpg)
Test enhancerTest enhancer
![Page 17: Classificazione non supervisionata di immagini digitali per applicazioni di image forensics](https://reader034.fdocument.pub/reader034/viewer/2022051400/54c8e85f4a79595e2f8b4647/html5/thumbnails/17.jpg)
Test su dataset uniformeDistribuzione uniforme: 50 immagini per fotocamera.
Training-set
![Page 18: Classificazione non supervisionata di immagini digitali per applicazioni di image forensics](https://reader034.fdocument.pub/reader034/viewer/2022051400/54c8e85f4a79595e2f8b4647/html5/thumbnails/18.jpg)
Test su dataset non uniformeDistribuzione non uniforme: 300 immagini in totale.Risoluzione fissa 512*512 pixels.
Training-set
![Page 19: Classificazione non supervisionata di immagini digitali per applicazioni di image forensics](https://reader034.fdocument.pub/reader034/viewer/2022051400/54c8e85f4a79595e2f8b4647/html5/thumbnails/19.jpg)
Test su dataset non uniformeDistribuzione uniforme: 150 immagini per fotocamera.Risoluzione fissa 512*512 pixels.
Test-set
Centroide dei clusters trovatiCostituiscono la conoscenza del classificatore
Fingerprints
![Page 20: Classificazione non supervisionata di immagini digitali per applicazioni di image forensics](https://reader034.fdocument.pub/reader034/viewer/2022051400/54c8e85f4a79595e2f8b4647/html5/thumbnails/20.jpg)
Conclusioni
Algoritmo di clustering
Efficienza migliorata notevolmente
Efficacia nettamente migliorata per dataset non uniformi, scenario realistico (fino al +26%)
A parità di tempo di esecuzione, efficacia migliorata anche per dataset uniformi
Enhancer
Efficacia lievemente migliorata
![Page 21: Classificazione non supervisionata di immagini digitali per applicazioni di image forensics](https://reader034.fdocument.pub/reader034/viewer/2022051400/54c8e85f4a79595e2f8b4647/html5/thumbnails/21.jpg)
Articolo WIFS 20102010 IEEE International Workshop on Information
Forensics and Security (WIFS’2010)
“Fast image clustering of unknown source images”di R. Caldelli, I. Amerini, F. Picchioni, M. Innocenti
Tasso di accettazione: 28%