Classificazione non supervisionata di immagini digitali per applicazioni di image forensics
Upcoming SlideShare
Loading in...5
×
 

Classificazione non supervisionata di immagini digitali per applicazioni di image forensics

on

  • 1,162 views

Classificazione non supervisionata di immagini digitali per applicazioni di image forensics - Matteo Innocenti - AA 2009-2010 Relatori: Prof. Vito Cappellini, Dr. Roberto Caldelli, Ing. Francesco ...

Classificazione non supervisionata di immagini digitali per applicazioni di image forensics - Matteo Innocenti - AA 2009-2010 Relatori: Prof. Vito Cappellini, Dr. Roberto Caldelli, Ing. Francesco Picchioni, Ing. Irene Amerini

Statistics

Views

Total Views
1,162
Views on SlideShare
864
Embed Views
298

Actions

Likes
0
Downloads
5
Comments
0

1 Embed 298

http://lci.micc.unifi.it 298

Accessibility

Categories

Upload Details

Uploaded via as Adobe PDF

Usage Rights

© All Rights Reserved

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Processing…
Post Comment
Edit your comment

Classificazione non supervisionata di immagini digitali per applicazioni di image forensics Classificazione non supervisionata di immagini digitali per applicazioni di image forensics Presentation Transcript

  • Classificazione non supervisionata di immagini digitali per applicazioni di image forensics Matteo Innocenti Relatori: Prof. Vito Cappellini Dott. Roberto CaldelliFirenze, 07/10/2010 Ing. Francesco Picchioni Ing. Irene Amerini
  • Sommario Obiettivo Digital Forensics Digital Camera Identification Classificazione Test e risultati Conclusioni
  • Obiettivo Date N immagini digitali provenienti da K (ignoto) fotocamere, raggruppare le immagini in gruppi corrispondenti alle fotocamere. N=5 K=2
  • Digital Forensics Dagli 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 luso di specifiche metodologie, la raccolta, lidentificazione e lanalisi di prove digitali, allo scopo di ricostruire eventi collegati ad azioni illegali”.  Prova digitale: qualsiasi informazione, con valore probatorio, memorizzata in formato digitale.
  • Digital Forensics Analisi del traffico di rete e dei log di Network Forensics sessione dei dispositivi di rete. Estrazione ed analisi dei dati Computer Forensics memorizzati nei calcolatori. Multimedia Forensics Si occupa dei media digitali. Tampering detection e source identification.
  • Multimedia Forensics Tampering detection Ha il compito di rilevare tentativi di contraffazione che compromettono l’integrità del media digitale. Originale Contraffatta
  • Multimedia Forensics Source identification Identificazione del particolare dispositivo che ha acquisito un media digitale. Esempi applicativi Acquisizione di materiale pedo-pornografico, copia di opere protette da copyright. Nel caso di fotografie digitali prende il nome di Digital Camera Identification
  • Digital Camera Identification Funzionamento Obiettivo Risalire alla una caratteristica impronta (fingerprint) della fotocamera: il PRNU. Si utilizza fotocamera digitale che ha acquisito una certa foto. Si controlla all’interno dell’immagine sotto esame la presenza della fingerprint attraverso il calcolo della correlazione (J. Fridrich⃰ ). PRNU (Photo Response Non-Uniformity) Componente principale del Pattern Noise Differente sensibilità alla luce dei pixel del sensore Caratteristica esclusiva del sensore ⃰ J. Lukas, J. Fridrich, M. Goljan, “Digital camera identification from sensor pattern noise”, TIFS 2006.
  • Denoising Filtro di denoising Filtro di Mihçak ⃰ - Lavora nel dominio Wavelet.⃰ M.K. Mihçak, I. Kozintsev, K. Ramchandran, “Spatially adaptive statistical model of wavelet image coefficientsand its application to denoising”, ICASSP 1999.
  • Lavori precedenti Chang-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.
  • Enhancer Enhancer proposto Esempio su di un blocco di 512*512 pixels Originale No enhancer Con enhancer
  • ClassificazioneClustering gerarchico agglomerativo Procedura 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. Condizione di stop Occorre valutare a quale altezza deve essere tagliato l’albero per ottenere la miglior partizione delle immagini in gruppi. Valutazione dei cluster con coefficienti di silhouette Ad ogni iterazione si calcola la qualità della partizione corrente. Al termine della procedura si recupera la partizione migliore.
  • Coefficienti di silhouetteCoefficienti di silhouette Combinano gli aspetti di coesione e separazione tra clusters. Si calcola si per ciascun rumore i-esimo, poi si effettua la media. 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.
  • Coefficienti di silhouette Condizione di stop L’iterazione che verifica: 294 Esempio su dataset di 300 immagini provenienti da 6 fotocamere
  • Test e RisultatiDataset 1200 immagini, 200 per ciascuna delle 6 fotocamere utilizzate. Training-set: 50*6, Test-set: 150*6Variabili Dimensione dei rumori: da 128x128 a 1536x2048 pixels Utilizzo o meno dell’enhancer Composizione del dataset di addestramentoConfronto Procedura sviluppata da Chang-Tsun Li in un lavoro precedente.HW-SW Intel Quad Core Q6600, 4GB RAM, Linux os, Matlab R2009a-b.
  • Test enhancerTest enhancer
  • Test su dataset uniformeTraining-set Distribuzione uniforme: 50 immagini per fotocamera.
  • Test su dataset non uniformeTraining-set Distribuzione non uniforme: 300 immagini in totale. Risoluzione fissa 512*512 pixels.
  • Test su dataset non uniformeTest-set Distribuzione uniforme: 150 immagini per fotocamera. Risoluzione fissa 512*512 pixels.Fingerprints Centroide dei clusters trovati Costituiscono la conoscenza del classificatore
  • Conclusioni Enhancer Efficacia lievemente migliorata 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
  • Articolo WIFS 2010 2010 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%