0
Studio e confronto di filtri per il denoising di immaginiin relazione allidentificazione     di fotocamere digitali       ...
SommarioDigital ForensicDigital Camera IdentificationMetodo di identificazione e filtri di denoisingRisultatiConclusioni e...
Digital Forensicde nizione Dagli anni 80: nascita di nuove tipologie di azioni illegali collegate alluso di dispositivi el...
Digital Forensicaree scienti che principali  Computer Forensic     Estrazione, analisi e documentazione  Network Forensic ...
Digital Forensicmultimedia forensic Forgery Detection ha il compito di rilevare manomissioni o contraffazioni che hanno co...
Digital Forensicmultimedia forensic Source Identification ha il compito di identificare il particolare dispositivo elettro...
Digital Camera Identificationobiettivo e modalitàObiettivo Risalire alla fotocamera digitale che ha acquisito una data imm...
Digital Camera Identificationprocesso di acquisizione e ngerprint PRNU (Photo Response Non-Uniformity) sistematica delle i...
Digital Camera Identificationil metodo di identi cazione di J. Fridrich Fingerprint = PRNUIl metodo permette Creazione del...
Metodo di identificazionecreazione del ngerprint                        ✗Eliminate le                        componenti   ...
Metodo cazioneprocesso di identi                   di identificazione       Importanza cruciale del filtro di denoising ut...
Filtri di denoisingintroduzioneFiltro passa-basso (LP)Filtro Mihçak [mih99]Filtro Argenti [arg05]CaratteristicacomuneTrasf...
Il filtro LPPrende in considerazione i soli coefficienti diapprossimazione, annullando i coefficienti di dettaglio.       ...
Il filtro MihçakFiltro statistico localespazialmente adattivoModellorumore AWGNvarianza dellimmagine sconosciutaCriterio M...
Il filtro Mihçak
Il filtro Mihçak
Il filtro Mihçak
Il filtro Mihçak
Il filtro ArgentiFiltro spaziale applicato sul dominioWavelet non-decimatoModello parametrico di rumoresegnale-dipendente,...
Il filtro ArgentiStima dei parametri nel dominio spaziale.
Il filtro ArgentiProposto un raffinamento iterativo.Si considera la stima iniziale dei parametri.
Il filtro ArgentiDWT non-decimata
Il filtro ArgentiLe statistiche del primo ordinecalcolate a partire daγ σu g(k)
Il filtro ArgentiMinimizzazione lineare e localedellErrore Quadratico Medio
Il filtro Argenti
Risultatidescrizione degli esperimentiObiettivo verifica del metodo di identificazione confronto prestazionale tra i tre f...
Risultatidescrizione degli esperimenti  Creati 3 fingerprint per ogni fotocamera.  Effettuate le correlazioni incrociate t...
Risultaticonfronto ltri Grafico della distribuzione delle correlazioni tra i fingerprint di 5 fotocamere e residui di rumo...
Risultaticonfronto ltriPer ogni fingerprint: grafico della distribuzione delle correlazioniper la classe “non appartenente...
Risultati cazionepercentuali di identi                        Corretta identificazione %                        Filtro Mih...
Conclusioni  Implementazione e verifica del metodo di identificazione di  fotocamere digitali  Implementazione allinterno ...
Sviluppi futuri Sperimentazione di altri filtri di denoising Studio della relazione tra PRNU estratto e processi di post-e...
Studio e confronto di filtri per il denoising di immaginiin relazione allidentificazione     di fotocamere digitali       ...
Risultatistima tempi di esecuzioneCalcolo di residuo immagine 3 Mpx con IntelQuad Q6600 - 4Gb RAM Filtro Mihçak: 4.61 s Fi...
Studio e confronto di filtri per il denoising di immagini in relazione all’identificazione di fotocamere digitali in ambit...
Upcoming SlideShare
Loading in...5
×

Studio e confronto di filtri per il denoising di immagini in relazione all’identificazione di fotocamere digitali in ambito forense

982

Published on

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 Picchioni

Published in: Technology
0 Comments
1 Like
Statistics
Notes
  • Be the first to comment

No Downloads
Views
Total Views
982
On Slideshare
0
From Embeds
0
Number of Embeds
1
Actions
Shares
0
Downloads
9
Comments
0
Likes
1
Embeds 0
No embeds

No notes for slide

Transcript of "Studio e confronto di filtri per il denoising di immagini in relazione all’identificazione di fotocamere digitali in ambito forense"

  1. 1. Studio e confronto di filtri per il denoising di immaginiin relazione allidentificazione di fotocamere digitali in ambito forense Matteo Castelli Relatori: Dott. Ing. Alessandro PivaFirenze, 19/12/2008 Dott. Ing. Roberto Caldelli Ing. Irene Amerini Ing. Francesco Picchioni
  2. 2. SommarioDigital ForensicDigital Camera IdentificationMetodo di identificazione e filtri di denoisingRisultatiConclusioni e sviluppi futuri
  3. 3. Digital Forensicde nizione Dagli anni 80: nascita di nuove tipologie di azioni illegali collegate alluso di dispositivi elettronici. Digital Forensic Workshop, New York (2001): “Il Digital Forensic 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, trasmessa o memorizzata in un formato digitale.
  4. 4. Digital Forensicaree scienti che principali Computer Forensic Estrazione, analisi e documentazione Network Forensic da sistemi di elaborazione. di dati provenienti Data Recovery Multimedia Forensic Analisi di traffico e dispositivi di rete in relazione al riscontro di operazioni illecite. Ha come oggetto dati multimediali: audio, video, immagini in formato digitale. Forgery Detection Source Identification
  5. 5. Digital Forensicmultimedia forensic Forgery Detection ha il compito di rilevare manomissioni o contraffazioni che hanno compromesso lintegrità del dato in esame. immagine originale immagine contraffatta
  6. 6. Digital Forensicmultimedia forensic Source Identification ha il compito di identificare il particolare dispositivo elettronico che ha acquisito la prova multimediale sotto esame.Esempi applicativi:Copia di materiale coperto da diritti dautore (ripresa di un film al cinema).Acquisizione di materiale connesso a crimini gravi (pedopornografia). Source identification applicata alle foto digitali: Digital Camera Identification
  7. 7. Digital Camera Identificationobiettivo e modalitàObiettivo Risalire alla fotocamera digitale che ha acquisito una data immagine.Modalità Individuare un impronta che la fotocamera ha lasciato sullimmaginescattata, che permetta la sua identificazione. fingerprint firearms identification digital camera identification
  8. 8. Digital Camera Identificationprocesso di acquisizione e ngerprint PRNU (Photo Response Non-Uniformity) sistematica delle intensità dei pixel del sensore Distorsione Dovuto ad anomalie nel processo di fabbricazione e disomogeneità dei wafer di silicio Caratteristica esclusiva del sensore Si presenta sempre nella stessa posizione in ogni immagine scattata
  9. 9. Digital Camera Identificationil metodo di identi cazione di J. Fridrich Fingerprint = PRNUIl metodo permette Creazione 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 utilizzato Filtro di denoising (filtro di Mihçak)
  10. 10. Metodo di identificazionecreazione del ngerprint ✗Eliminate le componenti randomiche di rumore e il residuo della scena fotografata. ✔Esaltato si PRNU, che il presenta sempre nella stessa posizione allinterno delle fotografie.
  11. 11. Metodo cazioneprocesso di identi di identificazione Importanza cruciale del filtro di denoising utilizzato
  12. 12. Filtri di denoisingintroduzioneFiltro passa-basso (LP)Filtro Mihçak [mih99]Filtro Argenti [arg05]CaratteristicacomuneTrasformata Wavelet discreta (DWT)Daubechies – 4° livello di decomposizioneDifferenzeAlgoritmo di denoisingModello di rumore [mih99] : Mihçak, Kozintsev - “Spatially adaptive statistical modeling of wavelet image coefficients and its application to denoising” [arg05] : Argenti, Alparone, Torricelli - “Mmse filtering of generalised signal-dependent noise in spatial and shift-invariant wavelet domain”
  13. 13. Il filtro LPPrende in considerazione i soli coefficienti diapprossimazione, annullando i coefficienti di dettaglio. immagine originale decomposizione wavelet
  14. 14. Il filtro MihçakFiltro statistico localespazialmente adattivoModellorumore AWGNvarianza dellimmagine sconosciutaCriterio Massima Verosimiglianza eMinimizzazione ErroreQuadratico Medio
  15. 15. Il filtro Mihçak
  16. 16. Il filtro Mihçak
  17. 17. Il filtro Mihçak
  18. 18. Il filtro Mihçak
  19. 19. Il filtro ArgentiFiltro spaziale applicato sul dominioWavelet non-decimatoModello parametrico di rumoresegnale-dipendente, additivo, biancoParametri del modello: γ σu
  20. 20. Il filtro ArgentiStima dei parametri nel dominio spaziale.
  21. 21. Il filtro ArgentiProposto un raffinamento iterativo.Si considera la stima iniziale dei parametri.
  22. 22. Il filtro ArgentiDWT non-decimata
  23. 23. Il filtro ArgentiLe statistiche del primo ordinecalcolate a partire daγ σu g(k)
  24. 24. Il filtro ArgentiMinimizzazione lineare e localedellErrore Quadratico Medio
  25. 25. Il filtro Argenti
  26. 26. Risultatidescrizione degli esperimentiObiettivo verifica del metodo di identificazione confronto prestazionale tra i tre filtri 13 fotocamere digitali Formato JPEG, TIFF Data-set di divisi in: training-set test-set
  27. 27. 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 appartenente fotografia non appartenente
  28. 28. 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)
  29. 29. Risultaticonfronto ltriPer 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)
  30. 30. Risultati cazionepercentuali di identi Corretta identificazione % Filtro Mihçak: 99.09% Filtro Argenti: 96.61% Filtro LP : 84.44%
  31. 31. Conclusioni Implementazione e verifica del metodo di identificazione di fotocamere digitali Implementazione allinterno 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%Lutilizzo del formato JPEG non incide negativamente sulle prestazioni del metodoIl metodo è efficace anche su fotocamere di una stessa marca
  32. 32. Sviluppi futuri Sperimentazione di altri filtri di denoising Studio della relazione tra PRNU estratto e processi di post-elaborazione Studio della qualità della stima del fingerprint in funzione del resizing
  33. 33. Studio e confronto di filtri per il denoising di immaginiin relazione allidentificazione di fotocamere digitali in ambito forense Matteo Castelli Relatori: Dott. Ing. Alessandro PivaFirenze, 19/12/2008 Dott. Ing. Roberto Caldelli Ing. Irene Amerini Ing. Francesco Picchioni
  34. 34. Risultatistima tempi di esecuzioneCalcolo 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
  1. A particular slide catching your eye?

    Clipping is a handy way to collect important slides you want to go back to later.

×