Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.
UNIVERSITÀ DEGLI STUDI DI FIRENZE                  Facoltà di Ingegneria                   Corso di Laurea in             ...
Sommario• Digital Forensic• Identificazione sorgente di acquisizione• Estrazione caratteristiche    o Color Filter Array  ...
Digital Forensics                                      Computer Forensics:                                      Disciplina...
Image Forensics   Riconoscimento del dispositivo sorgente
Obiettivo della tesiAnalisi interpolazione CFA                    Analisi Rumore                             Classificatore
Obiettivo della tesi
Color Filter Array   Schema a blocchi del funzionamento di una fotocamera    digitale
Estrazione caratteristiche CFA   Obiettivo: Determinazione dei coefficienti di    Obiettivo    interpolazione delle tre b...
Estrazione caratteristiche CFA       Determinazione zone ad alto gradiente        orizzontale, verticale e zona “liscia”G...
Estrazione features CFA   Risoluzione sistema lineare, per ogni zona e    ogni banda di colore.
Estrazione caratteristiche CFA
Rumore nei dispositivi digitali   Il rumore è un segnale non desiderato di origine naturale o    artificiale che si sovra...
Estrazione caratteristiche del rumore           – Denoising –Immagine originale         Immagine “denoised”               ...
Estrazione caratteristiche del rumore        – Analisi Wavelet –   First-OrderDiscrete Wavelet Decomposition              ...
Estrazione caratteristiche del rumore        – Analisi Wavelet –• Confronto tra distribuzione gaussiana N(μ, σ²), la cui m...
Estrazione caratteristiche del rumore    – Neighborhood prediction – Ipotesi: Ottima predizione pixel nelle zone “lisce” ...
Estrazione caratteristiche del rumore    – Neighborhood prediction –   Ricostruzione zone lisce mediante interpolazione l...
Estrazione caratteristiche del rumore    – Neighborhood prediction –   Confronto tra valori b’ predetti e originali b.  ...
Classificatore SVMLib   Organizzazione caratteristiche in vettori   Divisione in set per addestramento e testing del cla...
Classificazione e               risultati sperimentali   Dispositivi usati per i test:
Classificazione e            risultati sperimentali   Database immagini:          100 immagini dai 3 modelli, 1/3 per mod...
Riconoscimento della sorgente   Determinazione della tipologia di dispositivo.     100 prove                      Leave-...
Riconoscimento della sorgente   Determinazione della tipologia di dispositivo    con variazione della finestra di analisi...
Riconoscimento della sorgente   Determinazione della tipologia di dispositivo    con variazione a 0.3 MP delle foto da ce...
Conclusioni   Utilizzo di coefficienti di interpolazione e    caratteristiche del rumore per discriminare le    tipologie...
Upcoming SlideShare
Loading in …5
×

Tecniche di image forsensic per l’identificazione della sorgente

1,000 views

Published on

Tecniche di image forsensic per l’identificazione della sorgente - Andrea Guidieri, Francesco Mei - AA 2009-2010 Relatori: Prof. Alessandro Piva, Dr. Roberto Caldelli, Dr. Alessia De Rosa, Dr. Francesca Uccheddu

Published in: Technology
  • Be the first to comment

  • Be the first to like this

Tecniche di image forsensic per l’identificazione della sorgente

  1. 1. UNIVERSITÀ DEGLI STUDI DI FIRENZE Facoltà di Ingegneria Corso di Laurea in INGEGNERIA INFORMATICAIdentificazione del dispositivo sorgente mediante tecniche di Image Forensics Tesi di Laurea di ANDREA GUIDIERI e FRANCESCO MEI Relatori: Prof. Alessandro Piva Ing. Alessia De Rosa Ing. Roberto Caldelli Ing. Francesca Uccheddu Anno Accademico 2009/2010
  2. 2. Sommario• Digital Forensic• Identificazione sorgente di acquisizione• Estrazione caratteristiche o Color Filter Array o Rumore• Classificazione dispositivo sorgente• Risultati sperimentali• Conclusioni
  3. 3. Digital Forensics Computer Forensics: Disciplina che si occupa di  Identificare  Conservare  Analizzare  Documentare reperti informatici al fine di presentare prove digitali valide in procedure civili e penali. Multimedia Forensics:Branca della Computer Forensics che focalizza lo studio su contenuti multimedialiper verificarne validità e affidabilità in ambito legale.
  4. 4. Image Forensics Riconoscimento del dispositivo sorgente
  5. 5. Obiettivo della tesiAnalisi interpolazione CFA Analisi Rumore Classificatore
  6. 6. Obiettivo della tesi
  7. 7. Color Filter Array Schema a blocchi del funzionamento di una fotocamera digitale
  8. 8. Estrazione caratteristiche CFA Obiettivo: Determinazione dei coefficienti di Obiettivo interpolazione delle tre bande di colore. Ipotesi: Ipotesi  Utilizzo del pattern Bayer e sue permutazioni  Uso di un algoritmo di interpolazione tra • Bilineare • Smooth Hue • Bicubico • Gradient Based • Mediano • Adaptive Color Plane
  9. 9. Estrazione caratteristiche CFA  Determinazione zone ad alto gradiente orizzontale, verticale e zona “liscia”Gradiente verticale Zona liscia Gradiente orizzontale
  10. 10. Estrazione features CFA Risoluzione sistema lineare, per ogni zona e ogni banda di colore.
  11. 11. Estrazione caratteristiche CFA
  12. 12. Rumore nei dispositivi digitali Il rumore è un segnale non desiderato di origine naturale o artificiale che si sovrappone all’informazione trasmessa o elaborata in un sistema. In fotografia l’effetto è visibile come una variazione del colore dei pixel che determina un calo di qualità dell’immagine.
  13. 13. Estrazione caratteristiche del rumore – Denoising –Immagine originale Immagine “denoised” Rumore Filtri utilizzati: o Lineare a media 3x3 o Mediana 3x3 o Lineare gaussiano 3x3 o Adattivo di Wiener 3x3 e 5x5  Calcolo media e deviazione standard del Rumore  2 valori × 5 filtri × 3 bande RGB = 30 caratteristiche
  14. 14. Estrazione caratteristiche del rumore – Analisi Wavelet – First-OrderDiscrete Wavelet Decomposition • Calcolo deviazione standard HL, LH e HH
  15. 15. Estrazione caratteristiche del rumore – Analisi Wavelet –• Confronto tra distribuzione gaussiana N(μ, σ²), la cui media evarianza sono derivate dalla sottobanda, e la distribuzione deicoefficienti della sottobanda stessa.  2 valori × 3 sottobande × 3 bande RGB = 18 caratteristiche
  16. 16. Estrazione caratteristiche del rumore – Neighborhood prediction – Ipotesi: Ottima predizione pixel nelle zone “lisce” dell’immagine Localizzazione zone mediante gradiente e sogliatura Ulteriore suddivisione in zone lisce chiare e scure
  17. 17. Estrazione caratteristiche del rumore – Neighborhood prediction – Ricostruzione zone lisce mediante interpolazione lineare
  18. 18. Estrazione caratteristiche del rumore – Neighborhood prediction – Confronto tra valori b’ predetti e originali b. Calcolo media e deviazione standard di Δb=|b’ – b|  2 valori × 2 zone lisce × 3 bande RGB = 12 caratteristiche
  19. 19. Classificatore SVMLib Organizzazione caratteristiche in vettori Divisione in set per addestramento e testing del classificatore Training set Testing set
  20. 20. Classificazione e risultati sperimentali Dispositivi usati per i test:
  21. 21. Classificazione e risultati sperimentali Database immagini: 100 immagini dai 3 modelli, 1/3 per modello 100 immagini dai 3 modelli, 1/3 per modello 100 immagini dai 3 modelli, 1/3 per modello• Modalità testing:  Generazione casuale di training set e testing set  Leave-one-out: 99% training set, 1% testing set  80-20: 80% training set, 20% testing set
  22. 22. Riconoscimento della sorgente Determinazione della tipologia di dispositivo.  100 prove Leave-one-out 80 – 20
  23. 23. Riconoscimento della sorgente Determinazione della tipologia di dispositivo con variazione della finestra di analisi, da 512 x 512 a 256 x 256.  100 prove Leave-one-out 80 – 20
  24. 24. Riconoscimento della sorgente Determinazione della tipologia di dispositivo con variazione a 0.3 MP delle foto da cellulare.  100 prove Leave-one-out 80 – 20
  25. 25. Conclusioni Utilizzo di coefficienti di interpolazione e caratteristiche del rumore per discriminare le tipologie di dispositivo sorgente Varietà di prove effettuate in condizioni diverse Sviluppi futuri Identificazione di immagini esterne al database Robustezza del sistema a diverse compressioni JPEG

×