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
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
L'occhio del biologo: elementi di fotografiaMarco Benini
The slides of the course "L'occhio del biologo", Alta Formazione, Università degli Studi dell'Insubria.
It is a small course on the fundamentals of photography oriented towards the scientific photography in a biological laboratory.
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
L'occhio del biologo: elementi di fotografiaMarco Benini
The slides of the course "L'occhio del biologo", Alta Formazione, Università degli Studi dell'Insubria.
It is a small course on the fundamentals of photography oriented towards the scientific photography in a biological laboratory.
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
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
CCI 2019 - Strumenti Azure per l'Anomaly Detection in ambito Industria 4.0walk2talk srl
Il rilevamento delle anomalie consiste nell'identificazione di eventi nei dati che risultano fuori del comportamento previsto, utilizzando metodi computazionali. Nelle industrie che avanzano verso la trasformazione digitale, lo scopo di questa tecnica non si limita solo alla manutenzione predittiva delle macchine, essendo anche estremamente utile ad esempio nel rilevamento di variazioni della domanda di prodotti, nell'individuazione di errori presenti nei dati aziendali, o nella scoperta di attività fraudolente, tra gli altri.
A causa di fattori come volume, frequenza e dimensione degli eventi anomali, il modo più pratico e intelligente di eseguire il rilevamento è tramite l'applicazione di algoritmi di machine learning.
In questa sessione vedremo come Azure facilita il rilevamento delle anomalie nei dati mettendo a disposizione diversi strumenti di intelligenza artificiale.
By Ariel Cedola
3° Presentazione del workshop finale del progetto Custom Implants
Precision Grafting
Sviluppo, messa a punto e validazione in camera bianca di una innovativa piattaforma di lavorazione asettica dei tessuti ossei che integri un braccio robotico ed un sistema di visione 3D basato su scansione laser, al fine di ottimizzare la fabbricazione di tessuti di precisione.
Principali settori indirizzati: Dispositivi medici, Strumentari chirurgici, Guide di taglio personalizzate
Sito web del progetto: www.custom-implants.it
Presentazione Sviluppo e confronto di tecniche di stima della traiettoria di ...Andrea Bidinost
TARGET: Estimate camera pose and trajectory from 3D images acquired by 3D structured light sensor.
Development of new algorithm for egomotion estimation (Frame Based and Color Fusion) and comparison with Iterative Closest Point approaches.
Usage of inverse depth space for 3D data modelization.
Terranova M. S., Dalla fotogrammetria al Kinect: approcci di rilievo a confrontoProgetto Open Téchne
Dissertazione finale del Master Open Téchne 2013.
L' elaborato descrive le metodologie e i risultati del rilievo e della modellazione 3D di alcuni manufatti
archeologici presenti all'interno della collezione del Museo del Buonconsiglio di Trento. Nello specifico
sono stati rilevati ed elaborati una maschera egizia in legno dipinto, un monumento celebrativo e una base decorata, entrambi in marmo. Le acquisizioni sono state effettuate avvalendosi di una procedura
fotogrammetrica close-range e del sensore Microsoft Kinect. Nel primo caso, i dataset di immagini ottenuti sono stati elaborati con software opensource ( PPT e VSFM) e commerciali lowcost ( Agisoft Photoscan), al fine di testarne le diverse performances. I modelli 3D ottenuti con le diverse metodologie, sono stati confrontati metricamente.
http://www.istitutoficlu.org/iniziative/master-open-techne-2012-2013-discussione-finale/
Progettazione e sviluppo di un sistema di visione artificiale per il monitora...RiccardoScilla
Presentazione Tesi
Progettazione e sviluppo di un sistema di visione artificiale per il monitoraggio automatico delle posizioni di uno sciame di robot in uno scenario di laboratorio
la capacita’ di calcolare e acquisire informazioni attraverso computer e moderne strutture informatiche e’ oggi fondamentale nella fisica moderna, permettendoci di simulare quello che ci aspettiamo e di acquisire le informazioni del mondo elementare trasformandole in grandezze che si possono analizzare per validare ne nostre teorie. Questo ha fatto si che la fisica delle particelle elementari e’ sempre stata alla ribalta nello sviluppo tecnologico nell’elettronica ed informatica. Infatti, come ad esempio con il world wide web, da qui sono nate nuove idee e applicazioni che oggi fanno parte delle nostra vita quotidiana. Quali idee sono state veramente innovative? Su cosa stiamo lavorando oggi? e in futuro!? (seminario)
3D scanner & Reverse Engineering. Una panoramica sulle tecnologie di reverse engineering e sui modelli di scanner commerciali e open source/DIY. Come riparare i file con Meshlab e netfabb. Uso della kinect.
Sumary of Person Surveillance Using Visual and Infrared Imagery
Studio e confronto di filtri per il denoising di immagini in relazione all’identificazione di fotocamere digitali in ambito forense
1.
2. Studio e confronto di filtri
per il denoising di immagini
in relazione all'identificazione
di fotocamere digitali
in ambito forense
Matteo Castelli
Relatori:
Dott. Ing. Alessandro Piva
Firenze, 19/12/2008 Dott. Ing. Roberto Caldelli
Ing. Irene Amerini
Ing. Francesco Picchioni
4. Digital Forensic
de nizione
Dagli anni '80: nascita di nuove tipologie di azioni illegali collegate
all'uso di dispositivi elettronici.
Digital Forensic Workshop, New York (2001):
“Il Digital Forensic 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, trasmessa o
memorizzata in un formato digitale.
5. Digital Forensic
aree 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
6. Digital Forensic
multimedia forensic
Forgery Detection
ha il compito di rilevare manomissioni o contraffazioni
che hanno compromesso l'integrità del dato in esame.
immagine originale immagine contraffatta
7. Digital Forensic
multimedia 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 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
8. Digital Camera Identification
obiettivo e modalità
Obiettivo
Risalire alla fotocamera digitale che ha acquisito una data immagine.
Modalità
Individuare un' impronta che la fotocamera ha lasciato sull'immagine
scattata, che permetta la sua identificazione.
fingerprint
firearms identification digital camera identification
9. Digital Camera Identification
processo 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
10. Digital Camera Identification
il metodo di identi cazione di J. Fridrich
Fingerprint = PRNU
Il 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)
11. Metodo di identificazione
creazione del ngerprint
✗Eliminate le
componenti
randomiche di
rumore e il residuo
della scena
fotografata.
✔Esaltato si
PRNU, che
il
presenta sempre
nella stessa
posizione all'interno
delle fotografie.
12. Metodo cazione
processo di identi
di identificazione
Importanza cruciale del filtro di denoising utilizzato
13. Filtri di denoising
introduzione
Filtro passa-basso (LP)
Filtro Mihçak [mih99]
Filtro Argenti [arg05]
Caratteristica
comune
Trasformata Wavelet discreta (DWT)
Daubechies – 4° livello di decomposizione
Differenz
e
Algoritmo di denoising
Modello 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”
14. Il filtro LP
Prende in considerazione i soli coefficienti di
approssimazione, annullando i coefficienti di dettaglio.
immagine originale decomposizione wavelet
15. Il filtro Mihçak
Filtro statistico locale
spazialmente adattivo
Modello
rumore AWGN
varianza dell'immagine sconosciuta
Criterio Massima Verosimiglianza e
Minimizzazione Errore
Quadratico Medio
20. Il filtro Argenti
Filtro spaziale applicato sul dominio
Wavelet non-decimato
Modello parametrico di rumore
segnale-dipendente, additivo, bianco
Parametri del modello: γ σu
27. Risultati
descrizione degli esperimenti
Obiettivo
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
28. Risultati
descrizione 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
29. Risultati
confronto 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)
30. Risultati
confronto ltri
Per ogni fingerprint: grafico della distribuzione delle correlazioni
per la classe “non appartenente”, relativo a ciascun filtro.
X: valori di correlazione (millesimi); Y: residui di rumore (Nikon D40x)
32. Conclusioni
Implementazione e verifica del metodo di identificazione di
fotocamere digitali
Implementazione all'interno del metodo e confronto di tre filtri di
denoising per immagini: il filtro LP, il filtro Mihçak, il filtro Argenti.
Risultati
PRNU è un ottimo fingerprint.
Verificata la robustezza del metodo di identificazione, utilizzando
immagini 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
33. 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
34. Studio e confronto di filtri
per il denoising di immagini
in relazione all'identificazione
di fotocamere digitali
in ambito forense
Matteo Castelli
Relatori:
Dott. Ing. Alessandro Piva
Firenze, 19/12/2008 Dott. Ing. Roberto Caldelli
Ing. Irene Amerini
Ing. Francesco Picchioni
35. Risultati
stima 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