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

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

3. Sommario
Digital Forensic
Digital Camera Identification
Metodo di identificazione e filtri di denoising
Risultati
Conclusioni e sviluppi futuri

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

16. Il filtro Mihçak

17. Il filtro Mihçak

18. Il filtro Mihçak

19. Il filtro Mihçak

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

21. Il filtro Argenti
Stima dei parametri nel dominio spaziale.

22. Il filtro Argenti
Proposto un raffinamento iterativo.
Si considera la stima iniziale dei parametri.

23. Il filtro Argenti
DWT non-decimata

24. Il filtro Argenti
Le statistiche del primo ordine
calcolate a partire da
γ σu g(k)

25. Il filtro Argenti
Minimizzazione lineare e locale
dell'Errore Quadratico Medio

26. Il filtro Argenti

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)

31. Risultati cazione
percentuali di identi
Corretta identificazione %
Filtro Mihçak: 99.09%
Filtro Argenti: 96.61%
Filtro LP : 84.44%

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