Vedere per credere - Università degli Studi di Siena
Transcript
Vedere per credere - Università degli Studi di Siena
Multimedia Forensics Tecnologie a sostegno dell’indagine: - identificazione del dispositivo sorgente - rivelazione di contraffazioni dei contenuti Mauro Barni Università di Siena - VIPP Group Sommario • Motivazioni • Principio base • Alcuni esempi • Conclusioni Vedere per credere ? Le immagini fotografiche hanno perso la loro innocenza (se mai ne hanno avute una) molto tempo fa Vedere per credere ? Vedere per credere ? Con l’avvento della fotografia digitale la validità delle immagini come prove documentali è definitivamente tramontata Basta leggere le notizie di cronaca Vedere per credere ? Illuminazione frontale Illuminazione laterale Vedere per credere ? Vedere per credere ? = + Anche gli scienziati … Non solo fotomontaggi CG CG Real CG CG Real CG Real Real Real Vedere per credere ? Pesca miracolosa ? Sonda Phoenix su Marte ??? Incontro tra amici ? Risvolti legali • Validità probatoria delle immagini digitali • Manipolazione dell’opinione pubblica • Esempio: legislazione contro la “child pornography” negli USA Analisi forense dei dati visuali • Elaborazione di immagini/video: dai problemi alle soluzioni • Principio base – Ogni dispositivo di acquisizione introduce una firma caratteristica che lo contraddistingue – La stessa cosa vale per gli strumenti di elaborazione delle immagini Immagine digitale: il pixel Ad ogni pixel corrisponde un valore compreso in [0, 255] con 0 = nero, 255 = bianco Immagine digitale: il ciclo di vita sensore dei colori scena reale Pattern del CFA lenti & filtro ottico Interpolazione dei colori CCD/CMOS • bilanciamento del bianco; • saturazione del contrasto; • Compressione JPEG FOTOCAMERA DIGITALE • Imperfezioni nei sensori (CCD) Elaborazioni fuori dalla camera – ad es. pixel difettosi/rumorosi • Soluzioni tecnologiche specifiche dei singoli produttori immagine digitale finale Esempio: le immagini a colori B G R Esempio: le immagini a colori Le macchine digitali acquisiscono una sola immagine con i pixel rossi, verdi e blu mischiati secondo una specifica maschera dipendente dal produttore. Luce incidente Strato del filtro Array del sensore Pattern risultanti Esempio: le immagini a colori 10 11 12 15 10 0 12 0 10 11 12 0 8 9 12 12 0 9 0 12 8 9 6 17 18 15 6 0 18 0 6 7 18 0 10 5 14 6 0 5 0 5 0 6 0 12 0 6 Ad es. per il canale verde Dall’immagine acquisita alle 3 bande di colori • Ogni produttore utilizza una procedura di riempimento (interpolazione) diversa. Allo stesso modo … • Si distinguono immagini generate da una macchina fotografica (digitale) da quelle acquisite mediante scanner • Si può capire se un’immagine (o porzione di immagine) è stata ridimensionata … – Come si ingrandisce un’immagine ? Allo stesso modo … 11 11 12 4 7 11 3 9 8 4 5 7 15 13 18 7 13 10 12 12 21 6 6 8 14 16 19 12 45 13 6x6 pixel 14 10 18 10 9 11 11 11 12 4 7 11 7 10 10 4 6 6 3 9 8 4 5 7 15 13 18 7 13 10 12 12 21 6 6 8 14 16 19 12 45 13 14 10 18 10 9 11 6x12 pixel • Come calcoliamo il valore dei pixel mancanti ? • Ancora una volta mediante una tecnica di interpolazione Rivelazione di copia&incolla • Aggiustamenti delle dimensioni lasciano una firma facilmente identificabile • La maggior parte dei fotomontaggi implica un ridimensionamento delle parti incollate, e quindi una interpolazione. Esempio: rumore della camera • Le imperfezioni lasciate dal sensore della fotocamera può essere modellato da due principali componenti di rumore: – Fixed Pattern Noise (FPN) • Differenza pixel a pixel quando non c’è presenza di luce (dark current). • Nella maggior parte delle fotocamere questa differenza è equalizzata sottraendo il rumore ipotizzato dalla foto. • Rumore additivo, dipendente dalla temperatura e dal tempo di esposizione. Esempio: rumore della camera – Photo-Response Non-Uniformity (PRNU) • Imperfezioni dovute al processo produttivo del semiconduttore, diverse per ciascun sensore • Rumore moltiplicativo, non dipendente dalla temperatura e dal tempo. • E’ una impronta 2D deterministica sovrapposta a ciascuna immagine acquisita. • Utile per creare un link distintivo tra fotocamera e le sue foto. Esempio: rumore della camera Riferimento del rumore per la fotocamera Filtro di Denoising Rumore estratto Media dei rumori estratti Esempio: rumore della camera Riferimento del rumore per la fotocamera Rumore estratto Attribuzione della relazione tra foto e camera Esempio: rivelazione di clone • Una parte dell’immagine è copiata e incollata su un’altra parte per nascondere del contenuto • IDEA: rivelare aree dell’immagine innaturalmente simili Originale The image cannot be displayed. Your computer may not have enough memory to open the image, or the image may have been corrupted. Restart your computer, and then open the file again. If the red x still appears, you may have to delete the image and then insert it again. Manipolata Mappa The image cannot be displayed. Your computer may not have enough memory to open the image, or the image may have been corrupted. Restart your computer, and then open the file again. If the red x still appears, you may have to delete the image and then insert it again. Esempio: rivelazione di copia&incolla • La compressione JPEG lascia dei segni ai bordi dei blocchi 8x8 usati per comprimere • Nel caso di doppia compressione le tracce della vecchi compressione rimangono disallineati rispetto alla nuova compressione Esempio: rivelazione di copia&incolla Esempio: aberrazione L’effetto “arcobaleno” prodotto dalle lenti ha una tipica configurazione spaziale che permette di individuare operazioni di copia – incolla Esempio: aberrazione Esempio: luci e ombre L. H. Oswald è stati incriminato per l’assassinio di J. F. Kennedy, nel 1963 Nel tempo sono stati sollevati molti dubbi sule prove a suo carico Questa foto di Lee Harvey Oswald nel suo giardino è stata a lungo sospettata di essere un fotomontaggio Esempio: luci e ombre La ricostruzione 3D della scena mostra che le ombre sono del tutto plausibili. Esempio: dipendenza tra immagini • E’ utile per: – Definire l’immagine sorgente originaria (root) del contenuto – Raggruppare immagini che provengono dalla stessa root – Capire il ruolo di differenti siti web per la formazione delle opinioni – Ricostruire come l’uso dell’informazione veicolata dall’immagine root evolve nello spazio e nel tempo • Cosa significa trovare le dipendenze ? – Date 2 immagini rappresentanti lo stesso contenuto, si vuole capire se la seconda è stata prodotta a partire dalla prima Esempio: dipendenza tra immagini Ipotesi: I = [IC, IR] Le immagini IA, IB sono indipendenti se e solo se I (IA,R; IB,R) = 0 Si cerca di determinare la funzione che può essere stata usata per produrre IB a partire da IA e si usa il coefficiente di correlazione per prendere una decisione: ! (IA,R, f *(IB)R) > T Esempio: dipendenza tra immagini • Concatenazione di 3 funzioni elementari: – Trasformazione geometrica (!g) – Trasformazione dei colori (!c) – Compressione JPEG (!J) Queste trasformazioni rappresentano la maggior parte delle attività di un “tipico utente”. Il sistema può essere esteso per includere altre funzioni di modifica. Esempio: dipendenza tra immagini Esempio: dipendenza tra immagini • Le ultime 3 immagini sulla sinistra hanno una cornice bianca. • Le immagini figlie sulla destra hanno i colori modificati rispetto all’immagine padre • L’immagine figlia sulla sinistra sembra essere mal localizzata rispetto ai colori dell’immagine padre. Conclusioni • Multimedia forensics: un settore di ricerca molto interessante e molto attivo – Sebbene ancora giovane • Disponibilità di molti algoritmi che considerano differenti problemi • Non c’è ad oggi una teoria generale disponibile (è possibile ?) • L’analisi dal punto di vista della sicurezza (e robustezza) è necessaria