classificazione non supervisionata di immagini digitali per applicazioni di image forensics

Download Classificazione non supervisionata di immagini digitali per applicazioni di image forensics

Post on 28-Jan-2015

104 views

Category:

Technology

2 download

Embed Size (px)

DESCRIPTION

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

TRANSCRIPT

  • 1. Classificazione non supervisionata di immagini digitali per applicazioni di image forensicsMatteo Innocenti Relatori: Prof. Vito Cappellini Dott. Roberto CaldelliFirenze, 07/10/2010 Ing. Francesco Picchioni Ing. Irene Amerini

2. Sommario Obiettivo Digital Forensics Digital Camera Identification Classificazione Test e risultati Conclusioni 3. Obiettivo DateNimmaginidigitaliprovenientidaK(ignoto)fotocamere, raggruppareleimmaginiingruppicorrispondentiallefotocamere.N=5 K=2 4. Digital Forensics Dagli anni 80: forte espansione dei dispositivi di acquisizione e manipolazione digitali, primi interessi circa la risoluzione dei casi giudiziari mediante lutilizzo di prove digitali. DigitalForensicsWorkshop,NewYork(2001): DigitalForensics lascienzachepermetteattraversolusodispecifiche metodologie,laraccolta,lidentificazioneelanalisidiprove digitali,allo scopodiricostruireeventicollegatiadazioniillegali. Prova digitale: qualsiasi informazione, con valore probatorio, memorizzata in formato digitale. 5. Digital ForensicsAnalisi del traffico di rete e dei log di Network Forensicssessione dei dispositivi di rete.Estrazione ed analisi dei dati Computer Forensics memorizzati nei calcolatori. Multimedia Forensics Si occupa dei media digitali.Tampering detection e source identification. 6. Multimedia Forensics Tampering detection Ha il compito di rilevare tentativi di contraffazione che compromettono lintegrit del media digitale.Originale Contraffatta 7. Multimedia Forensics Source identification Identificazione del particolare dispositivo che ha acquisito un media digitale. Esempi applicativi Acquisizione di materiale pedo-pornografico, copia di opere protette da copyright. Nel caso di fotografie digitali prende il nome di Digital Camera Identification 8. Digital Camera IdentificationFunzionamentoObiettivoRisalire alla una caratteristica impronta (fingerprint) della fotocamera: il PRNU. Si utilizza fotocamera digitale che ha acquisito una certa foto.Si controlla allinterno dellimmagine sotto esame la presenza della fingerprintattraverso il calcolo della correlazione (J. Fridrich ).PRNU (Photo Response Non-Uniformity)Componente principale del Pattern NoiseDifferente sensibilit alla luce dei pixel del sensoreCaratteristica esclusiva del sensore J. Lukas, J. Fridrich, M. Goljan, Digital camera identification from sensor pattern noise, TIFS 2006. 9. Denoising Filtro didenoising Filtro di Mihak - Lavora nel dominio Wavelet. M.K. Mihak, I. Kozintsev, K. Ramchandran, Spatially adaptive statistical model of wavelet image coefficientsand its application to denoising, ICASSP 1999. 10. Lavori precedenti Chang-Tsun Li (University of Warwick, Coventry)* Algoritmo di classificazione basato sui campi randomici di Markov (MRF) Utilizzo di una funzione di enhancement del rumore Esalta il rumore estratto, eliminando i dettagli della scena ritratta. Molto utile per immagini di dimensione piccola. E applicato nel dominio della trasformata Wavelet dopo lestrazione del PRNU. C.-T. Li, Unsupervised classification of digital images using sensor pattern noise, ISCAS 2010. 11. Enhancer Enhancer proposto Esempio su di un blocco di 512*512 pixels OriginaleNo enhancerCon enhancer 12. ClassificazioneClustering gerarchico agglomerativoProcedura iterativa (N-1) di clustering.Si inizia con tanti cluster quante sono (N) le immagini nel training-set.Ad ogni iterazione vengono uniti i due cluster pi correlati tra di loro.Gerarchia rappresentabile con un dendogramma.Condizione di stopOccorre valutare a quale altezza deve essere tagliato lalberoper ottenere la miglior partizione delle immagini in gruppi. Valutazione dei cluster con coefficienti di silhouette Ad ogni iterazione si calcola la qualit della partizione corrente. Al termine della procedura si recupera la partizione migliore. 13. Coefficienti di silhouetteCoefficienti di silhouetteCombinano gli aspetti di coesione e separazione tra clusters.Si calcola si per ciascun rumore i-esimo, poi si effettua la media.ai la correlazione media tra i e gli altrirumori appartenenti allo stesso cluster.bi la correlazione media tra i e gli altrirumori non appartenenti allo stessocluster, prendendo la media tra tutti icluster considerati. 14. Coefficienti di silhouette Condizione di stop Literazione che verifica: 294Esempio su dataset di 300 immagini provenienti da 6 fotocamere 15. Test e RisultatiDataset1200 immagini, 200 per ciascuna delle 6 fotocamere utilizzate.Training-set: 50*6, Test-set: 150*6VariabiliDimensione dei rumori: da 128x128 a 1536x2048 pixelsUtilizzo o meno dellenhancerComposizione del dataset di addestramentoConfrontoProcedura sviluppata da Chang-Tsun Li in un lavoro precedente.HW-SWIntel Quad Core Q6600, 4GB RAM, Linux os, Matlab R2009a-b. 16. Test enhancerTest enhancer 17. Test su dataset uniformeTraining-setDistribuzione uniforme: 50 immagini per fotocamera. 18. Test su dataset non uniformeTraining-setDistribuzione non uniforme: 300 immagini in totale.Risoluzione fissa 512*512 pixels. 19. Test su dataset non uniformeTest-setDistribuzione uniforme: 150 immagini per fotocamera.Risoluzione fissa 512*512 pixels.Fingerprints Centroide dei clusters trovati Costituiscono la conoscenza del classificatore 20. Conclusioni EnhancerEfficacia lievemente migliorata Algoritmo di clusteringEfficienza migliorata notevolmente Efficacia nettamente migliorata per dataset non uniformi, scenario realistico (fino al +26%)A parit di tempo di esecuzione, efficacia migliorata anche per dataset uniformi 21. Articolo WIFS 2010 2010 IEEE International Workshop on InformationForensics and Security (WIFS2010)Fast image clustering of unknown source images di R. Caldelli, I. Amerini, F. Picchioni, M. InnocentiTasso di accettazione: 28%

Recommended

View more >