Краткий ответ
Да, можно сопоставить фотографию с дискретной камерой, с которой она была сделана (без метаданных), и это также довольно надежно. Методика легко доступна в нескольких программных продуктах, одним из которых является Amped Authenticate , произведенный Amped Software (отказ от ответственности: я являюсь генеральным директором и основателем компании).
Основная идея
Основная идея заключается в том, что каждое отдельное устройство оставляет различный «отпечаток шума» на каждой фотографии, которую оно производит. Этот компонент называется PRNU (неоднородность фотоотклика) и широко изучался в литературе. Было показано, что это:
- постоянная во времени
- постоянная температура
- независимо от других настроек камеры (экспозиции, фокусировки и т. д.)
- довольно устойчив к повторному сжатию (примерно на уровне JPEG 5-60%)
- довольно устойчив к настройкам интенсивности и цвета (контраст, яркость ...)
- достаточно устойчиво к локальным изменениям (т. Е. Если часть изображения была подделана, - изображение в целом все еще распознается как поступающее с определенной камеры)
Однако он не работает должным образом в следующих ситуациях:
- , если изображение было обрезано или имеет цифровой зум, так как для него потребуется только часть датчика, а не вся его область (это можно решить, но тогда изменение размера не будет устойчивым)
- для очень сильных улучшений
- для очень темных или очень ярких изображений, поскольку в этих областях шум отсутствует)
Как это работает
Чтобы извлечь PRNU из изображения, вам нужно в основном извлечь определенный компонент шума. Вы можете сделать это, обесценивая изображение и вычитая к нему оригинальное изображение. В литературе рекомендуется использовать вейвлет-фильтры, но даже с более простыми и быстрыми фильтрами вы можете получить аналогичные результаты.
Практически говоря, процедура выполняется следующим образом:
Вам необходимо создать эталонный шаблон камеры (CRP) : это сделано для извлечения PRNU из некоторых изображений вашего тестового устройства. Для достижения наилучших результатов рекомендуется использовать около 30-50 снимков с как можно более мелкими деталями, не слишком темными или слишком белыми и составлять пиксель за пикселем в среднем. Давайте назовем эти Справочные картинки . Если у вас есть камера, вы можете сфокусировать изображение стены или неба. Если у вас нет камеры, вы можете делать обычные снимки, но вам, вероятно, понадобится их больше, чтобы отфильтровать детали с усреднением.
Затем вы можете извлечь PRNU из анализируемой картинки и вычислить корреляцию с CRP . Чем выше корреляция, тем выше вероятность того, что изображение получено с одной и той же камеры.
Вы можете автоматически классифицировать изображения, вычисляя порог для корреляции: изображения с корреляцией выше, чем порог, будут иметь высокую вероятность того, что они поступят с камеры, иначе они, вероятно, будут получены с другое устройство.
Порог можно получить, рассчитав корреляцию для:
- картинки с одного устройства (положительные)
- снимков с другой модели камеры (негатив)
- снимки с другого экземпляра той же модели камеры (негатив)
В целом, вероятно, что положительные и отрицательные множества не будут идеально разделены, поэтому вы должны установить желаемый баланс между ложными положительными и ложными отрицательными значениями, которые вы хотите получить от случая к случаю.
Если используется прибл.в действительности метод оказался очень надежным, хотя было показано, что можно найти два образца одной и той же модели с очень похожим PRNU. Это может произойти, например, если датчик двух устройств был изготовлен из одной кремниевой пластины. Это удаленная возможность, но все же возможность.
В качестве примера это изображение ниже представляет собой PRNU, извлеченный из изображения без какого-либо существенного содержания (не в фокусе изображения стены).
Подделка
Корреляция PRNU также может применяться локально для обнаружения изменений на изображениях.
Идея состоит в том, чтобы вычислить PRNU на скользящем окне n x n пикселей по изображению, чтобы создать карту корреляции. Области с низкой корреляцией с высокой вероятностью будут подвержены вмешательству.
На изображении ниже представлен пример анализируемой картинки.
Ниже приведен результат блочной корреляции CRP с PRNU, извлеченным из изображения. Белая область представляет собой области, которые, скорее всего, будут изменены, где шум является несогласованным. Посередине стола видны явные признаки взлома.
На самом деле это оригинальное изображение, с которого было удалено оружие.
Ссылки
Существует бесчисленное множество статей, в которых анализируется ЕНПУ с разных точек зрения, но, вероятно, они являются наиболее важными:
- J. Лукас, Дж. Фридрих и М. Гольян, «Идентификация цифровой камеры по шуму датчика», IEEE Transactions по информационной безопасности и криминалистике, стр. 205-214, 2006.
- Мо Чен, Дж. Фридрих и М. Гольян, "Идентификация датчика цифрового изображения (дальнейшее исследование)", Труды. SPIE Электронные изображения, безопасность, стеганография и водяные знаки мультимедийного содержания, стр. 0P-0Q, 2007.
Резюме
Технология различения изображений, поступающих с разных камер, даже если они одного и того же производителя и модели, существует и довольно широко применяется в академических и судебных кругах. На рынке имеется несколько программных продуктов , которые позволяют вам делать это относительно легко, а также оценивать подлинность изображения аналогичным способом.