Bagaimana saya bisa tahu jika dua foto diambil dengan kamera yang sama tanpa metadata?

8

Apakah mungkin untuk mengidentifikasi gambar (tanpa data exif) dan menautkannya ke kamera yang sama persis? Jika demikian, saya ingin beberapa rekomendasi perangkat lunak untuk menyelesaikan pekerjaan.

Saya memiliki dua foto yang ingin saya bandingkan apakah diambil dengan kamera yang sama atau tidak. Mereka berdua tampaknya kekurangan data EXIF tapi saya yakin saya pernah mendengar sidik jari tersembunyi lainnya dapat ditemukan dalam gambar.

Misalnya, noise sensor harus agak konsisten jika foto diambil dengan kamera yang sama, cukup seperti menembakkan pistol dan peluru mendapat tanda unik. Saya juga pernah mendengar bahwa produsen kamera terkadang menambahkan tanda air tersembunyi yang dapat dibaca dengan beberapa perangkat lunak khusus.

metadata noise

— jman
sumber

5

Sepertinya Anda terlalu banyak menonton CSI :)

— Flimzy

Apa format gambarnya? Jika mereka jpeg, seberapa terkompresnya mereka? Sudahkah mereka diturunkan?

— Evan Krall

3

@Flimzy Teknologi ini ada. Saya harus tahu - saya membantu membuat prototipe ketika bekerja untuk Angkatan Udara AS, menggunakan penelitian dari SUNY Binghamton. Jawaban saya mengutip penelitian yang masuk ke pekerjaan yang kami lakukan.

— Thomas Owens

10

Misalnya, noise sensor harus agak konsisten jika foto diambil dengan kamera yang sama, cukup seperti menembakkan pistol dan peluru mendapat tanda unik.

Bingo - benar tentang uang.

Ada dua aspek aspek penelitian yang saya kenal ketika saya bekerja di bidang ini pada 2006-2007. Yang pertama adalah identifikasi merek dan model kamera dan yang kedua adalah mengidentifikasi jika kamera tertentu mengambil gambar tertentu.

Berikut beberapa tautan yang relevan:

Diberikan sampel besar gambar dari beberapa kamera, saya dapat menghasilkan pola noise rata-rata yang ada pada merek dan model tertentu. Ketika disediakan dengan gambar tunggal, saya dapat menggunakan pola noise rata-rata dan gambar tunggal ini, dengan kepercayaan tinggi, memberi tahu Anda hasil pembuatan dan model kamera yang diberikan.

Diberikan sampel gambar dari kamera tunggal, saya dapat membandingkan satu gambar dengan pola noise dari sampel gambar ini dan memberi tahu Anda jika kamera yang menghasilkan sampel besar juga menghasilkan gambar tunggal.

Namun, algoritma dan teknik untuk melakukan ini dipatenkan. Saya percaya Paten AS 7.616.237 relevan dengan pertanyaan khusus Anda. Ini mengutip karya Jessica Fridrich, Miroslav Goljan, dan Jan Lukas dan juga menyediakan sejumlah makalah penelitian tentang masalah ini. Sayangnya, saya tidak terbiasa dengan perangkat lunak yang tersedia untuk umum (komersial atau lainnya) yang mengimplementasikan teknik ini. Pekerjaan yang saya lakukan adalah atas nama Departemen Pertahanan AS, yang mendukung penelitian yang masuk ke paten ini.

— Thomas Owens
sumber

Bagaimana ini dipengaruhi oleh kamera dengan lensa yang dapat dilepas? Jika saya memiliki dua kamera dan dua lensa, dan memberi Anda 1000 pemotretan dari setiap kamera, tetapi lensanya ditukar bolak-balik secara acak, seberapa akurat hasilnya? (Anggaplah lensa adalah model yang identik, jadi panjang fokus, distorsi, dll, tidak akan mati memberi-aways)

— Flimzy

1

@Flimzy Saya tidak percaya ini penting. Pola kebisingan dihasilkan oleh elektronik yang berada di belakang lensa, CCD atau sensor CMOS dan semua komponen lain yang membawa muatan. Jadi, bahkan jika Anda memiliki lensa acak dengan berbagai panjang fokus, distorsi, dan sebagainya, pola noise yang ada dan ditangkap oleh sensor dalam gambar output pixel n * m harus serupa, jika tidak sama.

— Thomas Owens

Apakah ini berarti lensa yang kotor / tergores / cacat tidak akan memengaruhi proses ini? Saya kira lensa harus sangat kotor atau tergores untuk melakukan lebih dari sekedar membuat foto kabur dalam banyak kasus, toh, eh?

— Flimzy

@Flimzy Tidak ada hubungannya dengan lensa yang kotor atau tergores atau gambar buram. Semuanya terjadi pada level sensor. Ada faktor-faktor lingkungan yang menyebabkan perbedaan dalam pola noise, itulah sebabnya Anda membutuhkan kumpulan data yang cukup besar untuk mendapatkan noise yang konsisten di seluruh gambar. Tetapi Anda dapat memiliki lensa yang paling buram, tergores, kotor dan masih mengidentifikasi kamera, selama sensor yang sama digunakan.

— Thomas Owens

Sangat menarik. Terima kasih untuk posting informatif ini, dan untuk menghibur saya dan pertanyaan saya :)

— Flimzy

4

Jika sensor memiliki piksel panas dan piksel ini tidak dihapus dari foto, maka Anda dapat mengidentifikasi kamera.

— asalamon74
sumber

Hal yang sama berlaku untuk debu sensor, jika sensor belum dibersihkan di antara pemotretan.

— Imre

2

Dalam situasi Anda, Anda tidak bisa. Noise tidak sepenuhnya acak tetapi memiliki komponen acak untuk itu. Untuk mengisolasi sidik jari kamera, Anda perlu membuat profil kamera melalui serangkaian pemotretan. Hanya memiliki dua tembakan, tidak banyak yang dapat Anda lakukan.

Beberapa pembuat kamera menambahkan tanda tangan tetapi itu berlaku di metadata, jadi jika EXIF dilucuti maka Anda kurang beruntung di bagian depan itu. Plus, itu dirancang untuk menentukan apakah suatu gambar berasal dari kamera, bukan dari kamera mana asalnya.

— Itai
sumber

1

Juga jika gambar dikompresi (seperti kebanyakan), saya menduga sebagian besar sensor dan / atau noise lensa akan terdistorsi melebihi apa pun yang berguna.

— Flimzy

Seperti yang saya pahami, teknik "sensor noise fingerprint" secara mengejutkan kuat terhadap kompresi dan pengeditan gambar lossy lainnya.

— Silakan Baca Profil Saya

2

Jawaban singkatnya

Ya, dimungkinkan untuk mencocokkan foto dengan kamera diskret yang diambilnya (tanpa metadata) dan juga cukup dapat diandalkan. Teknik ini tersedia dalam beberapa produk perangkat lunak, salah satunya adalah Amped Authenticate , diproduksi oleh Amped Software (penafian: Saya adalah CEO dan Pendiri perusahaan).

Ide dasarnya

Ide dasarnya adalah bahwa setiap perangkat meninggalkan "sidik jari noise" yang berbeda pada setiap foto yang dihasilkannya. Komponen ini disebut PRNU (Photo Response Non-Uniformity) dan telah banyak dipelajari dalam literatur. Telah terbukti:

konstan sepanjang waktu
konstan atas suhu - bergantung pada pengaturan kamera lainnya (pencahayaan, fokus, dll ...)
cukup kuat untuk melakukan kompresi ulang (sekitar JPEG kualitas 5-60%)
cukup kuat untuk penyesuaian intensitas dan warna (kontras, kecerahan ...)
cukup kuat untuk modifikasi lokal (yaitu jika sebagian gambar telah dirusak, - gambar secara keseluruhan masih diakui berasal dari kamera tertentu)

Namun, itu tidak berfungsi dengan baik dalam situasi ini:

jika gambar telah dipangkas atau memiliki pembesaran digital, karena hanya akan mengambil sebagian dari sensor dan bukan seluruh area (ini bisa diselesaikan, tetapi kemudian tidak akan kuat untuk mengubah ukuran)
untuk peningkatan yang sangat kuat
untuk gambar yang sangat gelap atau sangat terang, karena noise tidak ada di area ini)

bagaimana cara kerjanya

Untuk mengekstrak PRNU dari gambar Anda pada dasarnya perlu mengekstrak komponen tertentu dari kebisingan. Anda dapat melakukannya denoising gambar dan menguranginya gambar asli. Dalam literatur disarankan untuk menggunakan filter Wavelet, tetapi bahkan dengan filter yang lebih sederhana dan lebih cepat Anda bisa mendapatkan hasil yang serupa.

Secara praktis prosedur ini dilakukan dengan cara berikut:

Anda perlu membuat Camera Reference Pattern (CRP) : ini dilakukan mengekstraksi PRNU dari beberapa gambar perangkat uji Anda. Untuk hasil terbaik, disarankan untuk menggunakan sekitar 30-50 gambar dengan detail sesedikit mungkin dan tidak terlalu gelap atau terlalu putih dan membuat pixel dengan pixel rata-rata. Sebut saja Gambar Referensi ini . Jika Anda memiliki kamera, Anda dapat mengambil gambar fokus dari dinding atau langit. Jika Anda tidak memiliki kamera, Anda dapat mengambil gambar umum, tetapi Anda mungkin perlu lebih banyak untuk memfilter detail dengan rata-rata.
Kemudian Anda dapat mengekstrak PRNU dari gambar di bawah analisis dan menghitung korelasinya dengan CRP . Semakin tinggi korelasinya, semakin tinggi probabilitas bahwa gambar berasal dari kamera yang sama.
Anda dapat secara otomatis mengklasifikasikan gambar yang menghitung ambang untuk korelasi: gambar dengan korelasi yang lebih tinggi dari ambang akan memiliki probabilitas tinggi untuk datang dari kamera, jika tidak mereka mungkin berasal dari perangkat yang berbeda.

Ambang batas dapat diperoleh dengan menghitung korelasi untuk:

gambar yang berasal dari perangkat yang sama (positif)
gambar yang berasal dari model kamera lain (negatif)
gambar yang berasal dari contoh lain dari model kamera yang sama (negatif)

Secara umum kemungkinan set positif dan negatif tidak akan dipisahkan dengan sempurna, jadi Anda harus mengatur keseimbangan yang diinginkan antara positif palsu dan negatif palsu yang ingin Anda peroleh dari kasus ke kasus.

Jika digunakan dengan tepat, metode ini telah terbukti sangat andal, meskipun telah terbukti bahwa mungkin untuk menemukan dua contoh model yang sama dengan PRNU yang sangat mirip. Ini dapat terjadi, misalnya, jika sensor kedua perangkat diproduksi dari wafer silikon yang sama. Itu kemungkinan yang jauh, tapi masih ada kemungkinan.

Sebagai contoh, gambar di bawah ini adalah PRNU diekstraksi dari gambar tanpa konten yang signifikan (gambar tidak fokus dinding).

Merusak

Korelasi PRNU juga dapat diterapkan secara lokal untuk mendeteksi gangguan pada gambar. Idenya adalah untuk menghitung PRNU pada jendela geser piksel nxn melintasi gambar untuk membuat peta korelasi. Area dengan korelasi rendah akan memiliki kemungkinan tinggi mengalami gangguan.

Gambar di bawah ini merupakan contoh gambar yang sedang dianalisis.

Di bawah ini adalah hasil dari korelasi blok bijak CRP dengan PRNU diekstraksi dari gambar. Area putih merupakan area yang paling mungkin dirusak, di mana kebisingannya tidak konsisten. Di tengah-tengah meja ada tanda jelas gangguan.

Sebenarnya, ini adalah gambar aslinya, dari mana senjata telah dilepas.

Referensi

Ada banyak makalah yang menganalisis PRNU dari sudut pandang berbeda, tetapi ini mungkin yang paling penting:

Ringkasan

Teknologi untuk membedakan gambar yang berasal dari kamera yang berbeda, bahkan jika mereka memiliki merek dan model yang sama, ada dan cukup mapan dalam komunitas akademik dan forensik. Ada beberapa produk perangkat lunak yang tersedia di pasaran yang memungkinkan Anda melakukannya dengan relatif mudah dan juga mengevaluasi keaslian gambar dengan proses serupa.

— martjno
sumber

0

Ini pertanyaan yang menarik. Meskipun saya pikir itu tidak mungkin dengan akurasi 100%, Anda harus dapat menentukan, dengan jumlah foto sumber yang cukup, dari jenis kamera itu berasal. Ini diberikan distribusi noise tertentu, properti internal kamera tertentu (yang dapat ditentukan hanya dari data foto mentah), dll ... Tetapi tidak ada perangkat lunak yang dikenal yang saya tahu untuk melakukan ini. Meskipun secara realistis pada titik ini Anda hanya perlu menganggapnya saat ini tidak mungkin.

— Jon
sumber