Die kurze Antwort
Ja, es ist möglich, ein Foto mit der diskreten Kamera abzugleichen, mit der es aufgenommen wurde (ohne Metadaten), und es ist auch ziemlich zuverlässig. Die Technik ist in einigen Softwareprodukten verfügbar, eines davon ist Amped Authenticate , hergestellt von Amped Software (Haftungsausschluss: Ich bin der CEO und Gründer des Unternehmens).
Die Grundidee
Die Grundidee ist, dass jedes einzelne Gerät auf jedem Foto, das es produziert, einen anderen „Rauschfingerabdruck“ hinterlässt. Diese Komponente heißt PRNU (Photo Response Non-Uniformity) und wurde in der Literatur umfassend untersucht. Es wurde gezeigt, dass:
- konstant über die Zeit
- konstant über der Temperatur - unabhängig von anderen Kameraeinstellungen (Belichtung, Fokus usw.)
- ziemlich robust gegen Rekomprimierung (plus JPEG-Qualität 5-60%)
- ziemlich robust gegenüber Intensitäts- und Farbanpassungen (Kontrast, Helligkeit…)
- ziemlich robust gegenüber lokalen Änderungen (dh wenn ein Teil des Bildes manipuliert wurde - das Bild als Ganzes wird immer noch als von einer bestimmten Kamera stammend erkannt)
In folgenden Situationen funktioniert es jedoch nicht richtig:
- Wenn das Bild beschnitten wurde oder über einen Digitalzoom verfügt, da nur ein Teil des Sensors und nicht der gesamte Bereich benötigt wird (dies könnte gelöst werden, aber die Größenänderung wäre nicht robust).
- für sehr starke Verbesserungen
- für sehr dunkle oder sehr helle Bilder, da das Rauschen in diesen Bereichen nicht vorhanden ist)
Wie funktioniert es
Um die PRNU des Bildes zu extrahieren, müssen Sie grundsätzlich eine bestimmte Komponente des Rauschens extrahieren. Sie können das Bild entrauschen und das Originalbild davon abziehen. In der Literatur wird empfohlen, Wavelet-Filter zu verwenden, aber selbst mit einfacheren und schnelleren Filtern können Sie ähnliche Ergebnisse erzielen.
In der Praxis wird das Verfahren folgendermaßen durchgeführt:
Sie müssen das Camera Reference Pattern (CRP) erstellen : Hiermit extrahieren Sie die PRNU aus einigen Bildern Ihres Testgeräts. Für die besten Ergebnisse wird empfohlen, etwa 30-50 Bilder mit möglichst wenig Details und nicht zu dunkel oder zu weiß zu verwenden und einen Pixel für Pixel-Durchschnitt zu erstellen. Nennen wir diese Referenzbilder . Wenn Sie die Kamera haben, können Sie unscharfe Bilder von einer Wand oder vom Himmel aufnehmen. Wenn Sie nicht über die Kamera verfügen, können Sie allgemeine Bilder aufnehmen, aber Sie benötigen wahrscheinlich mehr davon, um Details mit Mittelwertbildung herauszufiltern.
Anschließend können Sie die PRNU aus dem zu analysierenden Bild extrahieren und die Korrelation mit dem CRP berechnen . Je höher die Korrelation ist, desto höher ist die Wahrscheinlichkeit, dass das Bild von derselben Kamera stammt.
Sie können die Bilder automatisch klassifizieren, indem Sie einen Schwellenwert für die Korrelation berechnen : Bilder mit einer Korrelation, die höher als der Schwellenwert ist, haben eine hohe Wahrscheinlichkeit, von der Kamera zu kommen, andernfalls stammen sie wahrscheinlich von einem anderen Gerät.
Der Schwellenwert kann erhalten werden, indem die Korrelation berechnet wird für:
- Bilder vom selben Gerät (positiv)
- Bilder von einem anderen Kameramodell (Negativ)
- Bilder von einem anderen Exemplar desselben Kameramodells (Negativ)
Im Allgemeinen ist es wahrscheinlich, dass die positiven und negativen Sätze nicht perfekt voneinander getrennt sind. Daher müssen Sie ein gewünschtes Gleichgewicht zwischen falsch positiven und falsch negativen Werten einstellen, das Sie von Fall zu Fall erhalten möchten.
Bei sachgemäßer Anwendung hat sich gezeigt, dass die Methode sehr zuverlässig ist, obwohl gezeigt wurde, dass es möglich ist, zwei Exemplare desselben Modells mit sehr ähnlicher PRNU zu finden. Dies kann beispielsweise passieren, wenn der Sensor der beiden Bauelemente aus demselben Siliziumwafer hergestellt wurde. Es ist eine entfernte Möglichkeit, aber immer noch eine Möglichkeit.
Als Beispiel ist dieses Bild unten die PRNU, die aus einem Bild ohne signifikanten Inhalt (unscharfes Bild einer Wand) extrahiert wurde.
Manipulationen
Die PRNU-Korrelation kann auch lokal angewendet werden, um Manipulationen an den Bildern zu erkennen. Die Idee ist, die PRNU in einem Schiebefenster von nxn Pixeln über das Bild zu berechnen, um eine Korrelationskarte zu erstellen. Bereiche mit geringer Korrelation weisen eine hohe Wahrscheinlichkeit auf, manipuliert zu werden.
Das Bild unten zeigt ein Beispiel für ein Bild, das analysiert wird.
Unten ist das Ergebnis der blockweisen Korrelation von CRP mit der aus dem Bild extrahierten PRNU. Der weiße Bereich stellt die Bereiche dar, die am wahrscheinlichsten manipuliert werden, wenn das Rauschen inkonsistent ist. In der Mitte des Schreibtisches gibt es deutliche Anzeichen von Manipulationen.
Tatsächlich ist dies das Originalbild, von dem eine Waffe entfernt wurde.
Verweise
Es gibt unzählige Artikel, die die PRNU unter verschiedenen Gesichtspunkten analysieren, aber diese sind wahrscheinlich die wichtigsten:
- J. Lukas, J. Fridrich und M. Goljan, "Identifizierung von Digitalkameras durch Sensorrauschen", IEEE Transactions on Information Security and Forensics, S. 205-214, 2006.
- Mo Chen, J. Fridrich und M. Goljan, "Digital Imaging Sensor Identification (weitere Studie)", Proceedings. von SPIE Electronic Imaging, Sicherheit, Steganographie und Wasserzeichen von Multimedia-Inhalten, S. 0P-0Q, 2007.
Zusammenfassung
Die Technologie zur Unterscheidung von Bildern, die von verschiedenen Kameras stammen, auch wenn sie von derselben Marke und demselben Modell sind, existiert und ist in der akademischen und forensischen Gemeinschaft ziemlich etabliert. Es gibt einige Softwareprodukte auf dem Markt, mit denen Sie dies relativ einfach tun und die Authentizität des Bildes mit einem ähnlichen Verfahren bewerten können.