07 - Deteccao de Copia e Colagem

7/22/2019 07 - Deteccao de Copia e Colagem

1/93

Prof. Dr. Anderson [email protected]

http://www.ic.unicamp.br/~rocha

Reasoning for Complex Data (RECOD) Lab.Institute of Computing, Unicamp

Av. Albert Einstein, 1251 - Cidade Universitria

CEP 13083-970 Campinas/SP - Brasil
http://www.ic.unicamp.br/~rochahttp://www.ic.unicamp.br/~rochamailto:[email protected]:[email protected]


2/93


3/93

Organizao


4/93

A. Rocha, 2012Anlise Forense de Documentos Digitais 4

Organizao

! Motivao

! Introduo! Tcnicas de Manipulao

! Cpia-colagem

! Deteco de Cpia-colagem

! Estado da Arte


5/93

A. Rocha, 2012Anlise Forense de Documentos Digitais

Motivao


6/93


7/93

Introduo


8/93


Introduo

! Facilidade na manipulao de imagens digitais por meio deferramentas de software:

Adobe Photoshop

GIMP etc.

! Tipos de manipulao:

Melhoria da Imagem Manipulao Intencional

8


9/93


Introduo

! Facilidade na manipulao de imagens digitais por meio deferramentas de software:

Adobe Photoshop

GIMP

etc.

! Tipos de manipulao:

Melhoria da Imagem

Manipulao Intencional

9


10/93


11/93


12/93


13/93


14/93


15/93


16/93


Cpia-colagem

! Consiste na cpia de segmentos da imagem e colagem destesem outras regies da mesma imagem

! Objetiva mascarar detalhes da imagem

! Segmentos so, geralmente, texturas como:

Folhagem

Areia

Cu azul e nuvens

etc.

16


17/93



18/93



19/93



20/93


Cpia-colagem

! Na prtica, so usadas vrias estratgias para enganar nossaviso e tornar a imagem convincente:

Suavizao de bordas

Operaes geomtricas

Retoque e conciliao

Casamento de iluminao

Compresso JPEG

Rudos aditivos

20


21/93


Desafios na Deteco

! comum que se faa alguns ajustes nos segmentoscopiados antes de col-los na nova regio ou mesmo naimagem como um todo.

! Conferem maior grau de realismo clonagem.! Tornam a identificao da clonagem mais difcil (visualmente

e computacionalmente).

! Alteram valores, quantidades e posies dos pixels em

comparao com o segmento inicial.

21


22/93


Rotao

22


23/93


Escala

23


24/93


Espelhamento Horizontal

24


25/93


Espelhamento Vertical

25


26/93


Suavizao

26


27/93


Operaes globais

! A imagem pode ser armazenada em um formato decompresso com perdas, tal como JPEG.

! Rudos Aditivos Gaussianos podem ser inseridos.

27


28/93


Deteco deCpia-colagem


29/93


Deteco de Cpia-colagem

! 1. Comparar cada par de pixels da imagem

Complexidade exponencial no nmero de pixels

Devemos considerar a semelhana entre segmentos

! 2. Comparar blocos de pixels

Diminui a quantidade de computaes efetuadas

Flexibilidade para encontrar regies similares

Mtodo mais utilizado, com muitas variaes e adaptaes

29


30/93


Deteco de Cpia-colagem

30

E.A.

Silva


31/93


32/93


Estado da Arte

! Deteco de Manipulaes de Cpia-colagem em Imagens

Digitais [Fridrich et al. 2003]

! Expondo Manipulaes Digitais por meio de Deteco deRegies Duplicadas em Imagens [Popescu e Farid 2004]

! Detectando Duplicao de Regies de Imagens UtilizandoCaractersticas SIFT [Pan e Lyu 2010]

32


33/93


Estado da Arte

! Deteco de Manipulaes de Cpia-colagem em ImagensDigitais [Fridrich et al. 2003]



! Abordagem de Votao e Anlise Multiescala de regies depontos de interesse para deteco de cpia-colagem [Silva eRocha, 2012]

33


34/93


Deteco de Manipulaes de Cpia-colagem em Imagens Digitais[Fridrich et al. 2003]

! Propem 3 mtodos para deteco:

Busca Exaustiva

Autocorrelao

Casamento de Blocos

! Casamento Exato

! Casamento Aproximado (Robusto)

34


35/93


Casamento Exato

35

E.A.

Silva


36/93


Casamento Aproximado

! Deteco de regies semelhantes na imagem

! Uso da Transformada Discreta do Cosseno (DCT)

! DCT aplicada em cada bloco previamente ordenao lexicogrfica

! Objetiva diminuir a variabilidade ocasionada poroperaes de ps-processamento

36


37/93



! A posio de cada bloco dada pela coordenada dopixeldo canto superior esquerdo

! Para cada bloco idntico, o algoritmo calcula o vetor dedeslocamento em valores absolutos

! Utilizao de um contador para esses vetores

! Um limiar T determina o tamanho mnimo da regioclonada que o algoritmo pode identificar

37


38/93



38

H.L

inetal


39/93



! Blocos de tamanho fixo 16 x 16

Blocos maiores possuem maior variabilidade nos

coeficientes DCT! Um fator Q usado na quantizao dos coeficientes DCT

! Matriz de quantizao usada:

39

F

ridrichetal.


40/93


Experimentos e Resultados

40


41/93



41


42/93


Estado da Arte





42


43/93


Expondo Manipulaes Digitais por meio deDeteco de Regies Duplicadas em

Imagens [Popescu e Farid 2004]

! Propem a utilizao de Anlise de ComponentesPrincipais para:

Reduzir a dimensionalidade dos blocos

Eliminar as variaes menores dos blocos causadaspelo ps-processamento

! Aps a aplicao de PCA, cada bloco quantizadoutilizando um inteiro Q (nmero de bins)

43


44/93


Descrio do Mtodo

44

E.A

.Silva


45/93


Descrio do Mtodo

! Em seguida, cada par de linhas dentro de uma certadistncia d(na matriz) analisado

! O vetor de deslocamento (offset) entre os pares calculado

45

P

opescueFarid


46/93


Descrio do Mtodo

! Os vetores com maior ocorrncia determinam as

regies duplicadas! Com isso, uma regio poder ser constituda de vrios

blocos pequenos, todos com o mesmo offset

!Ainda, vetores com magnitude menor que um limiarespecificado so descartados

46


47/93


Descrio do Mtodo

! Para imagens coloridas, h duas solues: Executar o mtodo para cada canal de cor e juntar o

resultado final

Aplicar PCA em blocos de tamanho 3b

47


48/93



! Parmetros especificados:

b= 64 (tamanho do bloco)

!= 0.01 (frao da varincia ignorada)

Q = 256 (fator de quantizao)

Nn = 100 (nmero de linhas vizinhas na matriz)

Nf = 128 (frequncia mnima de offset)

Nd = 16 (magnitude mnima do offset)

48


49/93



! Testes com 100 imagens coloridas de tamanho 512 x512 pixels

! Imagens comprimidas em JPEG (50% a 100%)

! Rudos aditivos Gaussianos (24dB a 40dB)

! Para blocos de tamanho 64, a reduo obtida com PCAfoi de 50%

49


50/93


P

opescueFarid


51/93


P

opescueFarid


52/93


P

opescueFarid


53/93


P

opescue

Farid


54/93


Estado da Arte





54


55/93


Detectando Duplicao de Regies deImagens Utilizando Caractersticas SIFT[Pan e Lyu 2010]

! As abordagens anteriores (baseadas em blocos de pixels)no so sensveis a operaes geomtricas nas regiesclonadas

! Pan e Lyu propem um mtodo baseado na

correspondncia de caractersticas SIFT da imagem

55


56/93


Scale Invariant Features Transform (SIFT)

! Encontra pontos-chave, que so caractersticas locais nicas daimagem

! Robusto a vrios tipos de degradao:

Rotao

Escala

Mudana global de contraste

Variaes de iluminao

Rudos

56


57/93


Descrio do Mtodo

1. Coleta de caractersticas SIFT

Determinao dos pontos-chave

Determinao dos vetores de caractersticas para cadaponto-chave

2. Casamento de caractersticas e poda de correspondncias SIFT

3. Estimao das transformaes geomtricas efetuadas

4. Correlao entre as regies empregando as estimaescalculadas

57


58/93



! Utiliza-se o algoritmo SIFT para coleta dos pontos e

determinao dos vetores de caractersticas de cada umdeles

! Nmero de pontos bem menor que o nmero depixels

! Vetores possuem 128 dimenses

58


59/93



59

M

ontagemd

e

E.A.

Silvabasead

aemo

riginal


60/93


2. Casamento de caractersticas e podade correspondncias SIFT

! A imagem divida em vrios blocos de pixelssemsobreposio

! Para cada par de pontos-chave de blocos distintoscalcula-se a distncia euclidiana entre os vetores dosdois pontos

Isto , encontra-se o vizinho mais prximo ao pontosendo analisado

60


61/93


2. Casamento de caractersticas e podade correspondncias SIFT

! Na poda, correspondncias de pontos que casam commltiplos pontos na imagem so removidas

Podem ser causadas por rudos! O nmero de correspondncias corretas para cada

bloco armazenado

! O bloco com o maior nmero de acertos e o blococontendo sua correspondncia serviro como base paraestimar a transformao entre regies.

61


62/93


3. Estimao das transformaesgeomtricas efetuadas

! Escala:

Dois pares de pontos correspondentes so obtidos(A, B) e (C, D)

Calculamos a razo: ||A B|| / ||C D|| para todosos pares pertencentes aos blocos

A razo com maior nmero de ocorrncias umaestimativa para o fator de escala

62


63/93


64/93


3. Estimao das transformaesgeomtricas efetuadas

64

E.A.

Silva


65/93


4. Correlao entre as regies

! A imagem segmentada em blocos de 4 x 4 pixelscomsobreposio

! Efetuamos a transformao na regio duplicada

! Computamos a correlao entre os blocos que fazemparte do contorno das regies

! O valor da correlao comparado a um limiar, quedefine se o bloco faz parte do contorno da regioduplicada.

65


66/93



! Testes com 100 imagens coloridas de tamanho 512 x

512 pixels

! Regies duplicadas de tamanho 64 x 64 e 96 x 96

! Compresso JPEG (60% a 100%)

! Rudos aditivos (20dB a 40 dB)

66


67/93



67

PaneLyu


68/93



68

Pan e Lyu


69/93


Estado da Arte





69

V A li M l i l d i d d


70/93


Votao e Anlise Multiescala de regies de pontos deinteresse para deteco de cpia-colagem[Silva e Rocha, 2012]


71/93


! Converso para o espao de cor HSV: Reduz o nmero de falsos-positivos em regies com caractersticas de

homogeneidade (e.g., asfalto, cu azul, parede sem textura etc.);

Separando as informaes de cor (H e S) e intensidade (V), pode-se evidenciaras diferenas entre duas regies muito parecidas.

! Normalizao dos blocos de pixels inspecionados: Canais com Dynamic Rangesdistintos (S,V "[0, 255] e H "[0, 179]).

71

pH min(HSV)

max(HSV) min(HSV)

pH =

Etapa 1: Pr-Processamento


72/93


Etapa 2: Deteco de pontos de interesse

! Empregamos o detector e o descritor de pontos do SURF.

72


73/93


Etapa 3: Pareamento de pontos de interesse

! Decidimos o grau de similaridade entre os descritores decada ponto usando a distncia Euclidiana.

! Empregamos a heurstica denominada Nearest Neighbor

Distance Ratio (NNDR).

73

Dsim(A,B)

Dsim(A,C)score =


74/93


Etapa 4: Agrupamento

!

Restries geomtricas: Proximidade fsica entre pontos; Orientao da reta que liga pontos

correspondentes.

74

Reduz o espao de busca por segmentosduplicados.


75/93


Etapa 5: Decomposio Piramidal

! Representao do espao de escalas da imagem.

! Diminuio sucessiva em 25%.

75


76/93


Etapa 6: Anlise Multiescala

! Similar Comparao de Blocos, com algumas diferenas: Inspeo intra-grupos (origem e destino);

Redimensionamento dos grupos de maneira proporcional reduoda imagem;

Janela deslizante e Descritor semelhantes ao de Wang et al.; Normalizao dos blocos;

Gerao e Melhoria do mapa de deteco final para cada escala.

76


77/93


Esquematizao da Anlise Multiescala

77


78/93


Etapa 7: Votao

! So considerados clonados apenas os segmentos que assimo so na maioria das escalas.

78


79/93


Dataset

! Banco de imagens contendo 108 clonagens originais noscenrios de: Cpia-colagem simples;

Rotaes;

Escala;

Operaes combinadas;

! Todas as imagens foram comprimidas em JPEG comqualidade 70, 80 e 90.

79


80/93


Mtricas de Avaliao

! True Positive Rate (TPR)

! False Positive Rate (FPR)

! Accuracy (ACC)

80

|TP|

|Rclone|TPR =

|FP||Rnormal|

FPR =

TPR +(1 FPR)2ACC =


81/93


Avaliao Qualitativa

81

Clonagem Simples

Rotao de -30 graus

Ampliao de 19%

Rotao de -18 grausReduo de 10%


82/93


Limitaes

! Regies pequenas demais ou homogneas ainda podempassar despercebidas: O detector do SURF pode no encontrar pontos suficientes em tais

regies.

! No robusto a espelhamentos: Mtodo no trata o caso do cruzamento entre as retas de forma

robusta;

Mudanas nas orientaes das retas podem gerar um nmero degrupos maior, prejudicando a deteco.

82


83/93


Avaliao Quantitativa

! Comparao com trs mtodos da literatura: Popescu e Farid

Wang et al.

Li et al.

! Experimentos com Dataset desenvolvido.

83


84/93


Compresso JPEG (fator 70)

84

66.94

%

3.68%


85/93


86/93


Compresso JPEG (fator 90)

86

2.83%

37.22%


87/93


Sem compresso JPEG

87

85.44

%

3.60%

74.49%


88/93


Consideraes Finais


89/93


Consideraes Finais

! Um dos grandes desafios da deteco de cpia-colagem residena identificao em cenrios de rotao e escala

! O mtodo de Pan e Lyu (2010) aparenta ser robusto a essasoperaes, mas os autores no mencionam os ngulos efatores de escala

! As trs primeiras abordagens mostradas no mostram

experimentos com operaes de ps-processamentocombinadas

89


90/93


Consideraes Finais

! O quarto mtodo mostrado [Silva e Rocha 2012] trata derotao, compresso e escala simultaneamente mas, assimcomo os outros, no trata de colagens por PatchMatch(ainda)

! Outro desafio a deteco de cpia-colagem realizada pormeio de image completion

90


91/93


Referncias

91


92/93


Referncias

1. [Fridrich et al. 2003] Jessica Fridrich, David Soukal, and Jan Lukas. Detection of copy-move forgery indigital images. In Digital Forensic Research Workshop (DFRWS), Cleveland, USA, 2003.

2.[Pan e Lyu 2010] Xunyu Pan and Siwei Lyu. Detecting image region duplication using sift features. InIEEE Intl. Conference on Acoustics, Speech and Signal Processing (ICASSP), pages 1706-1709, 2010.

3. [Popescu e Farid 2004] Alin C. Popescu and Hany Farid. Exposing digital forgeries by detectingduplicated image regions. Technical Report TR 2004-515, Department of Computer Science DartmouthCollege, Hanover, USA, 2004.

4. [Silva e Rocha 2012] Ewerton Silva e Anderson Rocha. Deteco de Manipulaes de Cpia-Colagemem Documentos Digitais. Dissertao de Mestrado. Instituto de Computao, Universidade Estadual deCampinas (Unicamp), 2012.


93/93

Obrigado!

Documents

07 - Deteccao de Copia e Colagem