Na przykład szum czujnika powinien być raczej spójny, jeśli zdjęcia zostały zrobione tym samym aparatem, podobnie jak strzelanie z pistoletu, a kula otrzymuje unikalne ślady.

Bingo - to tylko kwestia pieniędzy.

Są dwa aspekty badań, które znam, pracując w tej dziedzinie w latach 2006-2007. Pierwszą była identyfikacja marki i modelu aparatu, a drugą ustalenie, czy konkretny aparat wykonał określone zdjęcie.

Oto kilka odpowiednich linków:

• Aparaty cyfrowe mają unikalne odciski palców, Schneier o bezpieczeństwie
• Badania Uniwersytetu Binghamton łączą obrazy cyfrowe i aparaty fotograficzne
• Aparat kryminalistyczny Klasyfikacja: weryfikacja podejścia do szumu wzorcowego czujnika

Biorąc pod uwagę dużą próbkę obrazów z wielu kamer, mogę wygenerować średni wzorzec szumu, który występuje w danej marce i modelu. Gdy otrzymam pojedynczy obraz, mogę wykorzystać ten średni wzorzec szumów i pojedynczy obraz, aby z dużą pewnością podać markę i model danego aparatu.

Biorąc pod uwagę próbkę obrazów z jednego kamery, mogę porównać pojedynczy obraz do wzoru szumu z tej próbki obrazów i powiedzieć, czy kamera, która wyprodukowała dużą próbkę, również wyprodukowała pojedynczy obraz.

Jednak algorytmy i techniki do tego są opatentowane. Uważam, że patent amerykański 7,616,237 jest odpowiedni dla Twojego konkretnego pytania. Cytuje prace Jessiki Fridrich, Miroslava Goljana i Jana Lukasa, a także przedstawia szereg artykułów naukowych na ten temat. Niestety, nie znam żadnego publicznie dostępnego oprogramowania (komercyjnego lub innego), które implementuje tę technikę. Praca, którą wykonywałem, była wykonywana w imieniu Departamentu Obrony Stanów Zjednoczonych, który wspierał badania nad tym patentem.

Jeśli czujnik ma gorące piksele i te piksele nie są usuwane ze zdjęć, możesz zidentyfikować aparat.

W twojej sytuacji prawie nie możesz. Hałas nie jest całkowicie przypadkowy, ale ma w sobie składnik losowy. Aby wyizolować odcisk palca aparatu, należy wyprofilować aparat w serii ujęć. Mając tylko dwa ujęcia, niewiele możesz zrobić.

Niektórzy producenci aparatów dodają podpis, ale jest to zawarte w metadanych, więc jeśli usunięto EXIF, masz pecha na tym froncie. Ponadto ma to na celu określenie, czy obraz pochodzi z kamery, a nie z której kamery pochodzi.

Krótka odpowiedź

Tak, możliwe jest dopasowanie zdjęcia do dyskretnego aparatu, którym zostało zrobione (bez metadanych) i jest też całkiem wiarygodne. Technika ta jest łatwo dostępna w kilku produktach oprogramowania, jednym z nich jest Amped Authenticate, wyprodukowane przez Amped Software (zrzeczenie się: jestem prezesem i założycielem firmy).

Podstawowa idea

Podstawowa idea jest taka, że ​​każde urządzenie pozostawia inny „szumowy odcisk palca” na każdym wytworzonym zdjęciu. Ten komponent nosi nazwę PRNU (niejednorodność reakcji na zdjęcie) i był szeroko badany w literaturze. Wykazano, że jest:

• stała w czasie
• stała niezależnie od temperatury, niezależna od innych ustawień aparatu (ekspozycja, ostrość itp.)
• dość odporna na rekompresję (około jakości JPEG 5-60%)
• dość odporna na regulacje intensywności i kolorów (kontrast, jasność…)
• dość odporna na lokalne modyfikacje (np. część obrazu została zmodyfikowana, - cały obraz jest nadal rozpoznawany jako pochodzący z określonej kamery)

Jednak nie działa to poprawnie w następujących sytuacjach:

• jeśli obraz został przycięty lub ma zoom cyfrowy, ponieważ zajmowałby tylko część czujnika, a nie cały jego obszar (można to rozwiązać, ale wtedy zmiana rozmiaru nie byłaby solidna)
• dla bardzo silnych ulepszeń
• dla bardzo ciemnych lub bardzo jasnych obrazów, ponieważ szum nie występuje w tych obszarach)

Jak to działa

Aby wyodrębnić PRNU obrazu, musisz w zasadzie wyodrębnić określony składnik t hałasu. Możesz to zrobić odszumując obraz i odejmując od niego oryginalny obraz. W literaturze zaleca się stosowanie filtrów Wavelet, ale nawet z prostszymi i szybszymi filtrami można uzyskać podobne wyniki.

Praktycznie procedura wygląda następująco:

1. Musisz utworzyć wzorzec odniesienia kamery (CRP) : polega to na wyodrębnieniu PRNU z niektórych obrazów urządzenia testowego. Aby uzyskać najlepsze wyniki, zaleca się użycie około 30–50 zdjęć z możliwie najmniejszą liczbą szczegółów i niezbyt ciemnych ani zbyt białych, aby uzyskać średnią piksel po pikselu. Nazwijmy te obrazami referencyjnymi . Jeśli masz aparat, możesz robić nieostre zdjęcia ściany lub nieba. Jeśli nie masz aparatu, możesz robić ogólne zdjęcia, ale prawdopodobnie będziesz potrzebować ich więcej, aby odfiltrować szczegóły za pomocą uśredniania.

2. Następnie możesz wyodrębnić PRNU z analizowanego obrazu i oblicz korelację z CRP . Im wyższa korelacja, tym większe prawdopodobieństwo, że zdjęcie pochodzi z tej samej kamery.

3. Możesz automatycznie klasyfikować zdjęcia, obliczając próg dla korelacja: zdjęcia z korelacją wyższą niż próg będą miały duże prawdopodobieństwo, że pochodzą z kamery, w przeciwnym razie prawdopodobnie pochodzą z innego urządzenia.

Próg można uzyskać obliczenie korelacji dla:

• zdjęć pochodzących z tego samego urządzenia (pozytyw)
• zdjęć pochodzących z innego modelu aparatu (negatyw)
• zdjęć pochodzących z inny przykład tego samego modelu aparatu (negatyw)

Ogólnie jest prawdopodobne, że zestawy dodatnie i ujemne nie będzie idealnie oddzielony, więc musisz ustawić pożądaną równowagę między fałszywymi dodatnimi a fałszywymi negatywami, którą chcesz uzyskać w zależności od przypadku.

Okazało się, że przy odpowiednim zastosowaniu metoda jest bardzo wiarygodna, chociaż wykazano, że można znaleźć dwa egzemplarze tego samego modelu z bardzo podobnymi PRNU. Może się tak zdarzyć na przykład, jeśli czujnik obu urządzeń został wykonany z tej samej płytki krzemowej. Jest to odległa możliwość, ale wciąż możliwa.

Jako przykład, poniższy obraz przedstawia PRNU wyodrębniony z obrazu bez żadnej znaczącej zawartości (nieostry obraz ściany).

Manipulowanie

Korelację PRNU można również zastosować lokalnie w celu wykrycia manipulacji na obrazach. Chodzi o to, aby obliczyć PRNU w przesuwanym oknie n x n pikseli na obrazie, aby utworzyć mapę korelacji. Obszary o niskiej korelacji będą miały duże prawdopodobieństwo, że zostały poddane manipulacji.

Poniższy obraz przedstawia przykład analizowanego obrazu.

Poniżej znajduje się wynik korelacji blokowej CRP z PRNU wyodrębnionym z obrazu. Biały obszar reprezentuje obszary, które są najbardziej narażone na manipulacje, a hałas jest niespójny. Na środku biurka widać wyraźny znak manipulacji.

W rzeczywistości jest to oryginalne zdjęcie, z którego broń została usunięta.

Odniesienia

Istnieje niezliczona liczba artykułów analizujących PRNU z różnych punktów widzenia, ale te są prawdopodobnie najważniejsze:

• J. Lukas, J. Fridrich and M. Goljan, „Digital Camera Identification from Sensor Noise”, IEEE Transactions on Information Security and Forensics, s. 205–214, 2006.
• Mo Chen, J. Fridrich i M. Goljan, „Identyfikacja cyfrowego czujnika obrazu (dalsze badanie)”, Proceedings. of SPIE Electronic Imaging, Security, Steganography and Watermarking of Multimedia Contents, str. 0P-0Q, 2007.

Technologia rozróżniania obrazów pochodzących z różnych aparatów, nawet jeśli są one tej samej marki i modelu, istnieje i jest dość ugruntowana w społeczności akademickiej i kryminalistycznej. Na rynku dostępnych jest kilka programów, które pozwalają zrobić to ze względną łatwością, a także ocenić autentyczność obrazu za pomocą podobnego procesu.

To interesujące pytanie. Chociaż nie sądzę, aby było to możliwe ze 100% dokładnością, powinieneś być w stanie określić, przy wystarczającej liczbie zdjęć źródłowych, z jakiego typu aparatu pochodzi. Ma to określone rozkłady szumów, pewne wewnętrzne właściwości aparatu (które można określić tylko na podstawie surowych danych zdjęciowych) itp. Ale nie ma znanego mi oprogramowania, które to robi. Realistycznie rzecz biorąc, chociaż w tym momencie należy po prostu uznać, że obecnie nie jest to możliwe.