Image Forensics. Multimedia Sicherheit, Martin Steinebach

Transkript

1 Image Forensics Forensische Anwendungen im Bildbereich sind mehrfach belegt Optimierung von Bildern, die z.b. mit Überwachungskameras aufgenommen wurden Rauschen entfernen Erkennen von Manipulationen in Bildern Passive-blind image forensics Zurückverfolgen von Quellen Geräte Unterscheidung zwischen Foto und fotorealistisch gerenderte Bildern 247

2 Image Forensics: Erkennen von Manipulationen Methoden zum Erkennen von Manipulationen von Bildern Kein Original liegt vor Kein Hash des Originals ist bekannt Keine Methode zum Schutz der Integrität im Voraus eingesetzt Vorgehensweise Modell eines nicht verändertes Bildes finden Abweichungen vom Modell errechnen Beispiele für Methoden Erkennen von identischen Stellen im Bild Erkennen von statistischen Abweichungen Erfolg der Methoden sind abhängig vom Angriffstyp 248

3 Image Forensics: Erkennen von Manipulationen Erkennen von duplizierten Stellen Durchsuchen des Bildes nach sich wiederholenden identischen Stellen Herausforderungen: Auflösung, Fehlalarme, Form des Suchfensters, 249

4 Image Forensics: Erkennen von Manipulationen Erkennen von duplizierten Stellen Nach verschiedenen Stufen der JPEG-Kompression Statistical Tools for Digital Image Forensics A.C. Popescu (advisor: H. Farid) Ph.D. Dissertation, Department of Computer Science, Dartmouth College,

5 Image Forensics: Änderungserkennung Automatisches Erkennen von Veränderungen Vergrößern Verkleinern Rotieren 251

6 Image Forensics: Änderungerkennung Forensik Beispiel: Erkennung von Vergrößerungen Werden Bilder vergrößert, so geschieht dies durch eine Interpolation von Originalpixeln 252

7 Image Forensics: Änderungserkennung Forensik Der Expectation-Maximization (EM) Algorithmus berechnet für jeden Pixel die Wahrscheinlichkeit, dass er durch eine Interpolation von benachbarten Pixeln entstanden ist oder ob er von den Pixel unabhängig ist Ergebnis: Probability Map (PM) Zyklische Strukturen lassen auf Skalierung schließen 253

8 Image Forensics: Änderungerkennung Artefakte bei Vergrößerung Spektrum der veränderten Bilder zeigt Schwerpunkte Statistical Tools for Digital Image Forensics A.C. Popescu (advisor: H. Farid) Ph.D. Dissertation, Department of Computer Science, Dartmouth College,

9 Image Forensics: Änderungserkennung Artefakte bei Verkleinerung Spektrum bei 10% verwischt wieder Statistical Tools for Digital Image Forensics A.C. Popescu (advisor: H. Farid) Ph.D. Dissertation, Department of Computer Science, Dartmouth College,

10 Image Forensics: Änderungserkennung Artefakte bei Rotation Spektrum zeigt deutliche Schwerpunkte Statistical Tools for Digital Image Forensics A.C. Popescu (advisor: H. Farid) Ph.D. Dissertation, Department of Computer Science, Dartmouth College,

11 Image Forensics: Erkennen von Manipulationen Statistische Methoden Erkennen von Abweichungen im lokalen Rauschverhalten Statistical Tools for Digital Forensics, A.C. Popescu and H. Farid 6th International Workshop on Information Hiding, Toronto, Canada,

12 Forensik & Wasserzeichen Bildwasserzeichen sind eine weit verbreitete Anwendung Robustheit und Qualität sind fortgeschritten Keine sichtbaren Artefakte Robust gegen Drucken und Scannen Robust gegen starke Kompression Trotzdem gibt es noch Herausforderungen Robustheit gegen Skalierung Robustheit gegen Rotation Oft werden durch diese Angriffe die Wasserzeichen nicht zerstört, sondern nur de-synchronisiert 258

13 Forensik & Wasserzeichen Beispiel Original Eingebettetes Wasserzeichen 259

14 Forensik & Wasserzeichen Beispiel?????? Skalierung Spiegelung 260

15 Herausforderung Entsprechende Angriffe können durch brute force Ansätze leicht umgangen werden, aber Aufwand zum Auslesen von Wasserzeichen steigt extrem an Beispiel: Rotation (360 Grad) und Skalierung (50% bis 200%) ergeben bereits Variationen, wenn diese jeweils in vollen Schritten getestet werden 15 Stunden statt einer Sekunde Auslesedauer Besonders immer dann, wenn Material nicht markiert ist 261

16 Ansatz Re-Synchronisieren des Wasserzeichens durch zusätzliche Mechanismen Erkennen von Artefakten der Veränderungen Errechnen der Faktoren der Veränderung Digitale Forensik ermöglicht entsprechende Berechnungen 1. Schritt: Errechnen der Änderung 2. Schritt: Rückgängigmachen der Änderung 3. Schritt: Auslesen des Wasserzeichens Kombination Eigenes vorhandenes Bildwasserzeichenverfahren Forensikverfahren auf Basis von Expectation-Maximization 262

17 Forensik & Wasserzeichen Wasserzeichen Einbetten in Wavelet Koeffizienten eines in Blöcke geteilten Bildes Visuelles Modell und Parameter bestimmen Stärke Hohe Robustheit gegen verlustbehaftete Kompression Überschreiben von Teilbereichen gute Robustheit gegen Farb-, Helligkeits-, und Kontrastanpassungen 263

18 Forensik & Wasserzeichen Forensik Werden Bilder vergrößert, so geschieht dies durch eine Interpolation von Originalpixeln 264

19 Grundlagen Forensik Der Expectation-Maximization (EM) Algorithmus berechnet für jeden Pixel die Wahrscheinlichkeit, dass er durch eine Interpolation von benachbarten Pixeln entstanden ist oder ob er von den Pixel unabhängig ist Ergebnis: Probability Map Zyklische Strukturen lassen auf Skalierung schließen 265

20 Forensik & Wasserzeichen Aufbau des Abschätzungsmechanismus 266

21 Forensik & Wasserzeichen Steigerung der Effizienz durch Aufteilen des Bilds in Bereiche Berechnung der Skalierungsfaktoren für Teilbereiche Entscheidung auf Mehrheitsbasis 267

22 Forensik & Wasserzeichen Testmaterial 50 zufällig ausgewählte Bilder Jeweils markiert und unmarkiert Jedes Bild ist in den Skalierungsfaktoren (1,0;1,0) bis (1,9;1,9) vorhanden Es wird nur eine Vergrößerung des Bildes untersucht Es werden nur lineare Vergrößerungen in X- und Y-Achse untersucht 268

23 Forensik & Wasserzeichen Verbesserung der Ausleseerfolge ohne Abschätzung mit Abschätzung Skalierung Anzahl korrekte Detektionen Korrekt % Anzahl korrekte Detektionen Korrekt % , , , , , , , , ,

24 Forensik & Wasserzeichen Einbettung der Wasserzeichen verschlechterte Erkennung der Skalierung 270

25 Forensik & Wasserzeichen Durchschnittliche Erkennung der Skalierung und Detektion des Wasserzeichens 271

26 Image Forensics: Erkennen von Geräten Rückverfolgen von digitalen Medien auf Ursprung Ohne vorheriges Einbetten von Wasserzeichen Ohne Metainformationen Prinzip: Jedes Gerät hat eine Charakteristik, die sich in erzeugten Medien widerspiegelt Analog zu der Erkennung von Schreibmaschinen durch Druckbild Genauigkeit schwankt von Gerätelinie bis hin zum einzelnen Modell Charakteristik wird beispielsweise bestimmt durch Fehler in Aufzeichnungsmechanismen Chip in Kamera Fehler in Wiedergabemechanismen Druckbild Rauschen der AD Wandlung 272

27 Image Forensics: Kameraerkennung Rauschen von Bildsensoren CCD-Arrays CCD: - Charge-Coupled Device Jedes Pixel benötigt ein CCD Halbleiterbauelement Licht wird in elektronische Signale gewandelt (AD-Wandlung) Dabei entsteht Rauschen Rauschen kann unterteilt werden Statisches Rauschen Abhängig von Bauungenauigkeiten Dynamisches Rauschen Abhängig von Umwelteinflüssen, z.b. Temperatur 273

28 Image Forensics: Kameraerkennung Erkennen von Geräten Filtern des statischen Rauschens Bestimmung der Korrelation dem dem Rauschen eines Referenzmusters Möglichkeiten Erkennen, welche Bilder mit einer Kamera gemacht wurden Erkennen, ob ein Bild von einer Kamera stammt, für die eine Referenz vorliegt Beweis, dass ein Bild mit einer Kamera aufgenommen wurde Bild auffinden Rauschen Auslesen Vermutliche Kamera nutzen, um Foto zu machen Vergleich der Rauschmuster Stand der Technik Erste Erfolge beim Erkennen von Kameras auch nach Ausdrucken und Einscannen 274

29 Image Forensics: Kameraerkennung Beispiel für Characteristik: Vorgehensweise Dark Current Aufnahme bei verdecktem Objektiv Ermöglicht Normalisierung der Pixel Dark Signal Non-Uniformity (DSNU) Basis: 100 x Bilder mit unterschiedlichen Belichtungszeiten nehmen Berechnung der durchnittlichen Pixelwerte an eine Position über die Bilder hinweg Normalisieren der Pixelwerte Berechnen der Abweichung der normalisierten Pixelwerte über die Positionen hinweg Photo Response Non-Uniformity (PRNU) Basis: 100 Bilder homogener Natur (z.b. Himmel) Durchschnitt der Bilder berechnen DSNU abziehen Varianz der resultierende Pixelwerte berechnen Berechnung Stärke der Abweichung für jedes Pixel (Varianz / Pixelwert) 275

30 Image Forensics: Unterscheidung von Bildtypen Ziel: Automatische Unterscheidung zwischen Aufnahmen der realen Welt auf dem Computer errechneten Bildern Vorgehensweisen Statistische Methoden 276

31 Image Forensics: Unterscheidung von Bildtypen Statistische Methoden S. Lyu and H. Farid, How realistic is photorealistic?" IEEE Transactions on Signal Processing, vol. 53, no. 2, pp , February Basierend auf Wavelet-Verfahren Trennung in Downsampling, Vertikal, Horizontal und Diagonal 277

32 Image Forensics: Unterscheidung von Bildtypen Statistische Methoden Erkenntnis: Bilder sehen für Menschen gleich aus, sind aber statistisch stark unterschiedlich 278

33 Bilderwasserzeichen / Integritätsschutz / Konzept/ Grundidee Pixel verfizieren sich gegenseitig Das Bild kennt sich Permutation Um Bereiche zu vermeiden, die nicht markiert werden können 279

34 Bilderwasserzeichen / Integritätsschutz/ Einbetten Permutation Pseudozufälliges Verteilen von Wavelet-Koeffizienten Gruppieren der Koeffizienten Wasserzeichen einbetten In jede Gruppe wird ein Bit des Wasserzeichens eingebettet Einbettung durch Quantisierung des gewichteten Mittelwerts der Koeffizienten in der Gruppe Das Wasserzeichen besteht aus einer schlüsselabhängigen Sequenz... -Q 0 Q 2Q 3Q

35 Bilderwasserzeichen / Integritätsschutz / Konzept/ Lokalsierung 281

36 Bilderwasserzeichen / Integritätsschutz / Auslesen Wasserzeichen auslesen Erneut Permutation und Gruppierung Auslesen des Wasserzeichen-Bits Verifikation der Gruppe Vergleich von ausgelesenem Bit mit dem Bit der schlüsselabhängigen Sequenz Handhabe der Koeffizienten Stimmen beide Bits nicht überein, wird die gesammte Gruppe als nicht integer markiert 282

37 Resultate Tampering example (a) Original image (b) Watermarked (r=1,q=6,g=12)and tampered image, the man in the street was removed. 283

38 Resultate II Ohne Filter (a) Watermark embedded in the first wavelet level r=1. The resolution is 2x2 pixels. (b) Watermark embedded in the second wavelet level r=2. The resolution is 4x4 pixels. 284

39 Resultate: Auflösungen Tampering localization results (a) Authentication result with r=1 (first level of DWT). The resolution is 2x2 pixels. (b) Authentication result with r=2 (second level of DWT). The resolution is 4x4 pixels. 285

40 Bilderwasserzeichen / Integritätsschutz / Blockdiagramm Original Image DWT Permutation Grouping Embed Inverse Permutation IDWT Watermarked Image Embedding Secret Key Watermark Watermarke d Image DWT Permutation Grouping Detection Extracted watermark Comparison Tampering Localization Filtering Inverse Permutation Unverified groups and positions Detection & Authentication Detection Sensitivity 286