1. SFT
  2. Archiwum
  3. Vol. 63
  4. Algorytm analizy obrazów do wykrywani...

Algorytm analizy obrazów do wykrywania zmodyfikowanych treści w Internecie w ochronie przed cyberprzestępczością. Technika estymacji prawdopodobieństwa modyfikacji

Karol, Jędrasiak, dr inż. , Robert, Wolański, dr inż.

Pobierz artykuł
Open Access
DOI: 10.12845/sft.63.1.2024.7, strony: 88 – 94

Abstrakt

Cel: Celem tego badania jest przedstawienie najnowocześniejszego algorytmu analizy obrazu zaprojektowanego do oceny prawdopodobieństwa modyfikacji obrazów cyfrowych, co jest kluczowym narzędziem w wykrywaniu zmienionej treści. Technika ta zwiększa dokładność wykrywania zmian poprzez odróżnienie rzeczywistych niespójności od zmian przypadkowych. W miarę narastania problemu fałszywych obrazów w Internecie, kwestia autentyczności obrazu staje się coraz bardziej istotna w wielu obszarach nauki i społeczeństwa. Tradycyjne metody kontroli wizualnej są niewystarczające, ponieważ badania pokazują, że ludzka percepcja ma ograniczone możliwości rozpoznawania autentyczności obrazów.

Projekt i metody: Projekt ten obejmuje opracowanie algorytmu wykorzystującego analizę szumu i etap walidacji statystycznej w celu wykrycia modyfikacji obrazu. Algorytm opiera się na wskaźniku częstości fałszywych trafień (FPRI) do zarządzania fałszywymi alarmami, zapewniając niezawodny poziom ufności dla każdego wykrycia. Metoda obejmuje eksplorację wizualną w celu interpretacji wykrycia i porównanie wydajności algorytmu z innymi najnowocześniejszymi technikami w scenariuszach, takich jak retusz, kolorowanie i łączenie. Algorytm analizuje szum w obrazach, biorąc pod uwagę zmiany jego właściwości statystycznych w wyniku procesów przetwarzania obrazu.

Wyniki: Algorytm wykazuje obiecującą wydajność w różnych scenariuszach testowych, skutecznie identyfikując prawdziwe modyfikacje wśród zdarzeń losowych. Wykazuje jednak ograniczenia w wykrywaniu niektórych rodzajów fałszerstw, takich jak wewnętrzne przesyłanie kopii i łączenie dokumentów w obszarach o dużym zaszumieniu. Testy przeprowadzone na różnych zbiorach danych, obejmujące retusz, kolorowanie i łączenie, potwierdzają skuteczność algorytmu w wykrywaniu modyfikacji. Wyniki porównuje się z innymi metodami analizy szumu, takimi jak Splicebuster, Noiseprint i Mahdian, w większości przypadków wykazując lepszą wydajność.

Wnioski: Proponowana metoda stanowi znaczący postęp w wykrywaniu fałszywych obrazów w dziedzinie cyberbezpieczeństwa, oferując rygorystyczną walidację statystyczną i mierzalny poziom pewności wykrycia. Pomimo pewnych wyzwań związanych z wykrywaniem określonych rodzajów manipulacji, algorytm jest cennym narzędziem w cyfrowej analizie obrazu i badaniach kryminalistycznych. Wraz ze wzrostem wykorzystania technologii cyfrowych rośnie znaczenie interpretacji obrazu, m.in. w badaniach pożarowych i eksploracji zapisów z systemów obrazowania klasycznego i termowizyjnego.

Typ artykułu: oryginalny artykuł naukowy

Bibliografia:

  1. Farid H., Image forgery detection, “IEEE Signal processing magazine” 2009 26(2), 16–25, https://doi.org/10.1109/MSP.2008.931079.
  2. Saber A.H., Khan M.A., Mejbel B.G., A survey on image forgery detection using different forensic approaches, “Advances in Science, Technology and Engineering Systems Journal” 2020, 5(3), 361–370, https://doi.org/10.25046/aj050347.
  3. Chen Y., Thing V.L., A study on the photo response non-uniformity noise pattern based image forensics in real-world applications, in Proceedings of the International Conference on Image Processing, Computer Vision, and Pattern Recognition, The Steering Committee of The World Congress in Computer Science, Computer Engineering and Applied Computing (WorldComp), 2012.
  4. Li Y., Li Z., Wei K., Xiong W., Yu J., Qi B., Noise estimation for image sensor based on local entropy and median absolute deviation, “Sensors" 2019, 19 (2), 339, https://doi.org/10.3390/s19020339.
  5. Pun C.M., Liu B., Yuan X.C., Multi-scale noise estimation for image splicing forgery detection, “Journal of visual communication and image representation” 2016, 38, 195–206, https://doi.org/10.1016/j.jvcir.2016.03.005.
  6. Muzaffer G., Ulutas G., A new deep learning-based method to detection of copy-move forgery in digital images, in: Scientific meeting on Electrical-Electronics & Biomedical Engineering and computer science, IEEE, 1–4, https://doi.org/10.1109/EBBT.2019.8741657.
  7. Cozzolino D., Poggi G., Verdoliva L,. Splicebuster: A new blind image splicing detector, in: IEEE International Workshop on Information Forensics and Security (WIFS), IEEE, Rome 2014, 1–6, https://doi.org/10.1109/WIFS.2015.7368565.
  8. Cozzolino D., Verdoliva, L., Noiseprint: A CNN-based camera model fingerprint, IEEE Transactions on Information Forensics and Security, 2019, 1–1, https://doi.org/10.1109/TIFS.2019.2916364.
  9. Mahdian B., Saic S., A bibliography on blind methods for identifying image forgery, “Signal Processing: Image Communication” 2020, 25(6), 389–399, https://doi.org/10.1016/j.image.2010.05.003.
  10. Rezatofighi H., Tsoi N., Gwak J., Sadeghian A., Reid I., Savarese S., Generalized intersection over union: A metric and a loss for bounding box regression, in: Proceedings of the IEEE/CVF conference on computer vision and pattern recognition, 2019, 658–666.
  11. Sasaki Y, The truth of the F-measure, “Teach tutor mater” 2007, 1(5), 1–5.
  12. Jędrasiak K., Analiza zagrożeń bezpieczeństwa współczesnych kanałów komunikacyjnych i ich wpływu na bezpieczeństwo, II Ogólnopolska Konferencja Naukowa pt. Nauki społeczne wobec współczesnych wyzwań i kryzysów Aspekt prawny, socjologiczny i aksjologiczny Bezpieczeństwo w ujęciu holistycznym, 14.12.2023 r., Ełk.
  13. Jędrasiak K., Investigating the risk factors of unethical use of content modification and falsification methods, Ogólnopolska Konferencja Naukowa pt. „Bezpieczeństwo RP w wymiarze narodowym i międzynarodowym – wnioski z ostatniej dekady”, 5–6.12.2023, Rynia.
  14. Dixit P., Silakari S., Deep learning algorithms for cybersecurity applications: A technological and status review, “Computer Science Review” 2020, 39 (4), 100317, https://doi.org/10.1016/j.cosrev.2020.100317.
  15. Tyagi S., Yadav D., A detailed analysis of image and video forgery detection techniques, „The Visual Computer” 2022, 39 (3), 813–833, https://doi.org/10.1007/s00371-021-02347-4.
  16. Pour M.S., Nader C., Friday, K., Bou-Harb E., A comprehensive survey of recent internet measurement techniques for cyber security, „Computers & Security” 2023, 128, 103123, https://doi.org/10.1016/j.cose.2023.103123.
  17. Stamm M.C., Liu K.R., Forensic estimation and reconstruction of a contrast enhancement mapping, in: IEEE International Conference on Acoustics, Speech and Signal Processing, 2010, 1698–1701, https://doi.org/10.1109/ICASSP.2010.5495488.
  18. Kondepudy R., Healey G., Use of invariants for recognition of three-dimensional color textures, „JOSA A” 1994, 11(11), 3037–3049.
  19. Bayar B., Stamm, M.C., A deep learning approach to universal image manipulation detection using a new convolutional layer, in: Proceedings of the 4th ACM workshop on information hiding and multimedia security, 2016, 5–10, https://doi.org/10.1145/2909827.2930786.