La réponse courte
Oui, il est possible de faire correspondre une photo à l'appareil photo discret avec lequel elle a été prise (sans métadonnées) et elle est également assez fiable. La technique est facilement disponible dans quelques produits logiciels, dont Amped Authenticate , produit par Amped Software (avis de non-responsabilité: je suis le PDG et fondateur de la société).
L'idée de base
L'idée de base est que chaque appareil laisse une «empreinte sonore» différente sur chaque photo qu'il produit. Ce composant est appelé PRNU (Photo Response Non-Uniformity) et a été largement étudié dans la littérature. Il a été démontré que:
- constante dans le temps
- constante au-dessus de la température - indépendamment des autres réglages de l'appareil photo (exposition, mise au point, etc.)
- assez robuste à la recompression (en hausse autour de la qualité JPEG 5-60%)
- assez robuste aux réglages d'intensité et de couleur (contraste, luminosité…)
- assez robuste aux modifications locales (c'est-à-dire si une partie de l'image a été falsifiée, - l'image dans son ensemble est toujours reconnue comme provenant d'un appareil photo spécifique)
Cependant, il ne fonctionne pas correctement dans ces situations:
- si l'image a été recadrée ou a un zoom numérique, car elle ne prendrait qu'une partie du capteur et non toute sa zone (cela pourrait être résolu, mais il ne serait pas robuste de redimensionner)
- pour des améliorations très fortes
- pour des images très sombres ou très lumineuses, car le bruit n'est pas présent dans ces zones)
Comment ça marche
Pour extraire le PRNU de l'image, vous devez essentiellement extraire une composante spécifique du bruit. Vous pouvez le faire en débruyant l'image et en lui soustrayant l'image d'origine. Dans la littérature, il est recommandé d'utiliser des filtres ondelettes, mais même avec des filtres plus simples et plus rapides, vous pouvez obtenir des résultats similaires.
Concrètement, la procédure se déroule de la manière suivante:
Vous devez créer le modèle de référence de la caméra (CRP) : cela se fait en extrayant le PRNU de certaines images de votre appareil de test. Pour les meilleurs résultats, il est recommandé d'utiliser environ 30 à 50 images avec le moins de détails possible et pas trop sombres ou trop blanches et faire une moyenne pixel par pixel. Appelons ces images de référence . Si vous avez l'appareil photo, vous pouvez prendre des photos floues d'un mur ou du ciel. Si vous n'avez pas l'appareil photo, vous pouvez prendre des photos générales, mais vous en aurez probablement besoin de plus pour filtrer les détails avec la moyenne.
Ensuite, vous pouvez extraire le PRNU de l' image en cours d'analyse et calculer la corrélation avec le CRP . Plus la corrélation est élevée, plus la probabilité que l'image provienne du même appareil photo est élevée.
Vous pouvez classer automatiquement les images en calculant un seuil de corrélation: les images avec une corrélation supérieure au seuil auront une forte probabilité de provenir de la caméra, sinon elles proviendront probablement d'un appareil différent.
Le seuil peut être obtenu en calculant la corrélation pour:
- images provenant du même appareil (positif)
- images provenant d'un autre modèle d'appareil photo (négatif)
- images provenant d'un autre exemplaire du même modèle d'appareil photo (négatif)
En général, il est probable que les ensembles positifs et les ensembles négatifs ne soient pas parfaitement séparés, vous devez donc définir l'équilibre souhaité entre les faux positifs et les faux négatifs que vous souhaitez obtenir d'un cas à l'autre.
Si elle est utilisée de manière appropriée, la méthode s'est révélée très fiable, même s'il a été démontré qu'il est possible de trouver deux exemplaires du même modèle avec un PRNU très similaire. Cela peut se produire, par exemple, si le capteur des deux appareils a été produit à partir de la même tranche de silicium. C'est une possibilité éloignée, mais toujours une possibilité.
À titre d'exemple, cette image ci-dessous est le PRNU extrait d'une image sans aucun contenu significatif (image floue d'un mur).
Falsification
La corrélation PRNU peut également être appliquée localement pour détecter une falsification sur les images. L'idée est de calculer le PRNU sur une fenêtre glissante de nxn pixels à travers l'image pour créer une carte de corrélation. Les zones à faible corrélation auront une forte probabilité d'avoir été altérées.
L'image ci-dessous représente un exemple d'image en cours d'analyse.
Ci-dessous, le résultat de la corrélation par blocs du CRP avec le PRNU extrait de l'image. La zone blanche représente les zones les plus susceptibles d'être altérées, où le bruit est incohérent. Au milieu du bureau, il y a un signe clair de falsification.
En fait, c'est l'image originale, d'où une arme a été retirée.
Références
Il existe d'innombrables articles qui analysent le PRNU selon différents points de vue, mais ceux-ci sont probablement les plus importants:
- J. Lukas, J. Fridrich et M. Goljan, «Digital Camera Identification from Sensor Noise», IEEE Transactions on Information Security and Forensics, pp. 205-214, 2006.
- Mo Chen, J. Fridrich et M. Goljan, «Identification du capteur d'imagerie numérique (étude complémentaire)», compte rendu. of SPIE Electronic Imaging, Security, Steganography and Watermarking of Multimedia Contents, pp. 0P-0Q, 2007.
Sommaire
La technologie permettant de distinguer les images provenant de différentes caméras, même si elles sont de la même marque et du même modèle, existe et est assez bien établie dans la communauté universitaire et médico-légale. Il existe des produits logiciels disponibles sur le marché qui vous permettent de le faire avec une relative facilité et d'évaluer également l'authenticité de l'image avec un processus similaire.