Trung tâm của mọi máy ảnh kỹ thuật số là cảm biến hình ảnh. Cảm biến chia thành những địa chỉ rất nhỏ điểm ảnhđó là tập hợp photon và giấu chúng vào điện áp được lấy mẫu từ bộ chuyển đổi A/D. Trước khi ánh sáng từ cảnh vật được truyền đến cảm biến, nó đi qua các ống kính máy ảnh, bộ lọc khử răng cưa (làm mờ), và sau đó thông qua một mảng lọc màu (CFA). CFA là một khảm của bộ lọc màu có nhiệm vụ chặn một phần nhất định của quang phổ, cho phép mỗi điểmảnh nhận một màu sắc cụ thể. Bộ cảm biến FoveonTMX3 là cảm biến duy nhất mà không sử dụng CFA và có thể nắm bắt tất cả ba màu cơ bản ở mỗi điểmảnh.
Nếu cảm biến sử dụng CFA, đầu ra cảm biến số hóa bị suy giảm sử dụng thuật toán thêm màu để có được tất cả ba màu cơ bản cho mỗi điểm ảnh. Kết quả tín hiệu được tiếp tục xử lý màu sửa chữa và điều chỉnh cân bằng sáng. Việc thêm vào quá trình xử lý bao gồm cấu trúc sửa chữa hai thành phần chính của nhiễu đó là nhiễu có cấu trúc cố định (Fixed Pattern Noise - FPN) và nhiễu không đồng nhất do ánh sáng môi trường. Nhiễu có cấu trúc cốđịnh đề cập đến sự khác nhau từ điểmảnhtới điểmảnh khi mà mảng cảm biến không tiếp xúc với ánh sáng (còn gọi là miền tối hiện hành). Nhiễu có cấu trúc cốđịnh là một kiểu nhiễu cộng và một số phụ gia để nâng cao khả năng của máy ảnh có thể chặn được nhiễu bằng cách trừ đi một khung tối từ tất cả bức ảnh mà họ có được. Nhiễu có cấu trúc cốđịnh cũng tùy thuộc vào tiếp xúc và nhiệt độ.
Hình 2.3 Hình ảnh hai mẫu nhiễu lấy được từ 2 loại sensor có công nghệ khác nhau
Cácảnh hưởngkhông đồng nhấtcủa nhiễu tới hìnhảnh (FPRN), đây là phần chi phối của mẫu nhiễu (PN) trong hìnhảnh được chụp từ tự nhiên.Mô hình toán
học của quá trình thu nhận hình ảnh, với i=1,…m, j=1,…n. Với mxn là độ phân giải cảu cảm biến.
x = (xij):các tín hiệu nguyên mà có thể ghi nhận bởi cảm biến thông qua ánh sáng
𝜼 = (𝜂𝑖𝑗) : biểu thị độ nhiễu ngẫu nhiên
𝜺 = 𝜀𝑖𝑗 : độ thêm nhiễu ngẫu nhiên (đại diễn cho nhiễu của đầu ra)
𝒄 = 𝑐𝑖𝑗 :miền tối hiện tại
𝒚 = 𝑦𝑖𝑗 : tín hiệu số hóa đầu ra của cảm biến có thể được biểu diễn dưới dạng
sau (trước khi được máy ảnh xử lý)
𝑦𝑖𝑗 = 𝑓𝑖𝑗 𝑥𝑖𝑗 + 𝑛𝑖𝑗 + 𝑐𝑖𝑗 + 𝜀𝑖𝑗 (2.8)
Hàm fij gần bằng một và nó nắm bắt ảnh hưởng không đồng nhất của nhiễu tớiđiểm ảnh- PRNU, đó là nhiễu theo cấp số nhân. Một thành phần quan trọng của PRNU đó là các điểm ảnh không đồng nhất - Pixel Non-Uniformity (PNU),nó được định nghĩa là độ nhạy khác nhau của điểm ảnh với ánh sáng. PNU bắt nguồn từ sự ngẫu nhiêu không đồng nhất trên các tấm silicon wafer sự không đồng nhất khác trong quá trình chế tạo cảm biến. Như vậy, nó không phụ thuộc vào nhiệt độ môi trường xung quanh và dường như ổn định theo thời gian. Phổ của PNU là liên tục và yếu đi một chút trong không gian tần số cao. Ánh sáng khúc xạ trên bề mặt các hạt bụi và các bề mặt quang học và đặc tính của máy ảnh quang cũng góp phần vào PRNU. Các thành phần này chắc chắn là một mẫu, một họa tiết nhỏ, và là khoảng tần số thấp trong tự nhiên. Bởi vì, các thành phần tần số thấp không phải là một đặc tính của cảm biến, chúng tôi không sử dụng chúng để xác định giả mạo mà chúng tôi sử dụng PNU, là một đặc trưng bên trong của cảm biến (giống như vân tay).
PRNU không hiện diện hoàn toàn trên các vùng của bức ảnh, nơi mà tất cả các điểm cảm biến ảnh đã được lấp đầy với công suất sản xuất tín hiệu không đổi.Nó cũng rõ ràng từ công thức (2.8) rằng trong vùng tối (khi xij xấp xỉ 0) thì PRNU trở nên rõ nét.
Các tín hiệu y đi qua một dây chuyền xử lý phức tạp trước khi các tệp tin hình ảnh cuối cùng được lưu trữ trên thẻ nhớ của máy ảnh. Quá trình xử lý bao gồm các hoạt động bên trong vùng lân cận của điểm ảnh chẳng hạn như demosaicking, chỉnh màu sắc, lọc. Một số hoạt động có thể phi tuyến trong tự
nhiên, chẳng hạn chỉnh gramma, cân bằng sáng hoặc thích nghi với màu nội suy. Kết quả cuối cùng là giá trị điểm ảnh pij, mà chúng ta sẽ giả định nó trong khoảng 0<pij<255 cho mỗi màu, đó là
𝑃𝑖𝑗 = 𝑇 𝑦𝑖𝑗, 𝑁 𝑦𝑖𝑗 , 𝑖, 𝑗 (2.9)
Trong đó T là một hàm phi tuyến tính của yij, vị trí của điểm ảnh (i, j) và giá trị y từ vùng lân cận 𝒩(𝑦𝑖𝑗) (ví dụ 5x5 lân cận)
Có thể triệt được mẫu nhiễu này bằng cách sử dụng một quá trình gọi là “flat fielding”, trong đó các giá trị điểm ảnh đầu tiên được sửa chữa các FPN và sau đó chia chúng bởi khung “flat field” bởi ảnh trung bình theo một chuẩn thống nhất.
Quá trình xử lý không thể thực hiện được từ các điểm ảnh giá trị cuối cùng pij và phải được thực hiện tín hiệu vừa mới nhận được từ cảm biến là y, trước khi bất kỳ công việc xử lý ảnh nào xử lý. Trong khi nó thường được sử dụng trong ảnh thiên văn, máy ảnh kỹ thuật số rất khó để hoàn thiện trong lĩnh vực của mình bởi vì rất khó để đạt được một cảm biến thống nhất bên trong máy ảnh.
Bởi vì về cơ bản tất cả các bộ cảm biến hình ảnh (CCD, CMOS, JFET hoặc CMOS-FoveonTM
X3) được xây dựng từ các chất bán dẫn và công nghệ sản xuất không khác biệt quá nhiều, mẫu nhiễu trong tất các bộ cảm biết có tính chất tương tự.Cảm biến CMOS theo kinh nghiệm cũng có cả hai mẫu nhiễu FPN và PRNU. Hơn thế nữa, mẫu PRNU đều có cả trong cả hai cảm biến CMOS và CCD. Bởi vì bộ cảm biến JFET cũng tương tự như CMOS, như vậy chúng tương tự nhau.
Khu vực giả mạo có thể là những nơi thiếu mẫu nhiễu. Chúng tôi phát hiện sự hiện diện của nhiễu PNU trong khu vực bằng cách tính toán sự tương quan giữa vùng nhiễu còn dư với mẫu nhiễu. Như vậy, giả mạo phát hiện phải bắt đầu với việc xác định mô hình tham khảo cho máy ảnh. Chúng tôi mô tả quá trình này đầu tiên và sau đó trình bày các thuật toán nhận dạng giả mạo.
2.4. Một số phương pháp trực quan khác
Ngoài các phương pháp dựa trên việc tính toán, sử dụng thuật toán… để xác định được một bức ảnh là ảnh giả, hiện nay cũng có rất nhiều các phương pháp dựa trên việc xem xét trực quan bằng hình ảnh, căn cứ vào các đặc tính vật lý và đặc trưng hình học đối tượng trên hình ảnh.
2.4.1. Nguồn sáng
Tấm ảnh ghép từ nhiều hình ảnh khác nhau sẽ khó có độ thuần nhất về ánh sáng (cường độ chiếu sáng, hướng của ánh sáng....).
Hình 2.4 Mô phỏng hướng nguồn sáng tới bề mặt một quả cầu
Ví dụ một quả cầu như trên sẽ sáng nhất ở bề mặt có tia nắng chiếu thẳng góc (hướng của mũi tên vàng), tối nhất ở phía đối diện, các vùng xung quanh nó sẽ sáng với mức độ khác nhau tùy vị trí khuất. Sự phản xạ lại của tia sáng sang không gian hay vật thể xung quanh cũng có mức độ tương ứng.
Để nhận biết hướng của nguồn sáng, bạn phải biết được hướng chiếu sáng trên từng vị trí của bề mặt. Sẽ rất khó nếu nhìn toàn bộ vật thể để xác định nguồn sáng nhưng hãy chú ý đến các đường viền trên bề mặt - nơi hướng ánh sáng vuông góc với bề mặt. Bằng cách đo độ sáng và hướng cùng với một số điểm trên đường viền, các thuật toán có thể xác định được hướng nguồn sáng. [14]
Hình 2.5 Mô phỏng việc phân tích nguồn sáng để phát hiện ảnh giả (adsbygoogle = window.adsbygoogle || []).push({});
Ví dụ: hình trên là ảnh ghép vì hướng nguồn sáng chiếu vào các viên cảnh sát không tương ứng với những con vịt (xem hướng mũi tên).
2.4.2. Hướng mắt nhìn và vị trí
Nghiên cứu các chấm sáng trong con ngươi mắt người. Mắt là một phần tấm gương soi vào thế giới ẩn chứa chủ thể được chụp.
Hình 2.6 Hình ảnh mô phỏng hướng mắn nhìn và vị trí
Do các cặp mắt có hình dáng cố định nên chúng rất hữu dụng để phân tích xem bức ảnh có bị chỉnh sửa hay không. Tròng đen của mắt là hình tròn nhưng ta sẽ thấy nó có hình elip khi nó di chuyển sang bên cạnh hoặc lên xuống (a).
Người ta có thể biết được mắt nhìn ra sao trong một bức ảnh bằng cách tìm tia sáng từ mắt đến một điểm gọi là điểm chính giữa của máy ảnh (b). Bức ảnh hình thành từ nơi các tia sáng đi qua mặt phẳng của hình ảnh (màu xanh lơ). Điểm chính của máy ảnh - phần giao giữa mặt phẳng hình ảnh và tia sáng - sẽ nằm gần với điểm chính giữa của bức ảnh.
Một nhóm chuyên gia đã dùng hình dáng của hai tròng đen trong bức ảnh để suy luận ra đôi mắt có hướng nhìn tương ứng thế nào với máy ảnh và có được điểm chính giữa của camera (c).
Khi điểm chính này nằm cách xa điểm chính giữa của camera hoặc người có điểm chính giữa không cố định chính là bằng chứng cho thấy bức ảnh bị chỉnh sửa (d).
Thuật toán cũng phát huy tác dụng với các vật thể khác nếu biết hình dạng của nó, ví dụ như hai bánh của chiếc ô tô.Tuy nhiên, kỹ thuật này còn hạn chế vì phải dựa trên tính toán chính xác giữa hai tròng mắt. [14]
2.4.3. Điểm sáng trên mắt
Ánh sáng xung quanh phản chiếu trong mắt sẽ hình thành nên những điểm sáng nhỏ và dựa vào hình dạng, màu sắc, vị trí của chúng, người ta có thể xác định được về ánh sáng.
Hình 2.7 Mô phỏng bức ảnh giả được phát hiện dựa trên phân tích tròng mắt
Ví dụ: năm 2006 có một bức ảnh về các ngôi sao American Idol chuẩn bị được xuất bản và các điểm sáng trên mắt của họ khá khác biệt (xem ảnh nhỏ).
Hình 2.8 Mô phỏng vị trí của điểm sáng trên mắt
Vị trí của điểm sáng trên mắt cho biết vị trí của nguồn sáng (ở trên, bên trái). Khi hướng của nguồn sáng (mũi tên màu vàng) di chuyển từ trái sang phải thì điểm sáng trên mắt cũng di chuyển như vậy.
Hình 2.9 Mô phỏng vị trí của điểm sáng trên mắt
Điểm sáng trong bức ảnh American Idol không cố định nên có thể biết được đây là bức ảnh ghép. Tuy nhiên, trong nhiều trường hợp phải cần đến các phân tích về toán học, trong đó xét đến các yếu tố như hình dáng của mắt, mối liên quan giữa hai mắt, máy ảnh và ánh sáng. [14]
2.4.4. Hình học
Dựa vào thời gian chụp hình, và dựa vào một bóng của đối tượng và tìm ra chiều cao chính xác của đối tượng trên hình ảnh, người ta có thể xác định chính xác vị trí chụp hình của bức ảnh đó trên thế giới.
Ngoài ra khi xem xét một bức ảnh giả, cũng có thể dùng trực quan để xem các đối tượng nghi vấn và vận dụng các kiến thức hình học kết hợp.Với việc phân tích nguồn sáng chúng ta cũng có những cơ sở để xác minh ảnh bị làm giả hay là ảnh được chụp từ tự nhiên.
2.5. Kết luận
Như đã trình bày trong chương này, hiện nay có rất nhiều các phương pháp phát hiện ảnh giả và vẫn còn những phương pháp khác mà do giới hạn của đề tài, tôi chưa thể tìm hiểu và đưa ra được ở đề tài này. Trong nội dung nghiên cứu của tôi là đánh giá và so sánh các phương pháp phát hiện ảnh số giả mạo, tôi mong muốn lựa chọn những phương pháp để thực nghiệm và so sánh dựa trên ba yếu tố:
+ Có độ tin cậy cao
+ Loại bỏ tối thiểu yếu tố sử dụng trực quan để so sánh + Tối đa việc phát hiện ra vùng bị làm giả
Chính vì những dựa trên yếu tố trên, nên tôi một số phương pháp sử dụng nhiều yếu tố trực quan mà tôi đã trình bày ở mục 2.4.Tôi sẽ không đi tìm hiểu sâu, mà tập trung vào nhóm các phương pháp để lại các “dấu vết rõ ràng” dựa
trên đặc trưng của các điểm ảnh (pixel based), các đặc trưng của định dạng ảnh (format based) và các đặc điểm của máy ảnh (camera Based).
Trong nhóm các phương pháp dựa vào đặc điểm của điểm ảnh và mối tương quan giữa chúng (pixel based), tôi chọn lọc phương pháp so sánh xấp xỉ (giữa các khối ảnh) dựa trên các hệ số DCT, gọi tắt là phương pháp DCT để thực nghiệm. Với phương pháp này, nó cho kết quả rõ ràng về vùng bị làm giả, tốt hơn so với các phương pháp cùng nhóm như phương pháp lấy mẫu lại (resampling) hay ghép (splicing) - chỉ cho thấy dấu hiệu bị làm giả, chưa thể cho kết quả xác định được chính xác vùng bị làm giả như phương pháp DCT.
Trong nhóm các phương pháp dựa trên định dạng hình ảnh thì phương pháp dựa trên lượng tử hóa JPEG (JPEG quantization), mà cụ thể là phương pháp phân tích mức độ lỗi ELA, dựa trên việc lượng tử hóa khác nhau của hình ảnh khi bức ảnh làm giả được ghép từ các bức ảnh khác nhau, các bức ảnh gốc đó có độ nén JPEG khác nhau, khi phân tích chúng sẽ có thể dự đoán được vùng bị làm giả. Các phương pháp khác của nhóm này như phương pháp thống kê dựa trên phần đầu ảnh JPEG (JPEG header), chỉ có thể dựa vào sai khác dựa trên việc thông kê để kết luận ảnh đó là ảnh giả hay không, chưa thể phát hiện được vùng bị làm giả. Tương tự với phương pháp nhận diện nén kép(double JPEG), chỉ có thế kết luận một bức ảnh đã bị nén hai lần, có khả năng đã qua một chương trình chỉnh sửa hình ảnh và cũng chưa xác định rõ được vùng bị làm giả. Phương pháp hiệu ứng khối(JPEG blocking) mới chỉ dựa vào mô hình giám sát việc phân loại để kết luận đó là bức ảnh giả hay không, chưa phát hiện được chính xác vùng làm giả.
Trong bốn phương pháp tôi đưa ra ở nhóm phương pháp dựa trên đặc điểm của máy ảnh, hai phương pháp chức năng đáp ứng của máy ảnh (camera respone) và phương phápphân tích mẫu nhiễu có cấu trúc(patternnoise) cần phải có một số lượng hình ảnh nhất định thu được từ máy ảnh mà máy ảnh này được „khai báo‟ là đã tạo ra bức ảnh giả, từ các bức ảnh đó ta phân tích được bản đồ các chức năng phản ứng của máy ảnh (camera respone) hoặc nhiễu có cấu trúc(pattern noise) từ máy ảnh đó, sau đó xác minh xem liệu ảnh giả đó có được chụp từ máy ảnh này hay không. Hai phương pháp này tương đối khó khăn trong mặt thực nghiệm và mục đích của tôi là lựa chọn phương pháp có thể phát hiện được vùng làm giả trong bức ảnh. Vì vậy, tôi tập trung vào phương pháp phân tích quang sai màu(CA) và phương pháp sử dụng mảng lọc màu (CFA), và tôi đã lựa chọn ngẫu nhiên phương pháp phân tích quang sai màu để tiến hành thực nghiệm và so sánh.
Chƣơng 3: NGHIÊN CỨU SỬ DỤNG MỘT SỐ PHƢƠNG PHÁP PHÁT HIỆN ẢNH SỐ GIẢ MẠO (adsbygoogle = window.adsbygoogle || []).push({});
3.1. Phƣơng pháp sử dụng DCT phát hiện sao-chuyển ảnh
3.1.1. Phương pháp
Bất kỳ một bức ảnh làm giả thuộc loại sao - chuyển ảnh nào cũng có những dấu hiệu tương quan giữa vùng bị nhân bản và vùng được nhân bản. Mối tương quan có thể được khai thác làm cơ sở cho việc phát hiện ảnh giả mạo. Bỏ qua việc xác định vùng này là bị nhân bản hay vùng kia được nhân bản để phát hiện ảnh bị làm giả hay không, ta chỉ cần xác định hai vùng trên bức ảnh có mối tương quan như nhau, chứng tỏ nó đã bị nhân bản và có thể kết luận ảnh đã bị làm giả.
Vì ảnh giả mạo có thể được lưu trữ trong định dạng nén tổn hao dữ liệu JPEG và có thể sử dụng các công cụ chỉnh sửa hoặc các công cụ xử lý khác, các phân đoạn có thể không tương quan một cách chính xác nhưng nó xấp xỉ. Như vậy, chúng ta có thể xây dựng thuật toán với việc so sánh xấp xỉ các đoạn hình ảnh nhỏ và làm việc trong khoảng thời gian hợp lý. Hai thuật toán đã được đề xuất để phát hiện hình ảnh giả mạo và xác định được vùng bị làm giả, một thuật toán dựa trên việc so khớp một cách chính xác (exact match), một thuật toán dựa trên việc so sánh xấp xỉ (robust match).
- Phương pháp so sánh chính xác (exact match):
Các thuật toán đầu tiên được xác định trong phần này là để xác định những phân đoạn chính xác. Mặc dù, ứng dụng của công cụ này còn nhiều hạn