Luận Văn Thạc Sĩ: Phát Hiện Ảnh Giả Mạo Dựa Trên Mẫu Nhiễu Cảm Biến

Luận văn thạc sĩ phân tích vnu uet phát hiện ảnh giả mạo dựa trên mẫu nhiễu cảm biến, đánh giá thực trạng, chỉ ra hạn chế, đề xuất giải pháp khả thi cho thực tiễn.

• Tác giả: Phạm Thị Cúc
• Người hướng dẫn: PGS. Đỗ Năng Toàn
• Trường học: Trường Đại Học Công Nghệ - Đại Học Quốc Gia Hà Nội
• Chuyên ngành: Công Nghệ Thông Tin
• Đề tài: Phát Hiện Ảnh Giả Mạo Dựa Trên Mẫu Nhiễu Cảm Biến
• Loại tài liệu: Luận Văn Thạc Sĩ
• Năm xuất bản: 2014
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CẢM ƠN
• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: KHÁI QUÁT VỀ XỬ LÝ ẢNH VÀ ẢNH GIẢ MẠO
• 1.1. Xử lý ảnh và một số vấn đề cơ bản trong xử lý ảnh
• 1.2. Một số khái niệm cơ bản
• 1.3. Một số vấn đề cơ bản trong xử lý ảnh
• 1.4. Các giai đoạn trong xử lý ảnh
• 1.5. Thu nhận ảnh
• 1.6. Phân đoạn ảnh
• 1.7. Biểu diễn và mô tả
• 1.8. Cơ sở trí thức
• 1.9. Nhận dạng và nội suy ảnh. Trích chọn đặc trưng
• 1.10. Ảnh giả mạo và các dạng giả mạo ảnh cơ bản
• 1.11. Ảnh giả mạo
• 1.12. Các loại ảnh giả mạo cơ bản
• 1.13. Tăng cường ảnh
• 1.14. Sao chép và dịch chuyển vùng trên ảnh
• 2. CHƯƠNG 2: CÁC KỸ THUẬT PHÁT HIỆN ẢNH SỐ GIẢ MẠO
• 2.1. Dựa trên đặc trưng điểm ảnh (Pixel Based)
• 2.2. Lấy mẫu lại (Re-sampling)
• 2.3. Dựa trên định dạng ảnh (Format Based)
• 2.4. Lượng tử hóa JPEG (JPEG quantization)
• 2.5. Phần đầu ảnh JPEG (JPEG Header)
• 2.6. Hiệu ứng khối JPEG (JPEG Blocking)
• 2.7. Dựa trên đặc điểm máy ảnh (Máy ảnh-Based)
• 2.8. Quang sai màu (Chromatic Aberration)
• 2.9. Mảng lọc màu (Color Filter Array)
• 2.10. Đáp ứng của máy ảnh (Máy ảnh Response)
• 2.11. Mẫu nhiễu cảm biến (Sensor Pattern Noise)
• 2.12. Một số phương pháp trực quan khác
• 2.13. Hướng mắt nhìn và vị trí
• 3. CHƯƠNG 3: PHÁT HIỆN ẢNH GIẢ MẠO DỰA VÀO MẪU NHIỄU CẢM BIẾN
• 3.1. Mẫu nhiễu và các phương thức biểu diễn
• 3.2. Xử lý tín hiệu trong máy ảnh kỹ thuật số
• 3.3. Mẫu nhiễu cảm biến
• 3.4. Thuật toán phát hiện ảnh giả mạo dựa vào mẫu nhiễu cảm biến
• 3.5. Tạo các mẫu tham chiếu của máy ảnh
• 3.6. Thuật toán nhận dạng ảnh giả
• 3.7. Chương trình thực nghiệm
• 3.8. Công cụ và dữ liệu thử nghiệm
• 3.9. Kết quả thử nghiệm
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Về Phát Hiện Ảnh Giả Mạo Dựa Trên Mẫu Nhiễu Cảm Biến

Phát hiện ảnh giả mạo là một lĩnh vực quan trọng trong công nghệ thông tin, đặc biệt trong bối cảnh gia tăng của các công nghệ chỉnh sửa ảnh. Mẫu nhiễu cảm biến là một trong những phương pháp hiệu quả để phát hiện các hình ảnh giả mạo. Bài viết này sẽ cung cấp cái nhìn tổng quan về các khái niệm cơ bản và tầm quan trọng của việc phát hiện ảnh giả mạo.

1.1. Khái Niệm Về Ảnh Giả Mạo Và Mẫu Nhiễu Cảm Biến

Ảnh giả mạo là những hình ảnh đã bị chỉnh sửa hoặc thay đổi nhằm mục đích lừa đảo. Mẫu nhiễu cảm biến là các mẫu nhiễu đặc trưng do máy ảnh tạo ra, có thể được sử dụng để phát hiện sự giả mạo trong ảnh.

1.2. Tầm Quan Trọng Của Việc Phát Hiện Ảnh Giả Mạo

Việc phát hiện ảnh giả mạo không chỉ quan trọng trong lĩnh vực pháp lý mà còn trong truyền thông, y tế và nhiều lĩnh vực khác. Độ tin cậy của thông tin hình ảnh ảnh hưởng lớn đến quyết định và hành động của con người.

II. Thách Thức Trong Phát Hiện Ảnh Giả Mạo Dựa Trên Mẫu Nhiễu Cảm Biến

Mặc dù có nhiều phương pháp phát hiện ảnh giả mạo, nhưng vẫn tồn tại nhiều thách thức trong việc áp dụng mẫu nhiễu cảm biến. Các thách thức này bao gồm sự đa dạng của các kỹ thuật giả mạo và sự phát triển nhanh chóng của công nghệ chỉnh sửa ảnh.

2.1. Đa Dạng Các Kỹ Thuật Giả Mạo

Các kỹ thuật giả mạo ngày càng trở nên tinh vi, từ việc cắt ghép đơn giản đến việc sử dụng trí tuệ nhân tạo để tạo ra các hình ảnh giả mạo khó phát hiện.

2.2. Sự Phát Triển Của Công Nghệ Chỉnh Sửa Ảnh

Công nghệ chỉnh sửa ảnh ngày càng phát triển, khiến cho việc phát hiện ảnh giả mạo trở nên khó khăn hơn. Các phần mềm như Photoshop cho phép người dùng dễ dàng chỉnh sửa ảnh mà không để lại dấu vết.

III. Phương Pháp Phát Hiện Ảnh Giả Mạo Dựa Trên Mẫu Nhiễu Cảm Biến

Có nhiều phương pháp để phát hiện ảnh giả mạo dựa trên mẫu nhiễu cảm biến. Các phương pháp này thường sử dụng các thuật toán phức tạp để phân tích và nhận diện các mẫu nhiễu trong ảnh.

3.1. Thuật Toán Phát Hiện Dựa Trên Mẫu Nhiễu

Thuật toán phát hiện ảnh giả mạo dựa vào mẫu nhiễu cảm biến sử dụng các mẫu tham chiếu để so sánh và phát hiện sự khác biệt trong ảnh.

3.2. Xử Lý Tín Hiệu Trong Máy Ảnh Kỹ Thuật Số

Xử lý tín hiệu là bước quan trọng trong việc phát hiện ảnh giả mạo. Các kỹ thuật xử lý tín hiệu giúp cải thiện độ chính xác của việc phát hiện.

IV. Ứng Dụng Thực Tiễn Của Phát Hiện Ảnh Giả Mạo

Phát hiện ảnh giả mạo dựa trên mẫu nhiễu cảm biến có nhiều ứng dụng thực tiễn trong các lĩnh vực như pháp lý, truyền thông và y tế. Việc áp dụng các phương pháp này giúp nâng cao độ tin cậy của thông tin hình ảnh.

4.1. Ứng Dụng Trong Lĩnh Vực Pháp Lý

Trong lĩnh vực pháp lý, việc phát hiện ảnh giả mạo có thể giúp xác thực bằng chứng và đảm bảo tính chính xác của thông tin trong các vụ án.

4.2. Ứng Dụng Trong Truyền Thông

Trong truyền thông, việc phát hiện ảnh giả mạo giúp bảo vệ uy tín của các tổ chức và cá nhân, đồng thời đảm bảo thông tin được truyền tải là chính xác.

V. Kết Luận Về Tương Lai Của Phát Hiện Ảnh Giả Mạo

Tương lai của phát hiện ảnh giả mạo dựa trên mẫu nhiễu cảm biến hứa hẹn sẽ có nhiều tiến bộ với sự phát triển của công nghệ. Các nghiên cứu và ứng dụng mới sẽ tiếp tục được phát triển để đối phó với các thách thức trong lĩnh vực này.

5.1. Xu Hướng Nghiên Cứu Mới

Các xu hướng nghiên cứu mới trong lĩnh vực phát hiện ảnh giả mạo sẽ tập trung vào việc cải thiện độ chính xác và hiệu quả của các thuật toán phát hiện.

5.2. Tương Lai Của Công Nghệ Phát Hiện

Công nghệ phát hiện ảnh giả mạo sẽ tiếp tục phát triển, với sự hỗ trợ của trí tuệ nhân tạo và học máy, giúp nâng cao khả năng phát hiện và phân tích.

Nội dung chính

Tổng quan nghiên cứu

Trong bối cảnh bùng nổ của truyền thông số với hơn 3,2 tỷ bức ảnh được chia sẻ trực tuyến mỗi ngày, tính xác thực của dữ liệu hình ảnh đang đối mặt với những thách thức nghiêm trọng. Sự phổ cập của các phần mềm xử lý đồ họa chuyên nghiệp như Adobe Photoshop đã khiến khoảng 60% các vụ việc chỉnh sửa, ngụy tạo hình ảnh không thể phân biệt bằng mắt thường. Các hành vi cắt ghép, tẩy xóa hoặc chắp vá đối tượng không chỉ làm sai lệch thông tin mà còn trực tiếp đe dọa đến tính toàn vẹn của chứng cứ pháp lý trong điều tra hình sự, giám định tư pháp, an ninh truyền thông và chẩn đoán y khoa.

Trước thực trạng cấp bách đó, luận văn thạc sĩ công nghệ thông tin chuyên ngành Hệ thống thông tin của tác giả Phạm Thị Cúc, thực hiện năm 2014 tại Trường Đại học Công nghệ – Đại học Quốc gia Hà Nội dưới sự hướng dẫn của PGS. Đỗ Năng Toàn, đã tập trung giải quyết bài toán phát hiện ảnh giả mạo thông qua dấu vết vật lý nội tại của thiết bị ghi hình. Mục tiêu cụ thể của công trình là xây dựng quy trình và thuật toán tự động nhận diện vùng ảnh bị can thiệp dựa trên mẫu nhiễu cảm biến quang học độc bản.

Phạm vi nghiên cứu tập trung vào kỹ thuật phân tích mẫu nhiễu không đồng nhất của điểm ảnh trên 7 dòng máy ảnh kỹ thuật số phổ biến, tiến hành kiểm nghiệm trên tập dữ liệu gồm 60 ảnh thực nghiệm thuộc 4 định dạng lưu trữ tiêu chuẩn. Kết quả nghiên cứu đạt tỷ lệ phát hiện chính xác 100% đối với các bức ảnh cắt ghép từ 2 thiết bị khác nhau, đóng góp một phương pháp tiếp cận định lượng tin cậy cho lĩnh vực giám định kỹ thuật số.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn xây dựng hệ thống luận cứ dựa trên 2 nền tảng lý thuyết cốt lõi:

Thứ nhất là mô hình xử lý tín hiệu và vật lý cảm biến máy ảnh số. Trong cấu trúc phần cứng của máy ảnh sử dụng cảm biến quang học, quá trình chế tạo các tấm bán dẫn silicon luôn để lại những sai lệch ngẫu nhiên vi mô. Hiện tượng này tạo ra mẫu nhiễu cảm biến mang tính đặc trưng duy nhất cho từng thân máy, tương tự như dấu vân tay sinh trắc học của con người. Mẫu nhiễu cảm biến bao gồm 2 thành phần chính: nhiễu có cấu trúc cố định xuất hiện trong điều kiện thiếu sáng và nhiễu không đồng đều của đáp ứng quang học đóng vai trò chi phối trong điều kiện chụp thông thường.

Thứ hai là lý thuyết xác suất thống kê và mô hình phân phối Gaussian tổng quát. Mô hình này được ứng dụng để thiết lập hàm tích lũy xác định ngưỡng tin cậy, giúp chuẩn hóa tương quan giữa các vùng ảnh nghi vấn với mẫu tham chiếu camera.

Bên cạnh đó, nghiên cứu làm rõ 4 khái niệm nền tảng:

• Nhiễu không đồng nhất của điểm ảnh: Đặc tính vật lý ổn định theo thời gian, không phụ thuộc nhiệt độ môi trường, thể hiện độ nhạy quang học riêng biệt của từng điểm ảnh với giá trị cường độ từ 0 đến 255 mức xám.
• Phép biến đổi Wavelet và trích chọn nhiễu dư: Cơ chế lọc tách tín hiệu ảnh gốc nhằm giữ lại thành phần nhiễu tần số cao của cảm biến.
• Độ tương quan chuẩn hóa Pearson: Chỉ số định lượng mức độ trùng khớp giữa vết nhiễu của vùng ảnh nghi vấn và mẫu nhiễu chuẩn của máy ảnh.
• Xác suất sai số thống kê: Đại lượng dùng để đối soát tính bất thường của vùng ảnh bị chỉnh sửa so với toàn cảnh.

Phương pháp nghiên cứu

Nguồn dữ liệu nghiên cứu được thu thập thực tế từ 7 dòng thiết bị ghi hình đại diện cho các phân khúc: Canon PowerShot A10, Canon PowerShot G2, Canon PowerShot S40, Olympus Camedia C765 UZ, Olympus Camedia C3030, Nikon D100 và Sony HandyCam.

Phương pháp chọn mẫu áp dụng quy trình chọn mẫu có chủ đích kết hợp thuật toán tính toán tích lũy dần. Để xây dựng mẫu nhiễu tham chiếu đáng tin cậy cho mỗi máy ảnh, nghiên cứu sử dụng tối thiểu trên 50 bức ảnh chụp tự nhiên (khuyến nghị chuẩn hóa ở mức 300 bức ảnh). Bộ dữ liệu kiểm thử gồm 60 bức ảnh giả mạo dạng cắt ghép, được chia thành 2 nhóm: 40 ảnh ghép từ 2 thiết bị khác loại và 20 ảnh ghép từ cùng 1 loại máy ảnh, dàn trải trên 4 định dạng ảnh phổ thông gồm TIFF, BMP, PNG và JPEG.

Phương pháp phân tích dựa trên sự kết hợp giữa biến đổi Wavelet để trích xuất nhiễu dư và hàm phân phối tích lũy Gaussian tổng quát để phân lớp dữ liệu. Lý do lựa chọn bộ lọc Wavelet là nhờ khả năng triệt tiêu triệt để các chi tiết hình ảnh thực tế có tần số thấp mà vẫn bảo toàn nguyên vẹn mẫu nhiễu cảm biến tần số cao. Timeline nghiên cứu được thực hiện xuyên suốt trong 12 tháng, chương trình thử nghiệm được lập trình tối ưu bằng ngôn ngữ C++ trên môi trường Microsoft Visual Studio 2008 tích hợp thư viện mã nguồn mở FreeImage.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm trên bộ dữ liệu kiểm thử 60 ảnh đã mang lại 4 phát hiện quan trọng:

Thứ nhất, thuật toán đạt độ chính xác phát hiện tuyệt đối 100% (nhận diện thành công 40 trên 40 bức ảnh) đối với các trường hợp ảnh giả mạo được tạo thành từ việc cắt ghép các đối tượng chụp bởi 2 dòng máy ảnh khác nhau.

Thứ hai, tính bất biến trước định dạng lưu trữ của phương pháp được khẳng định khi thuật toán duy trì độ nhạy phát hiện đồng đều trên cả 4 định dạng tệp tin khác nhau, bao gồm ảnh nén JPEG cũng như các định dạng không nén như TIFF, PNG và BMP.

Thứ ba, nghiên cứu ghi nhận giới hạn vật lý của phương pháp khi tỷ lệ phát hiện đạt 0% (0 trên 20 ảnh) đối với trường hợp cắt ghép giữa các ảnh chụp từ cùng một máy ảnh hoặc cùng model có đặc tính cảm biến tương đương.

Thứ tư, phương pháp tính toán mẫu tham chiếu tích lũy dần chứng minh tính ưu việt vượt trội khi giúp tiết kiệm hơn 45% thời gian tính toán và bộ nhớ RAM so với phương thức nạp đồng thời toàn bộ 300 tệp ảnh mẫu vào hệ thống.

Thảo luận kết quả

Nguyên nhân tạo nên độ chính xác 100% ở nhóm ảnh ghép khác thiết bị xuất phát từ việc mỗi cảm biến máy ảnh sở hữu một mẫu vân nhiễu độc nhất. Khi một đối tượng từ ảnh nguồn được ghép vào ảnh đích, vùng cắt dán sẽ mang mẫu nhiễu của thiết bị ban đầu. Sự lệch pha này khiến hệ số tương quan giữa nhiễu dư vùng nghi vấn và mẫu tham chiếu của máy ảnh chụp ảnh nền bị suy giảm mạnh, đẩy giá trị xác suất sai số xuống dưới ngưỡng 0,001 (10 mũ âm 3), kích hoạt cảnh báo giả mạo. Ngược lại, khi ghép ảnh từ cùng một thân máy, sự đồng nhất về mẫu vân cảm biến khiến thuật toán không phát hiện được sự bất thường thống kê.

So với các phương pháp tiền nhiệm, thuật toán này vượt trội hơn phương pháp phân tích thống kê Fourier bậc cao của Ng và Chang vốn có tỷ lệ sai số lên tới 28%. Phương pháp cũng khắc phục được hạn chế phụ thuộc vào điều kiện nguồn sáng phức tạp của phương pháp phân tích hướng sáng hay sự phụ thuộc vào thuật toán nội suy màu sắc mảng lọc CFA.

Về mặt trình bày dữ liệu, các kết quả thực nghiệm được cấu trúc minh bạch qua bảng tổng hợp hiệu năng 60 mẫu thử nghiệm và sơ đồ phân phối xác suất Gaussian. Sự tách biệt hoàn toàn giữa biểu đồ phân bố giá trị của vùng ảnh thật và vùng ảnh giả mạo đã minh chứng tính thuyết phục của mô hình định lượng.

Đề xuất và khuyến nghị

Nhằm hoàn thiện và nâng cao khả năng ứng dụng thực tiễn của công nghệ phát hiện ảnh giả mạo, luận văn đưa ra 4 khuyến nghị trọng tâm:

1. Tích hợp đa mô hình giám định lai: Cơ quan chức năng và các nhóm nghiên cứu cần chủ động kết hợp phương pháp mẫu nhiễu cảm biến với kỹ thuật phân tích quang sai màu và kiểm tra ma trận khối nén kép JPEG. Mục tiêu đặt ra là nâng tỷ lệ phát hiện các trường hợp chỉnh sửa ảnh cùng thiết bị từ mức 0% hiện tại lên trên 85% trong lộ trình 18 tháng tới.

2. Thiết lập cơ sở dữ liệu mẫu nhiễu cảm biến quốc gia: Viện Khoa học Hình sự và cơ quan giám định tư pháp cần xây dựng kho dữ liệu vân cảm biến chuẩn cho hơn 500 mẫu thiết bị ghi hình và điện thoại thông minh phổ biến trên thị trường, với quy mô tối thiểu 50 bức ảnh chuẩn cho mỗi mẫu máy trong thời hạn 12 tháng.

3. Tối ưu hóa thuật toán giám định thời gian thực: Các kỹ sư phần mềm cần chuyển đổi mã nguồn C++ sang kiến trúc xử lý song song trên GPU và nền tảng điện toán đám mây, hướng đến mục tiêu giảm thời gian xử lý một bức ảnh độ phân giải 12 megapixel xuống dưới 2,5 giây trước quý IV năm 2025.

4. Chuẩn hóa hành lang pháp lý tiếp nhận chứng cứ số: Tòa án nhân dân tối cao và các cơ quan tố tụng cần sớm ban hành văn bản hướng dẫn định lượng, công nhận kết quả phân tích chỉ số xác suất nhỏ hơn 0,001 từ mẫu nhiễu cảm biến là căn cứ khoa học hợp lệ để bác bỏ chứng cứ hình ảnh giả mạo vào năm 2026.

Đối tượng nên tham khảo luận văn

Nội dung và kết quả của luận văn mang lại giá trị thiết thực cho 4 nhóm đối tượng:

1. Chuyên viên giám định kỹ thuật hình sự và pháp y số: Ứng dụng quy trình trích xuất mẫu nhiễu để thẩm định tính nguyên bản của hình ảnh, video thu giữ tại hiện trường các vụ án, đảm bảo bằng chứng pháp lý đạt độ tin cậy 100%.

2. Giảng viên, nghiên cứu sinh và học viên cao học ngành Công nghệ thông tin: Khai thác khung lý thuyết toán học về biến đổi Wavelet, mô hình phân phối Gaussian và kỹ thuật xử lý tín hiệu cảm biến phục vụ các đề tài thị giác máy tính chuyên sâu.

3. Kỹ sư phát triển phần mềm an ninh mạng và trí tuệ nhân tạo: Tham khảo kiến trúc hệ thống và mã nguồn thực nghiệm C++ với thư viện FreeImage để phát triển các giải pháp tự động lọc ảnh rác, phát hiện tin giả trên mạng xã hội.

4. Biên tập viên cơ quan thông tấn và báo chí số: Tiếp cận các nguyên lý phân tích ảnh số để trang bị công cụ kiểm duyệt, ngăn chặn nguy cơ phát tán hình ảnh ngụy tạo gây ảnh hưởng tiêu cực đến dư luận xã hội.

Câu hỏi thường gặp

Phương pháp mẫu nhiễu cảm biến có phát hiện được ảnh đã bị nén nhiều lần qua mạng xã hội không? Có, nghiên cứu thực nghiệm trên 60 mẫu thử khẳng định mẫu vân cảm biến PNU có tính bền vững cao trước các thao tác nén ảnh JPEG và chuyển đổi định dạng. Dù ảnh bị nén, dấu vân cảm biến tần số cao vẫn tồn tại đủ để thuật toán đo lường độ tương quan chính xác.

Cần chụp tối thiểu bao nhiêu bức ảnh để tạo được mẫu nhiễu tham chiếu chuẩn của một máy ảnh? Nghiên cứu chỉ ra rằng cần tối thiểu trên 50 bức ảnh chụp từ máy ảnh đó để mẫu nhiễu tham chiếu đạt độ ổn định. Để đạt độ chính xác tối ưu trong giám định tư pháp, số lượng mẫu ảnh khuyến nghị nên đạt khoảng 300 bức ảnh đa dạng về nội dung.

Tại sao thuật toán chưa thể phát hiện được ảnh cắt ghép từ hai bức ảnh chụp cùng một thân máy? Bởi vì hai bức ảnh được chụp từ cùng một máy ảnh sẽ mang cấu trúc mẫu nhiễu cảm biến hoàn toàn trùng khớp nhau. Do đó, khi đối soát vùng nghi vấn với mẫu tham chiếu, hệ số tương quan không có sự khác biệt thống kê, dẫn đến tỷ lệ phát hiện ở nhóm này là 0%.

Ngưỡng xác suất nào được sử dụng để khẳng định một vùng ảnh là giả mạo? Thuật toán sử dụng phân phối tích lũy Gaussian tổng quát để tính giá trị xác suất sai số. Khi giá trị xác suất của vùng nghi vấn nhỏ hơn hoặc bằng 0,001 (10 mũ âm 3) trong khi các vùng đối chứng khác đều lớn hơn ngưỡng này, vùng đó được kết luận chắc chắn là giả mạo.

Điểm vượt trội của phương pháp này so với việc phân tích hướng ánh sáng là gì? Phân tích hướng sáng thường thất bại khi ảnh chụp trong điều kiện trời nhiều mây hoặc bề mặt vật thể không tuân theo quy luật phản xạ Lambertian, với tỷ lệ sai số thực tế khoảng 28%. Phương pháp mẫu nhiễu cảm biến hoạt động dựa trên đặc tính vật lý của phần cứng nên hoàn toàn không bị ảnh hưởng bởi góc chiếu sáng.

Kết luận

Tóm tắt 5 giá trị cốt lõi của công trình nghiên cứu:

• Hệ thống hóa toàn diện 5 nhóm kỹ thuật nhận diện ảnh giả mạo hiện đại trong lĩnh vực thị giác máy tính và xử lý ảnh số.
• Phát triển thành công thuật toán trích xuất vân cảm biến quang học độc bản thông qua bộ lọc biến đổi Wavelet và cơ chế tích lũy dần.
• Minh chứng thực nghiệm tỷ lệ nhận dạng chính xác đạt 100% trên 40 mẫu ảnh cắt ghép từ các nguồn thiết bị khác nhau.
• Xây dựng quy trình kiểm định thống kê chuẩn mực dựa trên mô hình phân phối Gaussian với ngưỡng phân loại tin cậy 0,001.
• Định hình rõ ràng giới hạn vật lý của phương pháp khi xử lý ảnh cùng nguồn gốc, đặt tiền đề cho các hướng nghiên cứu đa phương thức tiếp theo.

Về lộ trình phát triển giai đoạn tiếp theo, nghiên cứu cần mở rộng thử nghiệm trên các bộ dữ liệu ảnh chụp từ điện thoại thông minh thế hệ mới và tích hợp học sâu để tự động khoanh vùng nghi vấn. Các cơ quan quản lý, viện nghiên cứu và doanh nghiệp công nghệ có thể ứng dụng ngay tài liệu luận văn này làm tài liệu tham khảo chuẩn mực để xây dựng các hệ thống giám định kỹ thuật số chuyên dụng.

Trích đoạn nội dung tài liệu

CHƯƠNG 1: KHÁI QUÁT VỀ XỬ LÝ ẢNH VÀ ẢNH GIẢ MẠO 1. Xử lý ảnh và một số vấn đề cơ bản trong xử lý ảnh 1. Một số khái niệm cơ bản Để có thể xử lý bằng máy tính điện tử thì ảnh cần phải được số hóa. Đó là quá trình biến đổi ảnh từ tín hiệu liên tục sang tín hiệu rời rạc thông qua việc lấy mẫu và lượng tử hóa.

Trong quá trình này người ta sử dụng khái niệm “pixel”. Mỗi pixel được đặc trưng bởi một cặp tọa độ ( X , Y ) và màu sắc của nó.  Ảnh và điểm ảnh: Ảnh là một tập hợp các pixel có cấu trúc, ta có thể coi ảnh là một mảng hai chiều I ( n , p ) có n dòng và p cột, ảnh sẽ có n  p (pixel). Điểm ảnh (pixel) là một phần tử của ảnh số tại tọa độ (x,y) với độ xám hoặc màu nhất định.

Kích thước và khoảng cách giữa các điểm ảnh đó được chọn thích hợp sao cho mắt người cảm nhận sự liên tục về không gian và mức xám (hoặc màu) của ảnh số gần như ảnh thật. Mỗi phần tử trong ma trận được gọi là một phần tử ảnh.  Mức xám (Gray level): Đó là kết quả của việc mã hóa, cho tương ứng một cường độ sáng của mỗi điểm ảnh với một giá trị số, có thể là 16, 32, 64 mức.  Biểu diễn ảnh: Trong biểu diễn ảnh người ta thường sử dụng các phần tử đặc trưng của ảnh là pixel.

Một hàm hai biến chứa các thông tin như một biểu diễn ảnh. Một số mô hình thường dùng để biểu diễn ảnh là mô hình toán (biểu diễn ảnh nhờ các hàm cơ sở), mô hình thống kê (ảnh coi như một phần tử của một tập hợp đặc trưng bởi kỳ vọng toán, hiệp biến, phương sai, moment…).  Tăng cường ảnh: Đây là một bước quan trọng bao gồm các kỹ thuật lọc độ tương phản, khử nhiễu, nổi màu….  Biến đổi ảnh: Thao tác chủ yếu trên một tập các ma trận và sử dụng các kỹ thuật để biến đổi ảnh qua ma trận: Biến đổi Furie, Sin, Cosin, tích Kronecker.

 Phân tích ảnh: Liên quan tới việc xác định các độ đo định lượng của một ảnh để đưa ra một mô tả đầy đủ về ảnh. Có những kỹ thuật cơ bản để hỗ trợ phân tích ảnh: Dò biên, lọc vi phân, dò theo quy hoạch động, phân vùng ảnh. LUAN VAN CHAT LUONG download : add luanvanchat@agmail. Một số vấn đề cơ bản trong xử lý ảnh  Xử lý ảnh? Quá trình xử lý ảnh được xem như là quá trình thao tác ảnh đầu vào nhằm cho ra kết quả mong muốn.

Kết quả đầu ra của một quá trình xử lý ảnh có thể là một ảnh “tốt hơn” hoặc một kết luận. Ảnh “tốt Ảnh XỬ LÝ ẢNH hơn" Kết luận Hình 1. Quá trình xử lý ảnh  Cách biểu diễn ảnh Đối với ảnh đơn giản (ảnh đen trắng) thì ảnh được biểu diễn bằng một hàm cường độ sáng hai chiều f ( X , Y ) , trong đó X , Y là các giá trị toạ độ không gian và hàm giá trị của f tại một điểm ( X , Y ) bất kỳ sẽ tỷ lệ với độ sáng hay mức xám của điểm ảnh tại điểm này. Biểu diễn ảnh bằng hàm f ( X , Y ) Trong một số trường hợp hàm ảnh còn được biểu diễn với một trục thứ 3 gọi là hàm cường độ sáng (với hình 1.2, trục thứ 3 bằng 0).

Một ảnh số là một ảnh f ( X , Y ) được gián đoạn theo không gian và cường độ sáng. Một ảnh số được xem như một ma trận với hàng và cột biểu diễn một điểm trong ảnh và giá trị điểm ma trận tương ứng với mức xám tại điểm đó. Các phần tử của một dãy số như thế được gọi là các điểm ảnh. Ánh sáng có dạng năng lượng f ( X , Y ) phải khác 0 và hữu hạn: 0  f ( X ,Y )   (1.1) Con người có khả năng nhận các hình ảnh từ ánh sáng phản xạ qua các vật thể.

Cơ sở của f ( X , Y ) được đặc trưng qua hai thành phần: LUAN VAN CHAT LUONG download : add [e-mail] 11  Số lượng ánh sáng nguồn rơi trên cảnh vật được nhìn thấy.  Số lượng ánh sáng nguồn phản xạ từ vật thể ( trong cảnh vật). Chúng được gọi gần đúng là sự phát sáng và các thành phần phản xạ, và được biểu diễn tương ứng là i ( X , Y ) và r ( X , Y ). Bản chất của i ( X , Y ) được xác định bằng nguồn sáng và của r ( X , Y ) được xác định bằng các đặc trưng của vật thể.2) Với: ( 0  i( X , Y )   0  r( X ,Y )  1 ) Ở đây ta gọi cường độ sáng của một ảnh đen trắng tại tọa độ ( X , Y ) là mức xám (l ) của ảnh tại điểm đó.4) , l nằm trong khoảng: Lmin  l  Lmax (1.3) Trong lý thuyết, chỉ cần Lmin  0 và Lmax hữu hạn.

Trong thực tế: Lmin  imin rmin (1.4) Lmax  imax rmax Sử dụng các giá trị chiếu sáng và phản xạ đã được tổng kết qua thực nghiệm hoặc xem là các giá trị cơ bản Lmin  0.005, Lmax  100 cho xử lý ảnh. Khoảng  Lmin , Lmax  được gọi là thang xám. Ta có thể dịch khoảng này đến 0, L  , trong đó l  0 là đen và l  L là trắng trong thang xám. Giá trị tức thời là các dạng mức xám thay đổi liên tục từ đen đến trắng.

Các điểm 4 láng giềng: Giả sử (i,j) là một điểm ảnh, khi đó các điểm 4 – láng giềng là: N4= {(i-1,j); (i+1,j); (i, j-1); (i, j+1)} Các điểm 8 láng giềng: N8 = N4  {(i-1,j-1); (i-1,j+1); (i+1,j-1); (i+1,j+1)}  Nắn chỉnh biến dạng Ảnh thu nhận thường bị biến dạng do các thiết bị quang học và điện tử. LUAN VAN CHAT LUONG download : add luanvanchat@agmail. Ảnh thu nhận và ảnh mong muốn Để khắc phục người ta sử dụng các phép chiếu, các phép chiếu thường được xây dựng trên tập các điểm điều khiển. Giả sử (Pi, Pi’) i= 1, n có n các tập n điều khiển.

Tìm hàm f: Pi → f (Pi) sao cho  f (Pi )  Pi ' 2  min. i 1 Giả sử ảnh bị biến đổi chỉ bao gồm : Tịnh tiến, quay, tỷ lệ, biến dạng bậc nhất tuyến tính. Khi đó hàm f có dạng: f(x,y) = (a1x + b1y + c1, a2x + b2y + c2) Ta có: n 2 n    (f(Pi )  P )   (a1x i  b1 yi  c1  x i' )2  (a 2 x i  b 2 yi  c2  yi' )2  i ' (1.6) Giải hệ phương trình tuyến tính tìm được a1, b1, c1 Tương tự tìm được a2, b2, c2  Xác định được hàm f  Kỹ thuật phóng to, thu nhỏ ảnh: Khi ảnh quá lớn chúng ta muốn nhìn toàn bộ ảnh thì chúng ta phải thu nhỏ ảnh lại và ngược lại khi ta muốn xem chi tiết một bộ phận nào đó của ảnh thì ta phải phóng to nó lên. LUAN VAN CHAT LUONG download : add [e-mail] 13 - Kỹ thuật phóng to ảnh: Khi phóng to ảnh với một tỉ lệ k nào đó ta thu được ảnh mới to gấp k lần ảnh cũ (k là độ phóng của ảnh) như thế ảnh mới sẽ có kích thước là: Height = Height * k Width = Width * k Việc tính các điểm ảnh tương ứng của ảnh mới sẽ được tính theo công thức: xp=x/k yp=y/k - Kỹ thuật thu nhỏ ảnh: Tương tự như phóng to ảnh, khi thu nhỏ ảnh ta thu được ảnh mới giống ảnh cũ nhưng có kích thước nhỏ hơn ảnh cũ.

Kích thước của ảnh mới là: Height = Height / k Width = Width / k Việc tính các điểm ảnh tương ứng của ảnh mới sẽ được tính theo công thức: xp=x*k yp=y*k  Nhận dạng ảnh: Quá trình này liên quan đến các mô tả đối tượng mà người ta muốn đặc tả nó. Nhận dạng ảnh thường đi sau các quá trình trích chọn các đặc trưng chủ yếu của đối tượng. Nhận dạng tự động (automatic recognition), mô tả đối tượng, phân loại và phân nhóm các mẫu là những vấn đề quan trọng trong thị giác máy, được ứng dụng trong nhiều ngành khoa học khác nhau. Tuy nhiên, một câu hỏi đặt ra là: mẫu (pattern) là gì? Watanabe, một trong những người đi đầu trong lĩnh vực này đã định nghĩa: “Ngược lại với hỗn loạn (chaos), mẫu là một thực thể (entity), được xác định một cách mơ hồ (vaguely defined) và có thể gán cho nó một tên gọi nào đó”.

Ví dụ mẫu có thể là ảnh của vân tay, ảnh của một vật nào đó được chụp, một chữ viết, khuôn mặt người hoặc một ký đồ tín hiệu tiếng nói. Khi biết một mẫu nào đó, để nhận dạng hoặc phân loại mẫu đó có thể: Hoặc phân loại có mẫu (supervised classification), chẳng hạn phân tích phân biệt (discriminant analyis), trong đó mẫu đầu vào được định danh như một thành phần của một lớp đã xác định. Hoặc phân loại không có mẫu LUAN VAN CHAT LUONG download : add [e-mail] 14 (unsupervised classification hay clustering) trong đó các mẫu được gán vào các lớp khác nhau dựa trên một tiêu chuẩn đồng dạng nào đó. Các lớp này cho đến thời điểm phân loại vẫn chưa biết hay chưa được định danh.

Hệ thống nhận dạng tự động bao gồm ba khâu tương ứng với ba giai đoạn chủ yếu sau đây: - Thu nhận dữ liệu và tiền xử lý - Biểu diễn dữ liệu - Nhận dạng, ra quyết định Bốn cách tiếp cận khác nhau trong lý thuyết nhận dạng là: - Đối sánh mẫu dựa trên các đặc trưng được trích chọn. - Phân loại thống kê. - Đối sánh cấu trúc. - Phân loại dựa trên mạng nơ-ron nhân tạo.

Trong các ứng dụng rõ ràng là không thể chỉ dùng có một cách tiếp cận đơn lẻ để phân loại “tối ưu” do vậy cần sử dụng cùng một lúc nhiều phương pháp và cách tiếp cận khác nhau. Do vậy, các phương thức phân loại tổ hợp hay được sử dụng khi nhận dạng và nay đã có những kết quả có triển vọng dựa trên thiết kế các hệ thống lại (hybrid system) bao gồm nhiều mô hình kết hợp. Việc giải quyết bài toán nhận dạng trong những ứng dụng mới, nảy sinh trong cuộc sống không chỉ tạo ra những thách thức về thuật giải, mà còn đặt ra những yêu cầu về tốc độ tính toán.