Modélisation statistique pour la détection de la falsification des images numériques

Statistical Modeling for Detection of Digital Image Forgery

• Auteur / Autrice : Thi Ai Nhàn Lê
• Direction : Florent Retraint
• Type : Thèse de doctorat
• Discipline(s) : Optimisation et Sûreté des Systèmes
• Date : Soutenance le 16/12/2021
• Etablissement(s) : Troyes
• Ecole(s) doctorale(s) : École doctorale Sciences pour l'Ingénieur (Troyes, Aube)
• Partenaire(s) de recherche : : Grand Est - Aube en Champagne
• Partenaire(s) de recherche : Laboratoire : Laboratoire Informatique et Société Numérique / LIST3N
• Jury : Président / Présidente : Frédéric Morain-Nicolier
• Jury : Examinateurs / Examinatrices : Florent Retraint, Frédéric Morain-Nicolier, Jean-Luc Dugelay, William Puech, Tong Qiao, Cathel Zitzmann
• Jury : Rapporteur / Rapporteuse : Jean-Luc Dugelay, William Puech

Mots clés

Mots clés contrôlés

Algorithmes EM

Tests d'hypothèses (statistique)

Estimation de paramètres

Modèles mathématiques

Méthodes statistiques

Traitement d'images -- Techniques numériques

Criminalistique

Mots clés libres

Criminalistique

Traitement d'images -- Techniques numériques

Méthodes statistiques

Modèles mathématiques

Estimation de paramètres

Tests d'hypothèses (statistique)

Algorithmes EM

Forensic sciences

Image processing--Digital techniques

Statistical methods

Mathematical models

Parameter estimation

Statistical hypothesis testing

Expectation-maximization algorithms

Résumé

À l’ère du numérique, la crédibilité du contenu des images est une préoccupation majeure en raison de la popularité des outils d’édition faciles à utiliser et peu coûteux. Les images falsifiées peuvent être utilisées pour manipuler l’opinion publique lors des élections, commettre des fraudes et discréditer ou faire chanter des personnes. Face à cette situation préoccupante, nous développons dans cette thèse trois techniques efficaces basées sur (i) les traces de dématriçage (ii) les traces de compression JPEG, et (iii) les traces de rééchantillonnage pour détecter les images falsifiées et localiser les différents types de falsification. Bien que ces techniques soient différentes, elles fonctionnent sous l’hypothèse commune que les manipulations peuvent altérer certaines propriétés statistiques sous-jacentes des images naturelles. Un processus de détection en deux étapes a été adopté pour chaque technique de détection : (i) analyser et modéliser les caractéristiques statistiques des images authentiques et falsifiées, puis (ii) concevoir un détecteur statistique pour différencier les images falsifiées des images authentiques en estimant les changements dans leurs modèles. Diverses expérimentations numériques sur plusieurs ensembles de données de référence bien connus mettent en évidence la qualité des performances et la robustesse des techniques de détection proposées.

In today’s digital age, the trustworthiness of image content is of great concern due to the dissemination of easy-to-use and low-cost image editing tools. Forged images can be used to manipulate public opinion during elections, commit fraud, discredit or blackmail people. Faced with such a serious situation, we develop in this doctoral project three versatile techniques based on (i) demosaicing traces (ii) JPEG compression traces, and (iii) resampling traces for detecting forged digital images and localizing various types of tampering therein. Although these techniques are different, they work under the common assumption that manipulations may alter some underlying statistical properties of natural images. A two-steps detection process has been adopted for every detection technique: (i) analyze and model statistical features of both the authentic and forged images associated with specific in-camera and/or post-camera traces, then (ii) design a statistical detector to differentiate between the authentic and forged images by estimating statistical changes in their models. Various numerical experiments on several well-known benchmark datasets highlight the performances and robustness of the proposed detection techniques.