A study on Bagging-Voronoi algorithm for tampering localization

In the last decades, it's always become easier to modify an image. For this reason the forensic community has dedicated significant attention to the development of image authenticity verification algorithms. The aim of this thesis is to propose a new technique to solve the tampering localization problem, using the Bagging-Voronoi algorithm. This algorithm was originally developed by Secchi, Vantini and Vitelli for spatial dependents data. We will focus on the investigation of the optimal parameters under which the algorithm gives us the best results in a real-case tampering localization scenario. We will see that looking at a single image it's very difficult to find a priori, the optimal parameters, since any image has different characteristics, as the dimension of the whole image and the dimension of the tampered area. Then we will propose some improvements, trying to exploit all the possible information we have about the input data. We will notice that knowing the geometry of our data, and using this information in the Bagging-Voronoi algorithm, we will obtain much better results, while there are some images for which it's difficult to obtain the expected good results. The algorithm and all the analysis are done using R.

Negli ultimi anni è diventato sempre più facile modificare il contenuto di un'immagine. Per questo motivo è stato necessario, da parte della comunità forense, sviluppare delle tecniche in grado di determinare l'autenticità delle immagini. Lo scopo di questa tesi è quella di proporre una nuova tecnica per la risoluzione del problema di ricerca di modifiche in immagini, ovvero l'algoritmo Bagging-Voronoi, tecnica originariamente sviluppata da Secchi, Vantini e Vitelli per dati spazialmente dipendenti. Ci concentreremo sulla ricerca di condizioni di ottimalità in corrispondenza delle quali la sua accuratezza di classificazione è massima. Quello che otterremo è che prese le singole immagini è assai difficile trovare a priori i parametri ottimali poiché ogni immagine presenta caratteristiche differenti, come la dimensione dell'immagine o dell'area modificata. Proporremo poi qualche miglioramento, cercando di sfruttare al meglio tutte le informazioni possibili che abbiamo sui dati in ingresso. Scopriremo che conoscendo la geometria dei dati (ovvero in che modo sono stati costruiti i dati) e utilizzando questa informazione nell'algoritmo Bagging-Voronoi, otterremo risultati decisamente migliori, sebbene rimangono alcune immagini per le quali non si ottengono i risultati sperati. L'algoritmo e tutte le analisi sono state svolte con l'utilizzo di R.