I. INTRODUCCIÓN

E Importar tabla

L uso y compra de dispositivos digitales, como cámaras digitales, videocámaras, y scanner, se ha ido facilitando gracias al agitado desarrollo tecnológico y bajo costo de su producción [1]. En consecuencia, los delitos que involucran imágenes o fotografías digitales han incrementado, sea porque las imágenes hacen parte del crimen, como el intercambio de fotografías de pornografía infantil, o porque sus análisis podrían ayudar a revelar pistas importantes sobre el autor de algún crimen [2].

Por lo mencionado anteriormente, en muchos casos de delitos, las imágenes y películas son usados en los juicios como evidencia para resolver un caso [3]. Es por ello que los encargados de realizar los análisis forenses en imágenes digitales, han buscado estudios y estrategias que ayuden en las investigaciones, cuando se cuenta con evidencia proveniente de dispositivos digitales. Unas de estas propuestas, es el estudio de la identificación de cámara fuente, que consiste en determinar, a partir de una imagen dada, el dispositivo usado en el momento de la toma de la imagen [2].

Existen varias propuestas para realizar la identificación de cámara fuente (SCI); entre ellas se encuentran: la identificación de cámara mediante las características estadísticas de la imagen [4][5]-[6][7]; otra alternativa es a partir del estudio de la matriz de filtro de color (CFA) [8]–[10]; y por último, se encuentra la propuesta de identificación de cámara de disparo a partir del patrón de ruido del sensor (SPN) [11]–[13], en el cual se enfocó esta investigación.

La SCI a partir del patrón de ruido del sensor (SPN), tiene en cuenta que cuando el obturador de una cámara fotográfica se abre, el sensor empieza a recolectar los fotones incidentes con el objetivo de medir su intensidad, la señal eléctrica producto de la conversión de la luz, trae consigo fluctuaciones que en metrología se le denomina ruido [11]. Estas perturbaciones pueden ser asignadas como una propiedad de cada sensor, permitiendo así la identificación de las cámaras a partir del estudio del SPN [12].

Entre los trabajos donde se utiliza el método SPN como solución al problema de la identificación de cámara fuente, se encuentra el estudio de Ahmad Ryad Soobhany et al. [14], en el cual, realizaron la extracción del SPN por medio de campo claro mediante la técnica basada en el filtrado en el dominio de la frecuencia. Ofreciendo así, una ventaja en la identificación del SPN, ya que lograron extraer las sub-bandas después de un nivel de descomposición, lo cual era una ventaja sobre los otros métodos de extracción del SPN.

También se encuentra la investigación de David Freire-Obregón et al. [15], en la que afrontaron el problema de la identificación de cámara fuente, desde el espacio de convolución. Para esto diseñaron una Red Neuronal Convolucional, usando la función de activación Unidad Lineal Rectificada mejorada (Leaky ReLU). Finalmente, los autores obtuvieron una exactitud en la identificación de dispositivo fuente superior al 98%, y una exactitud en la identificación de cámara fuente superior al 91%.

Por otro lado, Farah Ahmed et al. [16] realizaron una comparativa entre las dos convenciones para la extracción del patrón de ruido del sensor, filtrado en frecuencia y redes neuronales convolucionales. Los autores concluyeron que el método de filtrado en frecuencia logra un mayor número de verdaderos positivos con un menor tiempo de entrenamiento respecto a las redes neuronales.

Otro trabajo fue el de Lukas et al. [17], donde se propuso un método para la extracción de la huella del sensor de una fotografía, y mencionaron que este contiene en gran medida, el tipo de ruido utilizado mayoritariamente como huella del sensor, llamado ruido de foto respuesta no uniforme (PRNU); por esto aportó características deterministas en la identificación de cámara. Para la extracción del SPN, tomaron una imagen de campo plano, y a esta le aplicó un filtro f eliminador de artefactos en el dominio de la frecuencia. Finalmente separaron el SPN, de la imagen original, restándole la imagen filtrada a la original.

En cuanto a esta investigación, se plantea la identificación de marca de dispositivos móviles e individualización de dispositivos tecnológicamente iguales, a partir del análisis del ruido, extraído desde fotografías de marco oscuro y fotografías de marco claro. Para ello, se propone la extracción de SPN basado en la técnica implementada por los autores en las investigaciones [14], [17] con algunas modificaciones que resulta en un aporte significativo al estado del arte.

Teniendo en cuenta que el sensor mide la intensidad de los fotones incidentes [11], la novedad presentada por esta investigación, es el uso de fotografías de campo oscuro para la extracción del ruido, de forma que si el ruido se compone de corrientes, provenientes de actividades de los fotodiodos por la temperatura en escenas con poca luz [11]; es considerado hipotéticamente que la imagen no tiene una gran saturación, por lo tanto permite extraer características con mayor componente de ruido.

Para la identificación de los dispositivos a partir de la extracción de SPN, se realizó la clasificación de dichas características mediante un análisis multiclase, propuesta que no fue tenida en cuenta en [14], utilizando clasificadores de tipo bayesiano, arboles de decisión, vecino más cercano, máquinas de soporte vectorial, y de conjuntos. Al usar esta variedad de clasificadores, se logró contrastar los tiempos de entrenamiento y exactitud de los resultados de la clasificación multiclase.

Conviene señalar que este artículo es derivado del trabajo de grado [18], en el cual se estudió a profundidad la temática de la identificación de cámara fuente, implementando técnicas basadas en la extracción del ruido en el dominio frecuencial, como es el uso del filtro invariante, y en el dominio espacial, con la utilización de redes neuronales convolucionales.

El artículo se encuentra organizado así: en la sección II se expone el desarrollo metodológico de las técnicas clásicas usadas en la identificación de cámara fuente; después, en la sección III se presentan los resultados obtenidos; posteriormente, en la sección IV se realiza un análisis de los resultados más relevantes, y se compara los resultados obtenidos usando la extracción del SPN desde imágenes de marco oscuro y marco claro; finalmente en la sección V se exponen usabilidad del marco oscuro en la extracción de la huella del sensor como solución al problema de la identificación de cámara fuente.

A. Componentes principales de SPN

El ruido en el sensor se produce por imperfecciones a la hora de la fabricación del transductor [13]. Este ruido puede ser una señal descompuesta en dos componentes: el primero, es el ruido de patrón fijo (FPN), el cual es producido por corrientes oscuras, que son las diferencias de voltajes entre píxeles en escenas con poca iluminación [17]. El segundo es una señal que representa la excitación de los fotodiodos por efecto de la temperatura, creando así, un patrón de actividad eléctrica que también se almacena como información binaria periódica, conocida como Patrón de Ruido de Foto-respuesta no Uniforme (PRNU) [17].

B. Métodos de extracción de SPN

Para la extracción del SPN se implementaron dos técnicas: la primera con base en la extracción del ruido en el dominio de la frecuencia, con el uso de un filtro invariante; y la segunda es en el dominio espacial, con la utilización de redes neuronales convolucionales.

En el espacio de frecuencias se toma una fotografía de entrada, se le aplica la Transformada Wavelet no Diezmada, con el objetivo de realizar una descomposición de la señal, y así obtener los coeficientes de aproximación y de detalle de la imagen. El SPN es extraído mediante la implementación de un filtro de paso bajo en forma de Wiener en las tres sub-bandas que contienen los coeficientes de detalle. Después de esto, el ruido es obtenido restando las sub-bandas filtradas a las originales [17].

Por otro lado, para la extracción del SPN en el dominio del espacio, las redes neuronales convolucionales (CNN), reciben como entrada una imagen y mediante nodos interconectados entre sí, llamados capas, extraen las características de interés y logran realizar una clasificación de dichas características. El diseño de una CNN para la extracción del SPN, se implementa como solución al problema del aumento en los falsos positivos de los sistemas basados en visión por computadora [15].

C. Métodos de clasificación

El clasificador de tipo bayesiano, considera que un objeto a clasificar se compone de un conjunto de características y que a su vez, cada una de ellas contribuye de manera independiente a la asignación de una variable en particular, de modo que la suma de todas las probabilidades individuales dan como resultado una asignación de clase exitosa [19].

La clasificación a través de árboles de decisión, se realiza mediante una evaluación estadística a cada característica que se tenga en el conjunto a clasificar. Este conjunto de atributos es dividido y a cada uno de ellos se le cuantifica la entropía, denominada ganancia de información, y mediante ella se estima el atributo con mayor ganancia para establecerlo como nodo principal del árbol de decisión [20]. A partir de la elección del atributo con mayor ganancia, se desciende hacia los nodos y a las ramas, las cuales serán las posibles respuestas en la clasificación [20].

En cuanto al clasificador del vecino más cercano o KNN por sus siglas en inglés (k-Nearest Neighbor), se ubica el elemento a clasificar en un plano y mide la distancia hasta cada uno de los elementos conocidos que hay a su alrededor, eligiendo así el vecino que se encuentre a una distancia más corta. Las métricas comúnmente utilizadas en este tipo de clasificador son, la distancia Euclidiana y la distancia Chebychev [20].

Por otro lado, las Máquinas de Soporte Vectorial (SVM) es un método multidimensional, que encuentra la dimensión más alta existente entre los atributos de entrada, y respecto a ellos, aumenta en uno la dimensionalidad del plano que contiene los datos. Con esto busca identificar un híperplano, que permita mapear las características y discriminarlas. Si los atributos de entrada se encuentran en Rn, las máquinas de soporte vectorial los discriminará en Rⁿ⁺¹[20].

En cambio, en la clasificación por medio de conjuntos, se realiza una reducción de un problema multiclase a una clasificación binaria [21]. La clase que se arroja como resultado de esta clasificación, es elegida bajo una ponderación de cada entrenamiento individual que realizaron los clasificadores para la misma tarea [21].

II. Método

El método definido es conducente a realizar una comparación entre las clasificaciones de SPN extraídos desde fotografías de marco claro con fotografías de marco oscuro. Tal como, resaltar con base en los resultados la usabilidad del marco oscuro para la disminución del tiempo que se emplea en la identificación de cámara fuente.

Las técnicas seleccionadas para desarrollar esta investigación, sobre la identificación de cámara fuente, se obtuvieron con trabajos publicados en revistas científicas, que manifestaron una exactitud mayor al 75%. La construcción y prueba de los algoritmos se hizo con MATLAB R2017b, en un equipo de 64bits, 8GB de RAM con Windows 10, un procesador Intel® Core ™ i7-45100 y una tarjeta gráfica NVIDIA GEFORCE 2048 MB.

El algoritmo implementado para la extracción de SPN, se basó en los propuestos en [14], [17] donde el SPN, se obtiene a partir de marcos claros, sin embargo, en este estudio se usó también para la extracción del ruido desde fotografías de marco oscuro, además al algoritmo se le añadió un recorte de las fotografías a 180×180 pixeles desde el centro, con el objetivo de reducir el tamaño de la matriz de características, y así adaptar el algoritmo a las especificaciones del equipo usado en las pruebas. De este modo, en la extracción del SPN de las fotografías, presentes en las bases de datos usadas, se siguió el ALGORITMO I.

Teniendo las firmas de los sensores de cada dispositivo existente en la base de datos Dresden [22] y la base de datos propia del grupo de investigación, se procede a ejecutar la metodología para llevar a cabo la clasificación de los ruidos. En esta se incluyó el desarrollo e implementación de pruebas para la clasificación no consideradas en [14]. En la TABLA Ise presentan todos los tipos de clasificadores utilizados en los ensayos.

A. Base de datos Dresden

Esta base de datos, se compone de gran variedad de fotografías tomadas con cámaras digitales compactas y Réflex. Al momento de realizar las pruebas, la base de datos contenía más de 14000 imágenes, provenientes de alrededor de 73 cámaras y 25 modelos [22].

Para este estudio, se usaron fotografías en formato JPEG provenientes de 10 modelos diferentes de cámaras, para la cual, por cada modelo, se eligieron 50 fotografías llegando así a un total de 500 imágenes usadas. La TABLA II muestra los dispositivos elegidos y las resoluciones de las fotografías tomadas de la base de datos Dresden.

B. Base de datos propia del grupo de investigación

En la realización de la galería propia, se recolectó información sobre los dispositivos móviles más utilizados en Colombia. Se tuvieron en cuenta informes del Ministerio de Tecnologías de la Información y las Comunicaciones (TIC) [23] y organizaciones que exponen datos con las marcas que tienen mayor impacto en el mercado colombiano [24] [25].

Posteriormente, se consultaron las bases de datos de las empresas que prestan servicios de telecomunicaciones en el país, con el fin de identificar cuáles eran los dispositivos más vendidos en el año 2019. Después, se buscaron estas marcas entre los estudiantes de la Universidad Tecnológica de Pereira, y se inició la creación de la galería de fotografías propia del grupo de investigación de Robótica Aplicada, en la línea Visión por Computador y Aprendizaje de Máquina.

La creación de esta galería, fue realizada dentro del laboratorio del Grupo de Investigación Robótica Aplicada. Para ello se usaron 32 cámaras de dispositivos móviles, de 22 modelos distintos y 6 marcas diferentes, con las cuales se tomaron 3200 fotografías en formato JPEG. A continuación, en la TABLA III, se presentan las características de los dispositivos usados y sus respectivas resoluciones de la base de datos propia.

Con cada dispositivo se tomaron 50 fotografías en ráfaga de un marco oscuro, las cuales corresponden a imágenes capturadas en una caja cerrada y con su interior completamente pintado de negro, en el cual se introdujo el dispositivo, véase Fig. 1a. En esta etapa, la temperatura que se tuvo en cuenta para analizar el ruido de los sensores asociado a la variación de dicha medida, fue la promedio de la Universidad Tecnológica de Pereira [26].

De manera análoga, se capturaron 50 fotografías de marco claro. Para lograrlas se exponía una cartulina completamente blanca, se tomaron las imágenes con condiciones controladas de fuentes de luz provenientes del exterior y se tomaron como referencia las datos meteorológicos de [26]. La intensidad de luz en el ambiente fue medida con el luxómetro digital LX1010B, teniendo una intensidad promedio de 315±15.8 Lux, véase Fig. 1b.

C. Extracción del SPN

Para la extracción del ruido en el espectro de frecuencias; a las fotografías se le aplicó un filtro Wiener que sirvió como eliminador de artefactos interpuestos por los fabricantes. Este paso se realizó con el fin de disminuir los falsos positivos. Después se efectuó una descomposición no diezmada de Wavelet a la imagen para obtener las sub bandas de frecuencia de la imagen.

Luego, con base en [14], se identificaron las sub bandas Bajas-Altas, Altas-Bajas y Altas-Altas (LH, HL, HH). A estas se les aplicó un filtro de paso bajo en forma de Wiener en dos dimensiones. En seguida, el SPN se obtuvo restando las sub bandas filtradas a las originales [17]. Finalmente, se realizó una reconstrucción de la imagen utilizando las sub bandas filtradas y la sub banda Baja-Baja (LL), con el objeto de representar el ruido como una matriz.

D. Clasificación del SPN para la identificación de Marcas de dispositivos

La clasificación del SPN para identificación de marca, contó con la elección de dos dispositivos por cada fabricante, con el fin de utilizar sus ruidos como SPN general de la marca, eligiendo así los dispositivos presentados en la TABLA IV.

E. Clasificación del SPN para la identificación entre dispositivos de la misma marca

La clasificación de los SPN entre dispositivos de la misma marca, se realizó en tres etapas donde se validaron las marcas iPhone, Motorola y Samsung; eligiendo así los dispositivos presentados en las TABLA V, TABLA VI y TABLA VII.

F. Evaluación de los clasificadores

En la realización de las pruebas de validez; el Toolbox Classification Learner (CL) de Matlab permitió usar el método llamado validación cruzada [20], el cual consiste en partir aleatoriamente el paquete principal de características en k secciones iguales, para usar cada una de estas, como entrenamiento y la otra en la evaluación del desempeño de los clasificadores [20]. El resultado de la validación general, será entonces el promedio de los resultados de cada paquete k. De modo que, para el proceso de validación de los clasificadores usados en este estudio, el paquete principal de características fue dividido en 5 partes iguales.

Culminado el entrenamiento y validación cruzada de cada clasificador, se realizó la matriz de confusión, y a partir de ella, con (1) se obtuvo la exactitud, que evalúa la cantidad de verdaderos positivos y verdaderos negativos, obtenidos en la clasificación. También se calculó la precisión con base en [27] donde, utilizando (2), se obtiene el porcentaje de verdaderos positivos, conseguidos dentro de los datos identificados como positivos. Además, también se consideró el tiempo de entrenamiento.

Donde:

TP: Son los verdaderos positivos arrojados en la clasificación.

TN: Son los verdaderos negativos arrojados en la clasificación.

FP: Son los Falsos positivos arrojados en la clasificación.

FN: Son los Falsos negativos arrojados en la clasificación.

III. Resultados

A. Validación de la implementación UWT con base de datos Dresden

En la TABLA VIII se presentan los resultados arrojados al evaluar la técnica UWT con las familias de cada clasificador. Se puede notar que con una exactitud de 99,2%, una precisión de 99,0% y un tiempo de entrenamiento de 7134,9 segundos; el clasificador con mejor desempeño fue el SVM con núcleo cuadrático. En la Fig. 2 se muestra su matriz de confusión. Allí mismo se evidencia que el clasificador con menor desempeño fue el de tipo bayesiano con núcleo gaussiano teniendo una exactitud del 59,6%, una precisión 49,5% y un tiempo de entrenamiento de 4603,8 segundos.

B. Validación de la identificación de marcas de dispositivos

En la TABLA IX se exponen los resultados obtenidos para la identificación de marcas con SPN extraído desde fotografía de marco claro. Como se expone allí, el mejor resultado fue obtenido por el clasificador SVM con núcleo cúbico con exactitud de 99,2%, precisión de 99,0% y un tiempo de entrenamiento de 1913,3 segundos. En la Fig. 3 se muestra su matriz de confusión. Allí se muestra que el clasificador con menor desempeño fue de tipo bayesiano con núcleo gaussiano con exactitud de 59,6%, precisión de 49,5% y un tiempo de entrenamiento de 1762,6 segundos.

Mientras tanto, en la TABLA X se presentan los resultados de la clasificación para la identificación de marca con SPN extraído desde fotografías de marco oscuro. Muestra que el mejor clasificador fue el SVM con núcleo cuadrático con una exactitud de 92,8%, una precisión de 91,0 % y un tiempo de entrenamiento de 1929,2 segundos, mientras que el clasificador con menor desempeño fue el KNN con Fine, tuvo una exactitud de 49,8%, una precisión del 37,3% y un tiempo de entrenamiento de 1823,8 segundos.

C. Validación entre dispositivos iPhone

En la TABLA XI se exponen los resultados obtenidos para la identificación de dispositivos iPhone con SPN extraído desde fotografía de marco claro. El clasificador que se comportó de mejor manera fue el de conjuntos con núcleo discriminantes en sub espacios, con una exactitud de 96,5%, una precisión de 95,3% y un tiempo de entrenamiento de 1953,3 segundos. Así mismo, el clasificador con menor desempeño fue el de conjuntos con núcleo vecino más cercano en sub espacios con exactitud de 86%, precisión de 81,3% y tiempo de entrenamiento de 1591,8 segundos.

Después de exponer los resultados de la evaluación con la base de datos de campo claro, se presentan los resultados de la evaluación con la base de datos de fotografías de campo oscuro en la TABLA XII. Donde se desempeñó como mejor clasificador el SVM con núcleo lineal con exactitud de 99%, precisión de 98% y un tiempo de entrenamiento de 605,1 segundos. En la Fig.4. Se muestra su matriz de confusión. En el mismo lugar se evidencia, el clasificador KNN ponderado con una exactitud de 50%, una precisión de 37,5% y un tiempo de entrenamiento de 1697,5 segundos.

D. Validación entre dispositivos Motorola

Los resultados de la clasificación de SPN extraído desde fotografías de marco claro, cuando estas son capturadas con dispositivos de marca Motorola, se muestran en la TABLA XIII. En cuanto al mejor clasificador, fue el SVM con núcleo cuadrático con una exactitud de 99,2%, una precisión de 99% y un tiempo de entrenamiento de 2331,6 segundos. En la Fig.5. Se muestra su matriz de confusión. También se muestra que el clasificador con menor desempeño fue el de conjuntos con vecinos más cercanos en un sub espacio, con una exactitud de 90,8%, una precisión de 88,5% y un tiempo de entrenamiento de 2527,7 segundos.

Del mismo modo, en la TABLA XIV, se muestran los resultados obtenidos para la misma prueba pero realizada con el SPN extraído desde una fotografía de campo oscuro. Mostrando que el mejor clasificador es el SVM con núcleo lineal con una exactitud de 87,2%, una precisión de 84% y tiempo de entrenamiento de 635,52 segundos. Mientras que el clasificador de vecino más cercano fino tuvo una exactitud de 38,8%, precisión de 23,5% y tiempo de entrenamiento de 573,75 segundos.

E. Validación entre dispositivos Samsung

Por último, en la TABLA XV se enseñan los resultados obtenidos para cada familia y cada clasificador implementado en la validación de SPN de dispositivos de la misma marca, Samsung, cuando son extraídos desde fotografía de campo claro. El clasificador con mayor desempeño fue el SVM con Kernel medio gaussiano con una exactitud de 88,7%, una precisión de 87,3% y un tiempo de entrenamiento de 637,95 segundos; mientras que el clasificador que obtuvo menor desempeño fue el árbol de decisión de tipo Coarse con una exactitud de 52,7%, una precisión de 46,8% y un tiempo de entrenamiento 576,01 segundos.

De manera similar, en la TABLA XVI se exponen los resultados de la evaluación de los clasificadores cuando son entrenados con el SPN proveniente desde fotografías de marco oscuro, donde se puede observar que el clasificador con mejor desempeño fue el de tipo bayesiano con Kernel gaussiano, el cual tuvo una exactitud de 98,2%, una precisión de 97,8% y un tiempo de entrenamiento en 637,95 segundos. En la Fig.6. Se muestra su matriz de confusión. A diferencia de este, los arboles de decisión de tipo Coarse tuvieron una exactitud de 40,2%, una precisión de 32,8% y un tiempo de entrenamiento de 576,1 segundos.

IV. Análisis y discusión

Los autores en [14] después de extraer el SPN de los dispositivos, realizan una correlación individual con la fotografía con la cual están contrastando el ruido. Para nuestro caso, la métrica utilizada se basó en la recopilación de la exactitud, precisión y tiempo de entrenamiento. En la TABLA XVII se contrastan los resultados propios con los de los autores, con el fin de presentar los valores promedios que demuestran que la evaluación con la clasificación multiclase, con la técnica de validación cruzada generan resultados superiores. Por consiguiente, el contenido obtenido en la extracción del ruido de las fotografías sí se puede tomar como una huella de cada sensor ya que existe un error considerable reducido en la clasificación.

Por otro lado, como se evidencia en la TABLA XVIII, en la identificación de dispositivos, el marco claro presentó una exactitud promedio de 99,2%, mientras el marco oscuro obtuvo una exactitud promedio de 92,8%. Lo que demuestra que la exactitud de marco claro superó a la exactitud del marco oscuro por un 6,4%. De esta manera se presenta una superación de los resultados del trabajo [14] que indica de manera general un coeficiente de correlación de 0,959 sin efectuar pruebas exhaustivas como las realizadas en la presente investigación.

Sin embargo, en la TABLA XVIII, también se evidencia que, en la identificación de la misma marca, el marco oscuro presentó un menor tiempo de entrenamiento promedio, con un tiempo de 1049,0 segundos. Es decir que manifestó 400,7 segundos menos que la identificación con marco claro.

V. CONCLUSIONES

A diferencia del trabajo [14], en este trabajo se propusieron dos cambios en la metodología. La extracción del SPN en fotografías de marco oscuro, además del uso de clasificación multiclase. Lo que permite tener un panorama más amplio de pruebas que se pueden realizar, como por ejemplo la discriminación entre marcas, dispositivos de la misma marca o individualización de dispositivos tecnológicamente idénticos.

La Utilización de la extracción del SPN en fotografías de marco oscuro, propuesto en esta investigación, genera resultados superiores tanto en exactitud , precisión como en tiempo de entrenamiento, comparables con la propuesta [14]; esto las hace viable para la solución del problema de identificación de cámara fuente.

Con los estudios realizados, se evidenció que las propiedades de la Transformada Wavelet No Diezmada permiten una extracción con mayor contenido del SPN, sin necesidad de realizar una descomposición multinivel de la imagen original.

También se pudo verificar que las fotografías de campo oscuro no tienen una saturación en la imagen. Por ende, tienen un contenido de ruido más puro y por lo tanto, con base en los tiempos promedio de entrenamiento, permiten una clasificación con un buen tiempo de entrenamiento en la solución del problema de la identificación de cámara fuente.

Finalmente, los resultados obtenidos resaltan, que los clasificadores que tuvieron una mejor exactitud y precisión, no siempre fueron los que tenían cifras más bajas en el tiempo de entrenamiento o rapidez en la predicción.

Agradecimientos

El siguiente artículo se desarrolló en el marco de la investigación “Propuesta metodológica para la identificación de imágenes digitales alteradas por copy-move, resampling y splicing” con código 3-18-8, financiada por la Universidad Tecnológica de Pereira. Por lo cual agradecemos a nuestra Universidad por fomentar la investigación desde los grupos adscritos a la vicerrectoría.

Referencias

[1] Ying-Chu Chen, Yongjian Hu, and Chang-Tsun Li, “Further studies on forensic features for source camera identification,” pp. P22–P22, 2012, doi: 10.1049/ic.2011.0119.

[2] A. Castiglione, G. Cattaneo, M. Cembalo, and U. Ferraro Petrillo, “Experimentations with source camera identification and Online Social Networks,” J. Ambient Intell. Humaniz. Comput., vol. 4, no. 2, pp. 265–274, 2013, doi: 10.1007/s12652-011-0070-2.

[3] K. S. Choi, E. Y. Lam, and K. K. Y. Wong, “Source camera identification using footprints from lens aberration,” Digit. Photogr. II, vol. 6069, no. 852, p. 60690J, 2006, doi: 10.1117/12.649775.

[4] A. W. A. Wahab, A. T. S. Ho, and S. Li, “Inter-Camera Model Image Source Identification with Conditional Probability Features,” Proc. IIEEJ 3rd Image Electron. Vis. Comput. Work. (IEVC 2012), 2012.

[5] M. kharrazi, H. t. sencar, and N. memon, “Blind source camera identification,” 2004, doi: 10.1109/icip.2004.1418853.

[6] T. Ojala, M. Pietikainen, and T. Maenpaa, “Multiresolution gray-scale and rotation invariant texture classification with local binary patterns,” {IEEE} Trans. Pattern Anal. Mach. Intell., vol. 24, no. 7, pp. 971–987, Jul. 2002, doi: 10.1109/tpami.2002.1017623.

[7] V. Ojansivu and J. Heikkila, “Blur Insensitive Texture ClassificationUsing Local Phase Quantization,” Springer-Verlag Berlin Heidelb., 2008.

[8] K. Wang, “Source camera identification using support vector machines,” IFIP Int. Conf. Digit. Forensics (pp. 107-118). Springer, Berlin, Heidelb., 2009.

[9] Y. Long and Y. Huang, “Image Based Source Camera Identification using Demosaicking,” Oct. 2006, doi: 10.1109/mmsp.2006.285343.

[10] J. S. Ho, O. C. Au, J. Zhou, and Y. Guo, “Inter-channel demosaicking traces for digital image forensics,” Jul. 2010, doi: 10.1109/icme.2010.5582951.

[11] Y. Sutcu, S. Bayram, H. T. Sencar, and N. Memon, “Improvements on Sensor Noise Based Source Camera Identification,” Jul. 2007, doi: 10.1109/icme.2007.4284577.

[12] Y. Tomioka and H. Kitazawa, “Digital camera identification based on the clustered pattern noise of image sensors,” Jul. 2011, doi: 10.1109/icme.2011.6012060.

[13] C.-T. Li, “Source camera linking using enhanced sensor pattern noise extracted from images,” 2009, doi: 10.1049/ic.2009.0274.

[14] A. R. Soobhany, A. Sheikh-Akbari, and Z. C. Schreuders, “Source camera identification using non-decimated wavelet transform” Global Security, Safety and Sustainability - The Security Challenges of the Connected World, Springer International Publishing, 2016, pp. 125–133.

[15] D. Freire-Obregón, F. Narducci, S. Barra, and M. Castrillón-Santana, “Deep learning for source camera identification on mobile devices,” Pattern Recognit. Lett., vol. 126, pp. 86–91, Sep. 2019, doi: 10.1016/j.patrec.2018.01.005.

[16] F. Ahmed, F. Khelifi, A. Lawgaly, and A. Bouridane, “Comparative Analysis of a Deep Convolutional Neural Network for Source Camera Identification,” 2019, doi: 10.1109/icgs3.2019.8688260.

[17] J. Luka, J. Fridrich, and M. Goljan, “Digital Camera Identification From Sensor Pattern Noise,” {IEEE} Trans. Inf. Forensics Secur., vol. 1, no. 2, pp. 205–214, Jun. 2006, doi: 10.1109/tifs.2006.873602.

[18] C. M. Bermúdez, “Identificación de cámara fuente mediante patrón de ruido del sensor en fotografías digitales Identificación de cámara fuente mediante patrón de ruido del sensor en fotografías digitales,” 2020.

[19] L. E. Sucar, “Clasificadores Bayesianos: de Datos a Conceptos,” Eur. Conf. Mach. Learn. Princ. Pract. Knowl. Discov. Databases, pp. 1–18, 2008.

[20] I. J. Tobón-gonzalez and J. A. Cortés-osorio, “Artículo en prensa / Article in press Identificação de Instrumentos Musicais de Cordas,” pp. 177–193, 2018.

[21] M. Hosni, I. Abnane, A. Idri, J. M. Carrillo de Gea, and J. L. Fernández Alemán, “Reviewing ensemble classification methods in breast cancer,” Comput. Methods Programs Biomed., vol. 177, pp. 89–112, 2019, doi: 10.1016/j.cmpb.2019.05.019.

[22] T. Gloe and R. Böhme, “The dresden image database for benchmarking digital image forensics,” 2010, doi: 10.1145/1774088.1774427.

[23] M. de tecnologia de la informacion y las comunicaciones, “Boletin trimestral de las tic,” 2019. [Online]. Available: https://colombiatic.mintic.gov.co/679/articles-103108_archivo_pdf.pdf.

[24] Deloitte., “Consumo movil en colombia,” 2017. [Online]. Available: https://www2.deloitte.com/content/dam/Deloitte/co/Documents/technology-media-telecommunications/Consumo.

[25] Tinalu, “Colombian smartphone market continues to grow in q1 2019,” May 2019. [Online]. Available: https://www.counterpointresearch.com/colombian-smartphone-market-continues-grow-q1-2019/.

[26] P. opad, “Boletin meteorologico,” 2009. [Online]. Available: http://media.utp.edu.co/redhidroclimatologica/boletines/utp/mensual/2009/Informe_climatologico_de_Enero_09__UTP_.pdf.

[27] W. Zhu, N. Zeng, and N. Wang, “Sensitivity , Specificity , Accuracy , Associated Confidence Interval and ROC Analysis with Practical SAS ® Implementations K & L consulting services , Inc , Fort Washington , PA Octagon Research Solutions , Wayne,” NESUG Heal. Care Life Sci., pp. 1–9, 2010.

Notas de autor