03 - Conceitos Importantes PDF

Anlise Forense de
Documentos Digitais
Prof. Dr. Anderson Rocha

anderson.rocha@ic.unicamp.br
http://www.ic.unicamp.br/~rocha
Reasoning for Complex Data (RECOD) Lab.

Institute of Computing, Unicamp
Av. Albert Einstein, 1251 - Cidade Universitria
CEP 13083-970 Campinas/SP - Brasil
Organizao
Organizao
Conceitos de Imagem Digital

Operaes com Imagens
Aprendizado de Mquina
A. Rocha, 2012 Anlise Forense de Documentos Digitais 3

Organizao
Supervisionado
No-Supervisionado
Semi-Supervisionado
Avaliao e Comparao de Mtodos
Imagem
Imagem
De acordo com [Gomes & Velho 1996], para

trabalharmos com imagens, devemos estabelecer
um universo matemtico no qual seja possvel
definir diversos modelos abstratos destas
Em seguida, precisamos criar um universo de

representao onde procuramos esquemas que
permitam uma representao discreta desses
modelos

Imagem
O objetivo da representao discreta desses

modelos codificar a imagem no computador
Quando observamos uma fotografia, ou uma

cena no mundo real, recebemos de cada ponto
do espao um impulso luminoso que associa
uma informao de cor a esse ponto

Imagem
Nesse sentido, podemos definir uma imagem

contnua (no discreta) como a aplicao
I:U !C
onde U R3 uma superfcie e C um espao

vetorial
Na maioria das aplicaes, U um subconjunto

plano e C um espao de cor

Imagem
A funo I na definio chamada de funo

imagem
O conjunto U chamado suporte da imagem

O conjunto de valores de I , que um
subconjunto de , chamado de conjunto de
C
valores da imagem

Imagem
Quando C um espao de cor de dimenso 1,

dizemos que a imagem monocromtica ou em
tons de cinza
Aespacial
representao mais comum de uma imagem
consiste em tomar um subconjunto
discreto U U do domnio da imagem, uma
0
espao de cor C associado a um dispositivo

grfico e representar a imagem pela amostragem
da funo imagem I ! U 0

Imagem
chamado de elemento da imagem ou pixel

Cada ponto i i do subconjunto discreto
(x , y ) U 0
Para a representao em computador, devemos

tambm trabalhar com modelos onde a funo
imagem I toma valores em um subconjunto
discreto do espao de cor C
Esse processo de discretizao chamado de

quantizao

Imagem
Ode caso mais utilizado de discretizao espacial

uma imagem consiste em tomar o domnio
como sendo um retngulo e discretizar esse
retngulo usando os pontos de um reticulado
bidimensional
Dessa forma a imagem pode ser representada de

forma matricial por uma matriz
(mn)
A = (aij = (I(xi , yj ))

Imagem
Cada elemento aij , i = 1, . . . , m e j = 1, . . . n
da matriz representa o valor da funo imagem
I no ponto de coordenadas (xi , yj ) do
reticulado
Dessa forma, cada ponto aij um vetor do

espao de cor representando a cor do pixel na
coordenada (i, j) da imagem

Imagem
Se cada ponto possui trs valores associados e
cada valor precisa de oito bits para ser
representado, ento cada pixel dessa imagem
pode ser representado com 24 bits
A imagem dita de 24 bits

Se cada pixel tambm codifica transparncia, a
imagem tem um quarto canal, chamado alfa,
tornando-se uma imagem de 32 bits

136 6 Digital Images
Imagem
amostragem
Images
codificao
Gomes & Velho
decodificao
reconstruo Fig. 6.1. Abstraction levels in the representation of an im
Representao Representao Representao
Contnua Discreta
Note that these levels will be Simblica
realized concretely in differen
image processing system. For this reason, in order to obtain a u
for image processing, we must use transformations to pass from
another, and we must also be able to manipulate descriptions on
(see Chapter 2).
Fig. 6.1. Abstraction levels

6.2in The
the representation
Spatial Modelof an image.
A. Rocha, 2012 Anlise Forense de Documentos Digitais 15 fo

Although there are several mathematical models appropriate
Note that these levels will be realized concretely in different ways in an
Espaos de Cor
Odispositivo
espao de cor pode variar de acordo com o
de exibio (e.g., monitor, impressora)
Espaos de cor
RGB (Vermelho,Verde, Azul)
CMYK (Ciano, Magenta, Amarelo, Preto)
HSV (Matiz, Saturao e Brilho)
etc.
Espao de cor RGB
Oa reproduo
propsito principal do sistema RGB
de cores em dispositivos
eletrnicos
monitores de TV e computador
Wikipedia.org
datashows
scanners
cmeras digitais
fotografia tradicional

Imagem
A. Rocha
Imagem
A. Rocha (Montagem)
* The Persistence of Memory by Salvador Dali

Espao de cor CMYK
Modelo de cores subtrativas
Wikipedia.org
Contraposio ao RGB
Apropriado para impressoras
K vem de keyed (alinhamento) da
placa de impresso de cor preta com
as outras
Wikipedia.org

Espao de cor HSV
Matiz (tonalidade): verifica o tipo da
Wikipedia.org
cor (abrange todas as cores do
espectro)
Saturao (pureza): valores baixos so

prximos do cinza.Valores altos so
prximos da cor pura
Brilho: define o brilho (intensidade) da

cor

Operaes com
Imagens
Quantizao
Mapeamento dos nmeros reais em valores

discretos
Tipicamente utiliza-se bytes (256 valores) ou

inteiros curtos (65536 valores)

Warping
Modifica o domnio da funo de imagem.

Transformaes - Atributos
l u r
b
arestas
can
al

Decomposio em Canais
de Cores
Quando separamos a imagem em suas cores
bsicas representadas no espao de cores
0
C C
Se o espao de cores utilizado um espao

RGB, temos os componentes vermelho (Red),
verde (Green), e azul (Blue);

Decomposio Wavelet
L H3
V3 D3 H2
V2 D2 H1
A. Rocha
V1 D1
A. Rocha

Decomposio em Planos
de Bits
Quando
de bits
decompomos a imagem em seus planos
Por exemplo, aps a decomposio da imagem

de 24 bits em seus trs canais de cores (R,G,B),
podemos ainda, fazer uma decomposio por
planos de bits.
Cada canal de cor possui 8 bits e possui 8 planos

de bits por canal de cor

Decomposio em Planos
de Bits
A. Rocha
* Decomposio da imagem em canais de bits

Nomenclaturas
Nomenclatura
Diferentes reas tem nomes distintos para

coisas parecidas
Reconhecimento de Padres
Aprendizado Estatstico
Minerao de Dados
Aprendizado de
Mquina
Aprendizado de Mquina uma rea da

Inteligncia Artificial concentrada no
desenvolvimento de tcnicas que permitem que
computadores sejam capazes de aprender com
a experincia [Mitchell 1997]
Extrao de informaes e extrapolao do

conhecimento a partir de dados

Alguns problemas que utilizam aprendizado de

Mquina [Mitchell 1997] [Friedman et al. 2001]
reconhecimento de caracteres
reconhecimento da fala
predio de ataques cardacos
deteco de fraudes em cartes de crditos
Na soluo desses problemas, podemos ter

classificadores fixos ou baseados em
aprendizado, que, por sua vez, pode ser
supervisionado ou no-supervisionado
[Friedman et al. 2001]

Definio Classificadores
Podemos ver um classificador, matematicamente, como

um mapeamento a partir de um espao de
caractersticas X para um conjunto discreto de rtulos
(labels) Y
Em IA, um classificador de padres um tipo de motor

de inferncia que implementa estratgias eficientes para
computar relaes de classificao entre pares de
conceitos ou para computar relaes entre um
conceito e um conjunto de instncias
[Dudaetal.2000]

Classificadores
Classificadores podem ser

Supervisionados
Semi-Supervisionados
No-Supervisionados

Classificadores
Classificadores supervisionados consistem em

tcnicas em que procuramos estimar uma funo
de classificao f a partir de um conjunto de
treinamento
Ovalores
conjunto de treinamento consiste de pares de
de entrada X, e sua sada desejada Y

Classificadores
Valores observados no conjunto X so

denotados por x , isto , x a i-sima
i i
observao em X
Odasnmero de variveis que constituem cada uma

entradas em em X p
Assim, X tem n observaes, chamados de

vetores de caractersticas

Classificadores
Cada vetor de entrada composto por p graus

de liberdade (dimenses ou variveis)
A(regresso)
sada da funo f pode ser um valor contnuo
ou pode predizer a etiqueta (label)
de um objeto de entrada (classificao)

Classificadores
Aparatarefa do aprendizado predizer o valor da funo

qualquer objeto de entrada que seja vlido aps
ter sido suficientemente treinado com um conjunto de
exemplos [Bishop 2006]
Alguns exemplos de classificadores supervisionados so

Support Vector Machines
Linear Discriminant Analysis,
Boosting
Aprendizado No-Supervisionado
Um outro grupo de tcnicas de aprendizado,

no utilizam exemplos de treinamento
marcados (classe conhecida)
Conhecidos como tcnicas para aprendizado

no-supervisionado
Esta forma de aprendizado, na maioria das

vezes, trata o seu conjunto de entrada como
um conjunto de variveis aleatrias

Aprendizado No-Supervisionado
Um modelo de distribuio conjunta (joint

distribution model) ento construdo para a
representao dos dados
Desta forma, o objetivo deste aprendizado avaliar

como os dados esto organizados e agrupados
Tcnicas de Maximizao de Esperana [Baeza-Yates

2003], por exemplo, podem ser utilizadas para
aprendizado no-supervisionado

Aprendizado Semi-Supervisionado
Um outro grupo de tcnicas de aprendizado

envolve abordagens mistas
Supervisionado
No Supervisionado
So as tcnicas Semi-Supervisionadas
Modelagem de
Problemas
Modelagem de Problemas
Problemas so descritos por variveis

Dois tipos
Reais
Categricas

Como transitar entre os dois tipos de variveis?

possvel converter uma representao em
outra?

Simplicidade vs. Complexidade

O que realmente importante?
Precisamos realmente de todos os dados
possveis para tomar uma deciso?

Dimenso do vetor de caractersticas tem

efeitos colaterais importantes:
Dimenso alta
Distncias mdias ficam grandes
Dados ficam esparsos
Maldio da Dimensionalidade
Aprendizado
Supervisionado
(Primeiros Passos)
Aprendizado Supervisionado
Dados para Aprendizado Supervisionado

Give me more data
Classificao vs. Regresso

Aprendizado Supervisionado
Ser que quanto mais complexo nosso modelo

de predio melhor o resultado?

Exemplo KNN
K-Vizinhos mais Prximos (KNN)

Um exemplo de tcnica baseada em instncias.
No h aprendizado
decises so feitas para cada instncia

KNN k = 1 1-Nearest Neighbor Classifier
.. ..
.. .. o.... .... o.... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... ....
..
..
.. ..
.. ..
.. ..
.. ..
..
..
.. ..
.. ..
.. ..
.. ..
..
..
.. ..
.. ..
.. ..
.. ..
.. ..
.. ..
..
..
.. ..
.. ..
.. ..
.. ..
o o .. .. .. .. .. ..o ..
..
.. ..
......................................... .. .. ..
.. .. ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...
.. .. .. .. ..
.. ..
.. ..
.. ..
.. ..
..
..
.. ..
.. ..
.. ..
.. ..
.. ..
.. ..
..
..
.. ..
..
... ... ... ... o ... ...
.. ..
.. .. o o .. ..o .. .. ... ...o
o ..
..
.. .. .. .. .. .. .. .. .. .. .. .. .. o .. ..
.. ..
.. ..
.. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. ..
.. ..
..
..
.. ..
.. ..
.. ..
.. ..
..
..
.. ..
.. ..
.. ..
.. ..
.. ..
.. ..
..
.. .. ..
.. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...
. . . . . . . . . . . . .
.. ..
o o o
.. .. .. ..o . .o .. .. ..o.. .. .. ..o
..
..
.. ..
....................................
.. ..
.. ..
.. ..
..
..
.. ..
.. ..
.. ..
.. ..
..
..
.. ..
.. ..
.. ..
.. ..
.. ..
..
..
.
.. ..
.. ..
.. .. ... ...o .. .. .. .. ..o .. .. ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...
o oo
.. ..
.. .. o ...o
o
..
... ... ... ... ... ... o
..
.. .. .. ..
.. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. ..
.. .. .. ..
..
..
.. ..
.. ..
.. ..
.. ..
..
..
.. ..
.. ..
.. ..
.. ..
... ...
.. . ... ...
..
.. .. o ... ... ... ...o... ... ... .... ..... ..... ..... ..... ..... ..... ..... ..... ..... ..... .....o.....o..... ..... ..... ..... ..... ..... ..... ..... ..... ..... ..... ..... ..... ..... ..... ..... ..... ..... ..... ..... ..... ..... ..... ..... ..... ..... .....
. . . . . ..
. . . .. .. .. .. .. .. .. .. .. .. .. .. .. .. ... .. ..
.. ..
o.. .. o ... ... ... ... ... ... ... ... ...oo... ... ... ... ... ... ... ...o
..
..
.. ..
.. ..
o .. ..o
.. ..
.. ..
.. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. ..
..
..
.. ..
.. ..
.. ..
.. ..
..
..
.. ..
.. ..
.. ..
... ...
.. ..
... ...
..
.
.. ..
.. ..
.. .. .. .. .. .. .. .. .. .. .. .. .. .. oo .. o .. .. o .. .. .. .. o .. .. . .. ... o
. ... ... ... ... ... ... ... ... ... ... ... ... ...o
.. .. ..
... ... ... ... ... ... ... ... ... ... ... ... ... ... .. .. .. .. .. .. .. .. .. .. .. ... ... ...
o .. o
o o o.....o..... ..... o.....o..... ..... ..... ..... ..... ..... ..... ..... ..... ..... ..... ..... .....o..... ..... ..... ..... o
.. .. .. .. .. .. .. .. .. .. .. .. o .. .. .................. .. .. .. .. .. .. .. .. .. .. .. .. .. .. ..
.. .. .. .. .. .. .. .. .. .. .. .. ..o ... ... ... ... ... ... ... ... ... ... ...o... ... ... ... ... ... ...
.. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. ..
.. o
.. .. .. .. .. .. .. .. .. .. .. .. .. .. .. ..
o o .. .. .. .. .. o.. ..o
.. .. o.. .. .. .. .. ..o.. .. .. .. ..o o
.. .. .. .. .. ... ... ... ... o .. .. .. .. .. .. .. .. .. .. .. .. .. ..o
.. .. .. ..o .. .. .. o
.. .. ..........
.. .. .. .. .. .. .. ... ... ... ... ... ... ... ... .. .. .. .. .. .. .. .. .. .. .. . .. ..
oo
oooo.. o .. .. .. .. ... .. ..
... ... ... ... ... ...o...
.. .. . . . . . . . ... . . . . . . . . . .. ..
. . . . . . . . .. .. .. .. .. .. .. .. .. ..
o o...o..... ..... o.....o..... o..... ..... ..... ..... ..... ..... ..... .....o..... o
.. .. .. ...o ... o ...o ... ... ... ... ... ...o
.. .. ... ... ... ...o... ... ... ... ... ... ... ... ... ... ... ... o
.. .. ... o
.. .. .. .. .. .. .. .. .. .. .. .. .. .. ..
. . .. .. ..o . . . . . . . .o o .. .. .. .. .. ..
o o .. ... ... ... ... ... ... ... ... ... ... ... ... o
.. .. .. .. .. .. ..
. . . . .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. ..
o o .. .. ... ... ... ... ...o... ... ... ... ... ...o
.. .. .. .. ... ... o .. ..o .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. ..
.. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. o
.. o. o . . .o .
. .. o .o .. .. .. .. .. ..o.. .. .. .. .. .. .. .. .. ... o
. .. ..
. . . . . . . . . o . . .. ..
. . . ...o ..
... ... ... ... ... ... ... ... ... ... ... ... ... .. .. .. .. .. .. .. .. ..
.. ..
.. ..
.. .. .. .. ..
.. ..
o.. ..o.. o.. .. o.. .. .. .. o.. .. .. .. .. .. .. .. .. .. .. .. .. .. o
.. .. .. . .. .. . . . . . . . . . . . . .o. . . . .. .. .. .. .. .. ..
.. .. .. .. .. .. .. .. .. .. .. .. .. .. .. ..
.. ..
... ... ... ... ... ... ...o... o .. .. .. .. .. .. .. .. o
.. .. .. .. .. .. .. .. ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... o
.. .. .. .. ..
.. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. ... ... ... ... ...
.. ..
. . .o ..........o o .. o . . . . . . . . . . . . . . . .o o
.. .. o .. .. .. .. .. .. .. .. .. ..
o .... .... .... .... .... .... .... o.... o.... .... .... .... .... .... ....o.... ....o.... o.... o....oo.... .... .... o.... .... .... ....o.... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... ....
.. .. . ... . . . . . . . . . .
.. .. . . . . . . . . . . .. .. . . . .
. . . . . . . . . . . . .. .. .. .. .. ..
. . . . . . . .. .. .. .. .. .. .. .. .. .. .. .. .. .. ..
.. .. .. .. .. .. .. .. .. .. .. .. .. .. ... ... .. .. .. ..
.. .. . . . . . . ..o..o.. ..o .. ..o . .. .. .. o .. ..
. .. .. .. .. .. .. .. .. .. .. .. .. .. .. ..o .. .. .. .. .. .. .. .. ... ... .. .. ... ... ... ... ...
.. ... ... ... ... ... ... o
..o ..............
.. .. .. o ..
.. .. .. ... ... ... o .. .. .. ... o .. .. .. ..
.. .. .. .. .. .. .. .. .. .. .. .. .. .. .. ... ... ... ... ... ... ... ... ... ... ... ... ... ... .. .. .. .. .. .. .. .. .. .. .. .. .. .. ..
... ... ... ... ... ... ... ... ... ...o... ... ... ... ...o...o
.. .. .. .. .. .. .. .. .. .. .. ... ... ... ... ... ... ... ... ... ...
.. .. .. .. ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...
.. .. .. .. .. .. .. ... ...
o... ... ... ... ... ... ... ... ... ... ... ... ... ... ...o... ...oo... ... ... o
.. .. .. . .. ..
.. o .. ..
... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... .. .. .. .. .. ... ... ... ... ... ... ... ... ... ...
.. ..
.. .. .. .. .. ..o ..
.. .. .. ..o.. .. .. o .. .. .. .. .. .. .. ... o .. .. . . . . . . . .o .. ..
.................. ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...
o ... ... ...o... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... ....
.. ..
.. ..
..
..
.. ..
.. ..
.. ..
.. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. ..
... ... ... ... ... ... ... ... ... ... ... ... ... ... ...
... ... ... ... ...o
. . . . . .. .. .. .. .. .. .. .. .. .. .. .. .. .. o . . . . . . .. .. .. ..o.. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. ..
.. .. .. .. .. .. .. ..o.. .. .. .. .. .. ...o... ... ... ... ...o
.. .. .. .. ..
o. . . . . . . . . . . . . . . . . . . . . .
J. Friedman et al.
.. .. . ... ... ... ... . .. .. . .. .. .. . ..
...
.. .. .. .. .. .. .. .. .. .. .. .. .. o
.. .. .. o .. o
.. .. .. .. .. .. .. .. .. .. .. .. ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...
.. .. ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...
.. ..
... ... ... ... ... ... ... ... ... ... ... ... ... o ... ... ... ... ... ... ... o ... ... o ... ... ... ... ...o
... ... ... ...
... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...... ... ... ... ... ... ... ... ... ... ... ... ... ... ...
.. ..
.. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. o
.. o .. .. ......................... .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. ..
.. .. .. .. .. .. .. .. .. .. ..o.. .. .. .. .. .. .. .. .. .. .. ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...
.. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. ..
.. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. o
.. .. .. .. .. .. ..
. . .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. ..
.. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. ... ...o
.. ..
.. .. .. .. .. o. . . . . . . . . . . . . . . . .
.. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. ..
.. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...
.. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. ..
.. .. .. .. .. .. .. .. .. .. .. .. .. .. ..o.. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. o
.. ..
.. .. .. .. .. .. ..
................ .. .. .. .. .. .. .. .. .. .. .. .. .. .. ..
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. ..
.. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. ..
.. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. ..
.. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. ..
.. .. . .. .. . .. .. .. . .. .. . .. .. . .. .. .. o . .. .. . .. .. .. . .. .
Figure 2.3: The same classification example in two

Rocha & Goldenstein, 2010 CSI: Anlise Forense de Documentos Digitais 54
KNN k = 15 15-Nearest Neighbor Classifier
.. ..
.. .. o.... .... o.... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... ....
..
..
.. ..
.. ..
.. ..
.. ..
..
..
.. ..
.. ..
.. ..
.. ..
..
..
.. ..
.. ..
.. ..
.. ..
.. ..
.. ..
..
..
.. ..
.. ..
.. ..
.. ..
o o .. .. .. .. .. ..o ..
..
.. ..
......................................... .. ..
.. .. .. .. .. .. ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...
.. .. .. ..
..
..
.. ..
.. ..
.. ..
.. ..
..
..
.. ..
.. ..
.. ..
.. ..
.. ..
.. ..
..
..
.. ..
.. ..
o o .. ..o .. .. o . . .. .. .. .. .. .. .. .. .. .. .. .. .. o
.. .. ... ...o
.. .. .. .. .. .. ..
............................ .. .. .. .. .. .. .. .. .. .. .. .. .. .. ..
.. .. .. .. o .. .. .. .. .. .. .. .. .. .. .. .. .. .. ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...
.. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. ..
.. .. .. ..o . . .. .. ..o.. .. .. ..o
.. .. ..
.................................... .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. ..
o o o
.. .. .. .. ... ...o .. .. .. .. .. .. .. .. ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...
.. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. ..
.. .. .. ..o . . . .. ..o
o oo
.. ..
.. .. o ..o
..
.. .. .. ... ... ... o
..
.. ..
...................................... .. .. ..
.. .. ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...
.. .. .. .. ..
.. ..
.. ..
.. ..
.. ..
..
..
.. ..
.. ..
.. ..
.. ..
.. ..
.. ..
..
..
.. ..
.. ..
.. .. o .... .... .... ....oo.... .... .... .... .... .... .... .... .... .... .... .... .... .... ....o....o.... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... ....
.. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. ..
.. ..
o.. .. o ... ... ... ... ... ... ... ... ...oo... ... ... ... ... ... ... ...o
..
..
.. ..
.. .. .. ..o
.. ..
.. ..
..
..
. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. ..
.. ..
.. ..
.. ..
.. ..
..
..
.. ..
.. ..
.. ..
.. ..
.. ..
.. ..
..
..
.. ..
.. ..
.. .. .. .. .. .. ..o.. .. .. .. ..o.. .. o
.. .. .. o .. .. ..o... o
.. .. .. ... o .. .. .. .. .. .. .. .. .. .. .. .. ..o
.. .. ..
.. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. ..
.. ..
o o . o . . o . ..
. . . . . . . .
o...o... ... ...o... ... ... ... ... ... ... ... ... ... ... ... ...o... ... ... ... o . . . o
.. .. . . . .
. .
. .
. .
. .
. . . .
... ..
.. .
. .
. .
. o . . .. .. .. . ..
. .. .. .. .. .. .. .. .. .. .. .. .. ..
. . . . . . .o. . . . . . .
.. .. .. .. .. .. .. .. .. .. .. .. .. ..
.. .. . . . . ..
. . . . . . . . . . . .. ... . . . . . .. .. .. .. .. .. .. ..o
. . . . .. ..
. . . . . . . . ..
... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...
.. .. .. .. .. .. .. .. .. .. .. .. .. ..
.. ..
o o .. .. .. .. .. o.. ..o
.. ..
..
.. o o
.. .. .. .. .. ..o
.. ..
.. .. .. .. ..o
.. .. o . .
.. .. .. .. .. .. .. o . . .. ..
. .
.. .. . .
.. .. .. .. .. .. .. o
o .. .. .. .. .. .. ..o
..
.. .. .. .. .. .. .. .. ..
.. ..
.. ..
.. ..
.. ..
..
..
.. ..
.. ..
.. ..
.. ..
.. ..
.. ..
..
..
.. ..
.. ..
oo
ooooo.....oo .. .. .. .. .. ..o..
.. .. . . . . . ..
. . . . .
.. .. .. .. .. .. .. .. .. .. .. .. .. o . . . . .
. .. o .. ..
. . . . . . . . . . .. ..
. . .. .. .. .. .. .. .. .. .. .. .. .. ... o
. . . . . . . . . . ... . .. .. .. .. .. .. .. .. .. .. .. .. .. ..
o .. .. .. .. o .. .. .. .. .. .. .. .. .. .. .. ...o
.. .. ... .. .. .. .. .. .. .. .. .. ..o
.. ...o .. ..o .. .. .. ..o .. .. .. o .. .. .. .. .. .. .. .. .. .. .. .. o
.. ..
.. o .. .. ... ... ... ... ... ... ... .. .. .. .. .. .. .. .. .. .. .. .. .. ..
o .. ..
.. ... ... ...o...o... o
o.. .. .. .. .. o
..
... ...o .. .. .. o .. ..
.. ...o .. .. .. .. .. .. .. .. .. .. .. .. .. o
.. .. ..
. . .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. ..
o .. ..
.. .. .. .. .. .. .. .. .. .. .. .. ..o
..
... . . . . o..o.. .. ..o . . .
.o
.. ..
.
.. ..
.
.. .. o o . . .. ..
.. .. .. .. .. .. .. .. .. .. .. .. ... ... o
.. .. .. .. .. ..o.. .. .. ..o.. .. .. .. .. .. ...o
. .. ..
..
. .. .. .. .. .. .. .. .. .. .. .. .. ..
............. ..
.. ..
.. ..
.. ..
.. ..
..
..
.. ..
.. ..
.. ..
.. ..
.. ..
.. ..
..
..
.. ..
.. ..
o.. ..o.. o.. .. o.. .. .. .. o.. .. .. .. .. .. .. .. .. .. .. .. .. .. o
.. .. . . . . . . . .. . . . . . . . . .. .. .. .. .. .. .. .. .. .. .. .. .. ... ...o... ... ... ... ... ... ... ... ... ... ...
.. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. ..
.. .. . . . .. .. .. .. .. o .. . . . . .. .. .. .. o . . .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. o
.. .. .. .. .. ....... .. .. .. .. .. .. .. .. .. .. .. .. .. ..
.. ..
... ... ... o .. .. .. ..o .. ... ... ... ... o
..
o .. o.. .. .. ... ... o .. .. .. o .. .. .. .. .. .. .. .. o .. ..
.. .. o ..
.. .. .. .. .. .. .. .. .. .. .. ... ... ... ... ... ... ... .. .. .. .. .. .. .. .. .. ... ... ... ... ...
o .... .... .... .... .... .... .... o.... o.... .... .... .... .... .... ....o.... ....o.... .... o....oo.... .... .... o.... .... .... ....o.... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... ....
.. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. ..
.. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. ... ... ... ... ...
... ... o ... ... ... ... o
.. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. . ..
...o
.. .. ... ... ... ... ... ... o ...o...o... ...o
.. ... o
.. .. ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...o
.. .. .. ... ... ... ... ... ... ... ... ... ... ... ... ...
.. .. .. .. .. .. .. .. ... ... ... ... ... ... ...
... ... ... ... ... ... ... ... o ... ...o... ... ... ... o
.
.. ..
.. ..
..
.. ...o...o .. .. .. .. ..
... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...
.. .. .. .. ..
.. ..
.. ..
.. ..
.. ...
. .. ..
.. ... ... ... ... ... ... ...
o.... .... .... .... .... .... .... .... .... .... .... .... .... .... ....o.... ....oo.... .... .... o
.. ..
.. ..
..
..
.. ..
.. ..
... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...
.o .. .. .. .. .. .. .. ..o
.. ..
.. ..
..................
..
..
.. ..
.. ..
... ...
.. ..
..
..
... ...
.. ..
... ...
.. ..
... ...
.. ..
...
..
... ...
.. ..
... ... ...o
.. .. ... ... ...o ... ... ... ...o... ... ... o
.. ... ... ... ... ... ... ... ... o
.. .. .. .. .. .. .. .. .. .. ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...
.. .. ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...
o .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. ..
.. .. .. ... ... ... ... .. .. .. .. .. .. .. .. .. .. .. .. .. .. ..
... ... ... ... ...o
. . . . . .. .. .. .. .. .. .. .. .. .. .. .. .. .. o . . . . . . .. .. .. ..o
.. .. .. .. .. .. .. ..o.. .. .. .. .. .. ...o... ... ... ... ...o
.. .. .
o.. .. .. .. .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... .... ....
J. Friedman et al.
.. .. ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...
.. .. .. .. .. .. .. .. .. .. .. .. .. o .o
.. .. .. .. .. .. .. .. .. .. .. .. .. ... ... o
.. .. .. .. .. .. .. ..
. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. ..
. . .. .. .. .. o
.. .. ... ... ... ... ...o
.. .. . .. ..
. . . . . .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. . .. .. . .. .. .. . ..
.. .. .. .. .. .. .. .. .. .. .. .. .. o
.. .. ... .. .. ... ...o .. .. o
... ... ... ...
..................... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...
.. .. .. .. .. .. .. .. .. .. ..o.. .. .. .. .. .. .. .. .. .. .. o
.. .. .. .. .. .. .. .. .. ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...
.. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. ..
.. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. o
.. .. .. .. .. .. ..
. . .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. ..
.. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. ... ...o
.. .. .. .. .. o. . . . . . . . . . . . . . . . .
.. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. ..
.. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...
.. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. ..
.. .. .. .. .. .. .. .. .. .. .. .. .. .. ..o.. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. o
.. .. .. .. .. .. ..
................ .. .. .. .. .. .. .. .. .. .. .. .. .. .. ..
.. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...
.. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. ..
.. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. ..
.. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. ..
.. . .. .. . .. .. . .. .. .. . .. .. . .. .. . .. .. .. . .. .. . .. .. . .. .. .. o . .. .. . .. .. .. . .. .
Figure 2.2: The same classification example in two

Avaliao e
Comparao
Avaliao e Comparao
Vis e Varincia
Treinamento e Teste
Matriz de Confuso
Mtricas e Critrios

Avaliao e Comparao
Conjuntos de validao e teste

Validao cruzada

Curvas ROC
Especificidade
E = TN / (TN + FP)
Sensitividade
S = TP / (TP + FN)
(Sensitividade) vs. (1 - Especificidade) = Curva
Caracterstica de Operao (ROC)

Curvas ROC
Wikipedia.org
Referncias
Referncias
1. [Baeza-Yates 2003] R. Baeza-Yates. Clustering and Information Retrieval. Kluwer Academic Publishers. 1 edition.
2. [Bishop, 2006] C. M. Bishop. Pattern Recognition and Machine Learning. Springer, 1 edition, 2006.
3. [Duda et al. 2001] R. O. Duda, P. E. HART and D. G. STORK. Pattern Classification. Wiley-Interscience, 2, 2000.
4. [Friedman et al. 2001] J. Friedman, T. Hastie, and R. Tibshirani. The Elements of Statistical Learning. Springer, 1
edition, 2001.
5. [Gomes & Velho, 1996] J. Gomes L. Velho. Computao Grfica: Imagem. IMPA-SBM, 1.
6. [Gonzalez & Woods, 2007] R. Gonzalez and R. Woods. Digital Image Processing. Prentice-Hall, 3 edition.
7. [Mitchell 1997] T. M. Mitchell. Machine Learning. McGraw-Hill, 1 edition, 1997.

Obrigado!

03 - Conceitos Importantes PDF

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

03 - Conceitos Importantes PDF

Enviado por

Direitos autorais:

Formatos disponíveis

Anlise Forense de

Prof. Dr. Anderson Rocha

Reasoning for Complex Data (RECOD) Lab.

Conceitos de Imagem Digital

A. Rocha, 2012 Anlise Forense de Documentos Digitais 3

De acordo com [Gomes & Velho 1996], para

Em seguida, precisamos criar um universo de

A. Rocha, 2012 Anlise Forense de Documentos Digitais 6

O objetivo da representao discreta desses

Quando observamos uma fotografia, ou uma

A. Rocha, 2012 Anlise Forense de Documentos Digitais 7

Nesse sentido, podemos definir uma imagem

onde U R3 uma superfcie e C um espao

Na maioria das aplicaes, U um subconjunto

A. Rocha, 2012 Anlise Forense de Documentos Digitais 8

A funo I na definio chamada de funo

O conjunto U chamado suporte da imagem

A. Rocha, 2012 Anlise Forense de Documentos Digitais 9

Quando C um espao de cor de dimenso 1,

espao de cor C associado a um dispositivo

A. Rocha, 2012 Anlise Forense de Documentos Digitais 10

chamado de elemento da imagem ou pixel

Para a representao em computador, devemos

Esse processo de discretizao chamado de

A. Rocha, 2012 Anlise Forense de Documentos Digitais 11

Ode caso mais utilizado de discretizao espacial

Dessa forma a imagem pode ser representada de

A. Rocha, 2012 Anlise Forense de Documentos Digitais 12

Dessa forma, cada ponto aij um vetor do

A. Rocha, 2012 Anlise Forense de Documentos Digitais 13

A imagem dita de 24 bits

A. Rocha, 2012 Anlise Forense de Documentos Digitais 14

Fig. 6.1. Abstraction levels

A. Rocha, 2012 Anlise Forense de Documentos Digitais 15 fo

A. Rocha, 2012 Anlise Forense de Documentos Digitais 17

A. Rocha, 2012 Anlise Forense de Documentos Digitais 19

A. Rocha, 2012 Anlise Forense de Documentos Digitais 20

Saturao (pureza): valores baixos so

Brilho: define o brilho (intensidade) da

A. Rocha, 2012 Anlise Forense de Documentos Digitais 21

Mapeamento dos nmeros reais em valores

Tipicamente utiliza-se bytes (256 valores) ou

A. Rocha, 2012 Anlise Forense de Documentos Digitais 23

A. Rocha, 2012 Anlise Forense de Documentos Digitais 24

A. Rocha, 2012 Anlise Forense de Documentos Digitais 25

Se o espao de cores utilizado um espao

A. Rocha, 2012 Anlise Forense de Documentos Digitais 26

A. Rocha, 2012 Anlise Forense de Documentos Digitais 27

Por exemplo, aps a decomposio da imagem

Cada canal de cor possui 8 bits e possui 8 planos

A. Rocha, 2012 Anlise Forense de Documentos Digitais 28

A. Rocha, 2012 Anlise Forense de Documentos Digitais 29

Diferentes reas tem nomes distintos para

Aprendizado de Mquina uma rea da

Extrao de informaes e extrapolao do

A. Rocha, 2012 Anlise Forense de Documentos Digitais 33

Alguns problemas que utilizam aprendizado de

Na soluo desses problemas, podemos ter

A. Rocha, 2012 Anlise Forense de Documentos Digitais 35

Podemos ver um classificador, matematicamente, como

Em IA, um classificador de padres um tipo de motor

A. Rocha, 2012 Anlise Forense de Documentos Digitais 36

Classificadores podem ser