Una misura oggettiva del fotoritocco

Il Professor Hany Farid, assieme a Eric Kee, ha proposto in un recente articolo un metodo per la misurazione quantitativa delle elaborazioni a cui è stata sottoposta un’immagine digitale, basato su metodologie statistiche. E’ una novità importante perché è la prima metrica oggettiva e calcolabile proposta per misurare quello che fino ad ora era valutato empiricamente e soggettivamente. Pur con alcune limitazioni, promette di introdurre elementi di certezza nella valutazione delle manipolazioni fotografiche. La scala utilizzata va da 1 (leggera manipolazione) a 5 (il massimo).

Nel contesto dell’informatica forense, in particolare dell’analisi forense delle immagini (image forensics), l’introduzione di una metodologia oggettiva e ripetibile potrà portare oggettività e chiarezza in molte situazioni (si pensi per esempio a procedimenti che riguardano violazioni di proprietà intellettuali o alla validazione di prove fotografiche in procedumenti penali, oppure ai casi in cui sia proibito l’uso di immagini ritoccate – nel Regno Unito una legislazione del genere è stata proposta per l’uso in pubblicità). La valutazione delle manipolazioni potrà guadagnare in oggettività e diventare un processo “validato” e quantificabile.

La metrica e i risultati

La metodologia proposta è stata sviluppata nel contesto delle immagini contenenti la figura umana, quindi allo stato non è applicabile a tutte le immagini digitali in generale e -come detto- utilizza parametri statistici per la valutazione. In particolare si avvale di otto metriche semplici che riguardano due tipologie si alterazione delle immagini: le modifiche geometriche o fotometriche. Le alterazioni geometriche sono modifiche della “forma” degli elementi dell’immagine (dimagrimenti eccessivi, correzione della posizione degli arti…), mentre le alterazioni fotometriche sono quelle che modificano in generale il “colore” (smoothing, cioè riduzione del rumore, correzioni di luce e colore…).

Quattro statistiche misurano le alterazioni geometriche sono la media e la deviazione standard della quantità di moto rispettivamente del viso e del corpo del soggetto ritratto. Il metodo descritto richiede allo stato che un operatore umano delinei manualmente il viso, i capelli e il corpo nell’immagine originale e il quella ritoccata (si vede qui un’altra criticità che approfondiremo: è necessario disporre dell’immagine originale).

Altre quattro statistiche invece catturano le alterazioni fotometriche. Le prime due sono la media e la deviazione standard della risposta in frequenza di filtri lineari locali di smoothing o sharpening. Questi filtri, disponibili in ogni applicazione di fotoritocco, consentono di ridurre e appianare le piccole irregolarità nell’immagine -il primo- o di accentuare piccoli dettagli e contrasti -il secondo-. Le ultime due statistiche riguardano una metrica chiamata SSIM (misura di similarità), di cui di nuovo misurano media e deviazione standard.

I modelli statistici sono stati poi correlati con le valutazioni fatte da 390 osservatori umani (usando il “Turco meccanico” di Amazon che è l’applicazione più fortunata del crowdsourcing) che hanno valutato il grado di manipolazione (da 1 a 5) confrontando le coppie di immagini. Le valutazioni soggettive sono servite a tarare l’intervallo e la media delle statistiche.

Matematicamente, valutazioni soggettive e predizioni del sistema sono state correlate con un algoritmo SVR (supported vector regression) non lineare (una versione lineare è stata valutata, ma ha dato risultati peggiori).

Valutazioni

Il metodo proposto rappresenta una novità significativa e promette sviluppi interessanti, dato che è la prima metrica quantitativa proposta per il fotoritocco, ma presenta al momento alcune limitazioni:

  • è necessario disporre dell’immagine originale, cosa che non sempre è possibile o fattibile;
  • il metodo descritto è tagliato su misura per i ritratti (immagini che contengono la figura umana) e non è facilmente generalizzabile;
  • ha bisogno dell’intervento umano per l’individuazione del viso e del corpo (cioè delle parti di immagine su cui applicare le metriche geometriche). Questa limitazione potrebbe essere superato in futuro applicano algoritmi di apprendimento automatico (machine learning): è sicuramente un campo di ricerca molto interessante e promettente;
  • come gli autori descrivono, variazioni piccole -ma mignificative per il significato dell’immagine- possono essere sottostimate, così come variazioni grandi ma poco significative possono essere sovrastimate;
  • il gruppo di persone usato per la correlazione non è un campione statistico, e potrebbero anche esistere differenze di percezione su base geografica (percezioni delle manipolazioni differenti per gli Europei o gli Asiatici rispetto agli Americani);

Hany Farid si conferma uno dei ricercatori di punta nel campo dell’analisi delle immagini digitali e questo lavoro permetterà sviluppi nuovi e significativi. L’articolo completo (“A perceptual metric for photo retouching“) è disponibile -assieme a moltissimi altri lavori- nel sito dell’autore.

Aggiungi ai preferiti : Permalink.

Lascia un commento

Il tuo indirizzo email non sarà pubblicato. I campi obbligatori sono contrassegnati *