fingerprint_strength_map — IMGFORENSICS `sensor` op

• Datenarten: fingerprint → image2d

• Aufruf: import imgforensics; imgforensics.fingerprint_strength_map(fingerprint, block: 'int' = 16) -> 'np.ndarray' (oder opsimgforensics.get("fingerprint_strength_map"))

Verwendung

Eine Karte der effektiven Stärke des Fingerabdrucks pro Block (seiner Standardabweichung). `image2d`.

> Die ausführliche Beschreibung unten ist der Originaltext — Zusammenfassung und Überschriften sind übersetzt.

PRNU は飽和した画素と真っ暗な画素では出ない(乗法的な欠陥なので信号が要る)。

この地図は「指紋がどこで何も言えないか」を見るためのもので、値が低い領域の

照合結果は弱い。`block 角の非重複ブロックごとの標準偏差を、元の (H, W)` へ

ブロック定数で戻して返す(端は端のブロックの値で埋める)。

実測(`tests/test_imgforensics.py::test_strength_map_marks_the_saturated_half`、

128x128 の左半分だけを飽和させた 8 枚から指紋を作る):飽和側の平均強度

0.075 に対し通常側 1.409 = 18.8 倍。左半分では PRNU が乗る余地が

無い(乗法的な欠陥なので信号が要る)ことがそのまま出ている。

これは `fingerprint` 語彙の出口でもある(袋小路を作らないため)。

Referenzen (Beispieldaten, Literatur)

• Katalog der Beispieldaten (Download-URLs / Lizenzen) — 2-D nutzt skimage.data (BSD/Public Domain) plus synthetische Bilder, 3-D nennt Download-URLs echter Datenquellen (Stanford, PDS, …).

• Herkunft und Literatur der Operatoren — die Quellen der Forschung/Verfahren, auf denen diese Operatorfamilie beruht.

• Der kanonische Algorithmus (Autor, Jahr) und seine Anwendungen stehen im Familienleitfaden oben.

Ausführbare Beispiele (verifizierte Samples, die diesen Operator wirklich aufrufen)

• image_forensics_audit — py -3.11 examples/image_forensics_audit.py

Typkompatible Folge-Operatoren (nehmen `image2d` als Eingabe)

perceptual_hash · fingerprint_correlate · error_level_map · jpeg_quality_estimate · jpeg_ghost_map · noise_inconsistency_map · copy_move_regions · watermark_embed

Gleiche Kategorie (`sensor`)

sensor_fingerprint · fingerprint_correlate

*Provenance: imgforensics.py — IMGFORENSICS Operator-Registry. Diese Notiz wird von tools/opdocs.py md erzeugt (nicht von Hand bearbeiten).*

fingerprint_strength_map — IMGFORENSICS sensor op