📸 Analisador Forense de Imagens

Um software avançado para detecção de manipulação e compressão múltipla em imagens usando técnicas forenses digitais.

🎯 Funcionalidades

🔍 Análises Implementadas

Análise	Descrição	Técnica
Lei de Benford	Verifica a distribuição natural dos primeiros dígitos	Processamento Digital
Ruído do Sensor	Analisa padrões de ruído para detectar inconsistências	Análise Física
Compressão Múltipla	Detecta se a imagem foi salva várias vezes	Teoria da Informação
Detecção de Clonagem	Identifica regiões copiadas/coladas	Visão Computacional
Análise de Iluminação	Verifica consistência na direção da luz	Óptica Física
Detecção de Resampling	Detecta redimensionamentos	Processamento de Sinais
Metadados EXIF	Analisa inconsistências nos dados da câmera	Metadados

🚀 Instalação

Pré-requisitos

• Python 3.8 ou superior
• pip (gerenciador de pacotes Python)

📦 Instalação das Dependências

# Instalar todas as dependências
pip install opencv-python numpy scipy scikit-learn Pillow matplotlib exifread

# Ou instalar uma por uma
pip install opencv-python
pip install numpy
pip install scipy
pip install scikit-learn
pip install Pillow
pip install matplotlib
pip install exifread
🛠️ Instalação no Windows
cmd

# Abra o Prompt de Comando como Administrador
python -m pip install --upgrade pip
pip install opencv-python numpy scipy scikit-learn Pillow matplotlib exifread

🐧 Instalação no Linux/Mac
bash

# Atualizar pip e instalar dependências
python3 -m pip install --upgrade pip
pip3 install opencv-python numpy scipy scikit-learn Pillow matplotlib exifread

💻 Como Usar
Método 1: Execução Direta
python

# Salve o código como 'analisador_forense.py' e execute:
python analisador_forense.py

Método 2: Uso como Módulo
python

from analisador_forense import DetectorManipulacaoAvancado

# Inicializar o detector
detector = DetectorManipulacaoAvancado()

# Analisar uma imagem
resultados = detector.analise_completa("caminho/para/sua/imagem.jpg")

Método 3: Análise Individual
python

detector = DetectorManipulacaoAvancado()

# Análises específicas
resultado_benford = detector.analisar_lei_benford("imagem.jpg")
resultado_clonagem = detector.detectar_clonagem("imagem.jpg")
resultado_compressao = detector.detectar_compressao_multipla("imagem.jpg")

📊 Interpretação dos Resultados
🟢 Resultados Normais

    Correlação Benford > 0.95

    Inconsistência de Iluminação < 30°

    Score Compressão < 1.5

    Poucos ou nenhum clone detectado

🟡 Resultados Suspeitos

    Correlação Benford: 0.90-0.95

    Inconsistência de Iluminação: 30°-45°

    Score Compressão: 1.5-2.0

    Alguns clones detectados

🔴 Resultados de Manipulação

    Correlação Benford < 0.90

    Inconsistência de Iluminação > 45°

    Score Compressão > 2.0

    Múltiplos clones detectados

    Metadados inconsistentes

🧠 Metodologias Científicas
Lei de Benford
python

# Imagens naturais seguem a distribuição:
P(d) = log10(1 + 1/d) para d = 1,2,...,9
# Onde P(d) é a probabilidade do dígito d ser o primeiro

Análise de Ruído

    Calcula a variância do ruído residual

    Verifica consistência entre quadrantes

    Detecta suavização artificial

Detecção de Clonagem

    Divide imagem em blocos

    Calcula similaridade entre blocos

    Usa correlação e características estatísticas


🐛 Solução de Problemas

Análise muito lenta

    O código inclui otimizações automáticas

    Imagens grandes são redimensionadas

    Use imagens com menos de 10MB para melhor performance

🔬 Exemplo de Saída
======================================================================
ANÁLISE FORENSE COMPLETA DE IMAGEM
======================================================================

🔍 Lei de Benford (DCT):
   ✅ NORMAL - Sem indícios de manipulação
   correlacao: 0.9723
   distancia_euclidiana: 0.0456
   total_amostras: 267245

🔍 Detecção de Clonagem:
   ✅ NORMAL - Sem indícios de manipulação
   clones_detectados: 2
   total_blocos_analisados: 180

🔍 Compressão Múltipla:
   ✅ NORMAL - Sem indícios de manipulação
   entropia_histograma: 7.5474
   score_compressao_multipla: 1.2033

======================================================================
RESULTADO FINAL: IMAGEM PROVAVELMENTE AUTÊNTICA (14.3%)
======================================================================

📝 Formatos Suportados

    JPEG (.jpg, .jpeg)

    PNG (.png)

    BMP (.bmp)

    TIFF (.tiff, .tif)

    WebP (.webp)

⚠️ Limitações

    Eficácia reduzida em imagens muito comprimidas

    Pode gerar falsos positivos em condições de iluminação complexas

    Análise de metadados depende das informações incluídas pela câmera