컬러 레이저 프린터 판별 방법{Color laser printer identification method}

본 발명은 프린터 판별 방법에 관한 것으로, 더욱 상세하게는 컬러 레이저 프린터를 판별하는 방법에 관한 것이다.

수많은 디지털 기기의 등장은 대중들에게 많은 편의와 이익을 가져오고 있다. 최근 발매되는 디지털 기기는 저렴한 가격과 뛰어난 성능이 있으며 온라인을 통하여 누구나 쉽게 디지털 기기를 구매할 수 있다. 그 중 영상 장비는 디지털 기기 중에 가장 큰 부분을 차지하고 있다. 특히 고성능 디지털 카메라의 보급으로 선명한 사진을 출력하기를 원하는 사용자가 늘어나고 컬러 레이저 프린터의 대중화로 인해 일반인들도 손쉽게 위·변조를 할 수 있게 되면서, 사회적인 위·변조 범죄가 증가하고 있다.

디지털 영상 위·변조로 인해 몇 년 전부터 디지털 영상의 신뢰성이 점차 중요해 지고 있다. 또한, 최근에 멀티미디어 법이 선고됨에 따라 저작권이 사회적으로 큰 이슈가 되고 있다. 저작권이란 창작자가 가지는 권리로서, 창작자가 창작물에 대한 저작권이 있는 디지털 영상을 허락 없이 배포하거나 인쇄를 하게 되면 법적으로 처벌하는 것이다. 이에 따라 저작권을 보호하기 위한 위·변조에 대한 방지 대책과 저작권 범죄 해결에 대한 사람들의 관심이 높아지고 있다. 온-라인 상으로 배포되는 디지털 영상은 DRM (Digital Rights Managment) 기술을 통해 저작권 문제를 많이 해결하고 있지만 프린터를 사용하여 인쇄된 후 오프-라인을 통해 배포되는 디지털 영상 콘텐츠에 대해서는 아직 저작권과 관련된 다수의 문제가 있다.

컬러 레이저 프린터의 경우 무분별한 콘텐츠 복제를 방지하기 위하여 문서를 인쇄할 때 인쇄한 날짜와 시간 및 프린터에 대한 시리얼 정보 등을 시각적으로 잘 인지되지 않는 노란색 점으로 부가적으로 인쇄하였다. 이와 같은 기술을 프린터 스테가노그라피라고 한다. 도 1 및 도 2에는 프린터 스테가노그라피의 예를 나타낸다. 도 1의 영상에는 노란색 점이 찍혀있는 예를 보여주며, 도 2의 영상은 해당 점들이 의미하는 시간, 장비번호 등을 나타낸다. 그러나 이 기술은 시각적으로 크게 인지되지 않더라도 출력물에 인쇄가 되기 때문에 부가적인 응용에 있어서 화질 및 인쇄물의 품질 저하가 일어날 수 있다. 따라서 최근에는 기계에 종속적이지 않은 디지털 포렌식 기술 연구를 하는 방법이 연구되고 있다.

디지털 포렌식 기술은 이러한 문제를 해결하기 위해서 영상에 숨겨져 있는 고유의 특성을 찾아내서 위변조를 탐지하는 것을 목표로 한다. 특히, 디지털 영상 포렌식 기술이란 디지털 영상에 포함되어있는 고유의 특성을 이용해서 영상을 만들어 낸 기기를 밝혀낸다든지, 영상의 위조 여부를 판별하는 것이다.

디지털 영상 포렌식 기술은 영상 획득 장비 판별, 영상 위변조 탐지 기술로 크게 나뉘어져 연구되고 있다. 영상 획득 장비 판별 기술은 주어진 영상으로부터 영상을 획득하는데 사용된 장비가 무엇인지 판단하는 기술이다. 주어진 영상만을 이용해서 영상을 획득하는데 사용한 장비의 제조사뿐만 아니라 정확한 모델명 수준까지 판별하는 것을 목표로 한다. 영상 위변조 탐지 기술은 주어진 영상이 위변조 단계를 거쳤는 지의 여부를 판별하는 기술이다. 디지털 영상의 위변조는 눈에 띄는 단서를 남기지 않지만, 영상을 구성하는 통계적 특성에는 변화를 준다. 그러한 변화된 통계적 특성을 찾음으로써 위변조된 부분을 찾을 수 있다.

지금까지 연구된 프린터 판별 방법 기술은 주로 흑백 레이저 프린터를 판별하는 기술들이 대부분이다. 요즘에는 많은 컬러 레이저 프린터의 보급률이 높아지면서 컬러 레이저 프린터 판별 기술에 대한 적합한 판별기술이 필요하다. 컬러 레이저 프린터 판별 기술을 통해 출력된 디지털 영상을 어떠한 프린터에서 식별되었는지 알 수 있다면 저작권에 위배된 영상을 인쇄한 범인을 찾는데 도움이 될 수 있으며, 나아가 위조지폐 및 위조 공문서를 식별도 쉽게 이뤄질 수 있다. 이와 관련하여 종래 기술을 이하에, 자세히 설명한다.

줄무늬 주기를 이용한 종래의 프린터 판별 기술

프린터의 인쇄 과정 중 광학 광전도체 드럼을 돌리는 기어의 역회전 현상으로 인해 각속도가 일정하지 않게 됨에 따라 발생하는 준 주기적인 변동 때문에 인쇄 방향을 따라서 밝고 어두운 줄무늬가 주기적으로 생긴다. 이렇게 문서에 새겨지는 줄무늬 주기는 프린터의 기계적인 특성을 반영하고 있다고 할 수 있다. Delp et al.는 이와 같은 주기적인 특성을 활용하여 흑백 레이저 프린터를 판별하는 알고리즘을 제안하였다. 도 3은 레이저 프린터 인쇄물에서 나타날 수 있는 줄무늬의 예로서, 흑백 레이저 프린터에서 인쇄된 출력물의 줄무늬 주기 현상을 나타낸 도면이다.

일반적으로 하프-톤 영상 출력물을 이용하여 줄무늬 주기를 구하는 방법은, 프린터의 줄무늬 주기를 구하는 방법처럼 가로 방향으로 투사한 다음 이진 푸리에변환을 이용하는 방법을 그대로 이용하면 된다. 프린터 판별 방식은 어떠한 프린터로 인쇄했는지 모르는 하프-톤 영상 출력물의 줄무늬 주기를 위의 방법으로 구한 다음 그 줄무늬 주기와 일치하는 줄무늬 주기를 갖는 프린터를 찾는 것이다. 이러한 줄무늬 주기를 이용한 알고리즘은 하프 톤 영상 출력물에는 적용하기가 쉽고 결과도 좋게 나오지만 하프-톤 영상 출력물이 아닌 일반 텍스트 출력물에는 적용하기 힘들다는 단점이 있다.

허프 변환을 이용한 종래의 프린터 판별 기술

컬러 레이저 프린터가 색을 표현하기 위해서는 CMYK(Cyan, Magenta, Yellow, Black)의 4가지 색상을 조합하여 색을 표현한다. 조합된 4가지 색상을 분리하여 크게 확대해 보면 색상마다 일정한 패턴을 가짐을 확인할 수 있다. 도 4에는 프린터별 채널의 다른 주기적인 무늬 특성을 나타내었다. 따라서, 프린터마다 고유한 패턴을 가지기 때문에 이를 이용하여 프린터를 판별할 수 있다. Ryu et al.은 이와 같은 특성을 활용하여 패턴에 존재하는 선형 특성의 방향성 정보를 허프 변환(Hough Transform)을 이용하여 추출하여 컬러 레이저 프린터의 판별 기술을 연구하였다.

영상이 들어오면 에지 정보를 추출한 후에 이에 따라 허프 변환을 통하여 라인 정보를 추출하였다. 프린터마다 추출된 라인 정보는 고유하며, 라인의 각도 정보에 대한 히스토그램을 활용하여 프린터 판별을 위한 특징값으로 사용하였다. 도 5에는 프린터 Cyan 채널에 대한 허프 변환 후에 라인의 각도에 대한 히스토그램을 나타내었다. 도 5b와 도 5c는 동일한 HP 프린터에서 영상의 특성만 다르게 하여 추출한 특징값으로서, 도 5a의 제록스 프린터와 확연한 차이가 있음을 확인할 수 있다.

하지만, 허프 변형을 이용한 프린터 판별 방법은 출력된 영상의 색상이 가지는 패턴이 확인 가능할 정도의 고해상도 영상이 필요하다. 따라서 저 해상도의 영상에는 적용하기 힘들다는 단점이 있다.

본 발명은 상기한 문제점을 해결하기 위하여 안출한 것으로, 이산 웨이블렛 변환 및 명암도 동시 발생 행렬을 이용하여 컬러 레이저 프린터를 판별하는 방법을 제공하는 것을 목적으로 한다.

상기한 목적을 달성하기 위하여, 본 발명에 따른 컬러 레이저 프린터 판별 방법은 (i) 컬러 레이저 프린터로 인쇄된 인쇄물인 디지털 영상을 스캐닝하여 RGB 영역을 HSV 영역으로 변환한 후 이산 웨이블릿 변환을 수행하여 고주파 영역을 얻는 단계; (ii) 상기 고주파 영역에 대하여 명암도 동시 발생 행렬 변환을 수행하여 얻어진 행렬 데이터의 유사성, 대조, 합계, 상관 계수, 및 공분산의 특징을 계산하여 다수의 특징점을 추출하는 단계; 및 (iii) 상기 추출된 다수의 특징점을 서포트 벡터 머신 분류기에 적용하여 상기 컬러 레이저 프린터를 판별하는 단계를 포함하는 것을 특징으로 한다.

디지털 기기의 급격한 발전과 각 가정으로의 보급은 포렌식 기술의 중요성을 증대시키고 있다. 그 중 컬러 레이저 프린터로 인쇄된 영상과 여러 문서에 대한 저작권 문제가 대두하고 있다. 그래서 본 논문에서는 위의 문제를 해결하기 위해 출력된 문서에 대하여 어떠한 프린터에서 출력되었는지 판별하는 기술을 제안하였다. 프린터를 식별하기 위해 제안하는 기술로는 영상 영상에 대해 RGB 영역을 HSV 영역으로 변환시킨 다음 이산웨이블릿 변환을 수행하여 HH 영역을 구하였다. HH 영역에 대하여 다시 명암 동시 발생 행렬을 구하여 특징값을 분석하였다. 프린터 제조회사 별로 위의 기술을 동일하게 적용하여 특징점을 추출하였다. 그 특징점 들을 프린터 제조회사 별로 벡터로 분류하여 서포트 벡터 머신(Support Vector Machine; 이하 'SVM'이라 함) 분류기에 입력하여 훈련시킨 후에, 임의의 인쇄물을 입력하여 출력하는데 사용된 컬러 레이저 프린터를 판별하였다. 프린터 제조회사 별로 분류 결과는 96.9%로 신뢰성 있는 결과를 얻었다. 그러나 조금씩 생기는 오차는 프린터 제조회사별로 유사하게 출력되는 것도 알 수 있었다.

도 1 및 도 2는 프린터 스테가노그라피의 예를 나타낸 도면들,
도 3은 레이저 프린터 인쇄물에서 나타날 수 있는 줄무늬의 예를 나타낸 도면,
도 4는 프린터별 채널의 다른 주기적인 무늬 특성을 나타낸 도면,
도 5는 허프 변환 후에 라인의 각도에 대한 히스토그램을 나타낸 도면,
도 6은 본 발명의 실시예에 따른 컬러 레이저 프린터 판별 과정을 나타낸 도면,
도 7은 본 발명의 실시예에 따른 HSV 영역으로 표현한 영상의 예를 나타낸 도면,
도 8은 본 발명의 실시예에 따른 이산 웨이블릿 변환과 명암도 동시 발생 행렬을 활용한 특징 추출 과정을 설명하는 블록도,
도 9는 본 발명의 실시예에 따른 DWT 1 레벨의 필터구조를 나타낸 블록도,
도 10은 본 발명의 실시예에 따른 DWT 2 레벨의 예제를 나타낸 도면,
도 11은 본 발명의 실시예에 따른 명암도 동시 발생 행렬 방향성의 예를 나타낸 도면,
도 12는 본 발명의 실시예에 따른 RBF 커널에 대한 서포트 벡터 머신 분류기의 예를 나타낸 도면,
도 13은 본 발명의 실시예에 따른 실험에 쓰인 영상의 예를 나타낸 도면,
도 14는 프린터 제조사에 대한 Choi의 알고리즘과 제안하는 알고리즘의 정확도 분석 결과를 나타낸 그래프, 및
도 15는 동일 제조사에 대한 Choi의 알고리즘과 제안하는 알고리즘의 정확도 분석 결과를 나타낸 그래프이다.

이하, 본 발명의 실시예에 따른 이산 웨이블렛 변환 및 명암도 동시 발생 행렬을 이용한 컬러 레이저 프린터 판별 방법을 첨부 도면을 참조하여 설명한다.

본 발명에 따른 컬러 레이저 프린터 판별 기술은 훈련 및 판별의 2단계로 구성된다. 본 발명의 기술의 대략적인 수행 과정은 도 6에 도시되어 있다. 도 6은 본 발명의 실시예에 따른 컬러 레이저 프린터 판별 과정을 나타낸 도면이다.

훈련 과정 및 판별 과정

훈련 과정에서는 판별하고자 하는 프린터로 인쇄한 영상을 사용하여 각 프린터의 고유한 특징을 특징점 추출기(610)에 의해 추출하고, 학습기반 데이터 분류기(620)의 파라미터로 입력하여 훈련을 수행한다. 판별 과정에서는 임의의 데이터가 들어왔을 때, 특징점 추출기(610)에 의해 특징을 추출하고, 학습기반 데이터 분류기에 입력하여, 어떠한 인쇄기로 출력을 했는지 판별을 수행한다.

본 발명의 실시예에 따른 판별 기술의 성능은 프린터에 존재하는 고유한 특징을 정확히 추출하고, 이를 학습 분류기가 올바르게 분류할 수 있는지에 의하여 좌우된다.

요약하면, 출력한 문서를 스캔한 후 HSV 영역으로 변환 후, 각 영역에 대해 이산 웨이블릿 변환 후의 4가지 방향성에 대한 명암도 동시 발생 행렬 변환을 수행하여 얻어진 HSV 각각의 영역에 대한 유사성, 대조, 합계를 분석하며 H과 S, S와 V, V,와 H 영역 간의 공분산과 상관계수를 분석한다. 이와 같이 추출된 60가지의 상이한 프린터 판별용 특징점을, 3개의 채널(HSV) * 4개의 방향성(0도, 45도, 90도, 135도) * 5개의 질감 분석(유사성, 대조, 합계, 상관계수, 공분산) = 60, 하나의 벡터로 합친다. 각 영상마다 생성된 벡터를 프린터 제조회사별로 다시 벡터를 합친다. 이렇게 프린터 제조 회사별로 생성된 벡터를 서포트 벡터 머신에 이용하여 훈련시키고, 컬러 레이저 프린터를 판별하는데 이용한다.

사용하는 도메인 영역에 대하여 RGB 영역보다 HSV 영역에서 프린터마다 많이 차이가 나타나는 것을 발견하였다. HSV 영역은 사람이 컬러 감각을 경험하고 묘사하는 방식에 대해 RGB 시스템보다 훨씬 더 가깝다. H 영역은 색상(hue), 채도(saturation), 및 값(value)은 대략적으로 tint(밝은 색조/흰색과 혼합된 순수 색조/색), shade(어두운 색조/ 검정과 혼합된 순수 색조/농도), tone(회색조/검정과 흰색 둘 다 혼합된 순수 색조/농담)을 칭한다. HSV 영역으로 표현한 영상의 예제는 도 7과 같다.

도 8은 본 발명의 실시예에 따른 이산 웨이블릿 변환과 명암도 동시 발생 행렬을 활용한 특징 추출 과정을 설명하는 블록도이다.

이산 웨이블릿 변환을 수행하여 변환된 영역 중에서 컬러 노이즈의 정보를 갖고 있는 HH 영역에 대해 명암도 동시 발생 행렬로 변형 후, 이에 대하여 질감 분석을 위한 대조, 상관 계수, 합계, 유사성, 및 공분산을 계산하여 특징으로 사용한다. 명암 동시 발생 행렬은 0도, 45도, 90도, 135도의 4가지 방향성에 대하여 계산을 수행하였다. 이와 같은 이산 웨이블릿 변환과 명암도 동시 발생 행렬을 이용한 제안한 알고리즘의 특징 추출 과정은 도 8과 같다.

이산 웨이블릿 변환

이산 웨이블릿 변환(Discrete Wavelet Transform: DWT)을 이용하여 컬러 프린터를 판별하는 방법은 출력하려는 영상이 컬러 레이저 프린터로 출력될 때 색을 재구성하는 방법이 프린터마다 다르다는 점을 기초로 하여 착안한 것이다. Choi는 이산 웨이블릿 변환을 통하여 만들어진 고주파(HH) 영역은 컬러 노이즈들에 대한 정보를 담고 있는데, 이는 컬러 레이저 프린터마다 많이 다르다는 것을 활용하여 프린터 판별 알고리즘을 제안하였다.

이산 웨이블릿 변환의 기본적은 동작은 n개의 샘플을 갖는 이산 신호에 적용된다. 신호에 대해 한 쌍의 필터를 적용시켜 저주파 대역과 고주파 대역으로 분리한다. 각 대역은 2라는 요소로 서브 샘플링 되었으므로 n/2개의 샘플을 포함한다. 2차원 영상의 각 행에 대해 저역 통과 필터와 고역 통과 필터를 적용시키고 2로 다운 샘플링을 수행하면 4개의 서브 영상 LL, LH, HL, HH가 생성된다. 이러한 4개의 서브 밴드 영상을 결합하여 원본 영상 및 동일한 샘플의 개수를 갖는 출력 영상이 만들어진다. 참고로 LL은 원본 영상에 수평 및 수직 방향으로 저역 통과 필터를 적용하여 2로 서브 샘플링된 것이고, HL은 수직 방향으로 고역 통과 필터를 적용한 것으로 수직 방향의 주파수의 오차 성분을 포함하고 있다. LH는 수평 방향으로 고역 통과 필터를 적용한 것으로 수평 방향 주파수의 오차 성분을 포함하고, HH는 수평 및 수직 방향에 고역 통과 필터를 적용한 것이다.

도 9는 본 발명의 실시예에 따른 DWT 1 레벨의 필터구조를 나타낸 블록도이다. 이산 웨이블릿 변환의 필터 구조는 도 9와 같으며, Lo_D은 저역 필터를 거친 데이터를 의미하고 Hi_D는 고역 통과 필터를 거친 데이터를 의미한다. 영상 영역을 우선 가로 방향으로 고역 통과 필터 및 저역 통과 필터를 통해 두 대역으로 나누게 된다. 그 결과 데이터를 반만 취하는 다운 샘플링 과정을 수행한다. 다시 두 신호를 세로 방향으로 고역 필터와 저역 필터로 나누게 되고 다시 각 데이터는 다운 샘플링된다. 그렇게 분석하고자 하는 영역을 4개의 영역으로 나누어지게 되고 그 결과 고역 통과 필터를 두 번 걸친 HH 영역이 나타나게 된다.

도 10은 본 발명의 실시예에 따른 DWT 2 레벨의 예제를 나타낸 도면이다. 이산 웨이블릿 변환을 거친 후 만들어지는 HH 영역은 도 10에서 자세하게 나타나 있다. 상기 HH 영역은 원본 영상의 노이즈가 남아 있다. Choi은 HH 공간 영역은 컬러 노이즈들에 대한 정보를 활용하기 위해 출력한 문서를 스캔한 후 RGB 영역과 YCbCr 영역에서 변환 후, 각 영역에 대해 이산 웨이블릿 변환을 수행하여 얻어진 HH 영역에 대해 R, G, B 각각의 영역에 대한 표준 편차, 왜도, 첨도를 분석하며 R과 G, G와 B, B,와 R 영역 간의 공분산과 상관계수를 분석한다. YCbCr 영역에서도 마찬가지로 Y, Cb, Cr 각각의 영역에 대한 표준편차, 왜도, 첨도를 분석하며 Y와 Cb, Cb와 Cr, Cr과 Y 영역 간의 공분산과 상관 계수를 분석한다. 이와 같이 추출된 30 가지의 특징점을 컬러 레이저 프린터를 판별하는데 이용한다.

명암도 동시 발생 행렬을 통한 특징 추출

화소 기반의 통계적 Texture 영상 생성을 위한 기본 개념은 Haralick et al.에 의해 제안된 명암도 동시 발생 행렬(Gray Level Co-occurrence Matrix)에 통해 체계화되었다. Texture 영상의 응용 연구에서는 영상 분류 단계에서 Texture 영상을 추가적으로 적용하는 경우, 정성적인 분류결과와 정량적인 분류 정확도의 향상에 Texture 영상이 유용한 자료임이 여러 사례연구에서 밝혀진 바 있다. 그러나 Texture 영상이 유용함에도 불구하고, Texture 영상의 선택 기준에 대한 연구 결과는 실제적으로 제시된 바가 거의 없다.

명암도 동시 발생 행렬은 영상 내에서 픽셀 간의 밝기값의 관계를 나타내는 방법으로 원본 영상 (i, j) 위치에 있는 인접한 두 픽셀의 값을 좌표값으로 이용하여 그러한 좌표값이 얼마나 자주 나오는지 세어 놓은 행렬이다. 두 점을 어떻게 선택할 것인가는 방향과 두 점 사이의 거리로 도 11과 같이 표현할 수 있다. 도 11은 본 발명의 실시예에 따른 명암도 동시 발생 행렬 방향성의 예를 나타낸 도면이다.

명암도 동시 발생 행렬로 변형된 영역에 대하여 표 1에 나타난 것과 같이, 유사성, 대조, 합계, 상관 계수, 및 공분산의 통계적인 특성을 사용하여 각 특징을 추출하였다.

추출된 특징을 SVM 분류기에 적용하여 디지털 인쇄기를 판별하였다. 제안한 알고리즘의 성능을 분석하기 위하여 총 2597장 영상과 7대 프린터(HP, 캐논, 제록스 DCC 400, 제록스 DCC 450, 제록스 DCC 5560, 제록스 DCC 6540, 코니카)를 가지고, 기존 방법과 비교 분석하였다.

표 1에는 본 발명의 실시예에 따른 명암도 동시 발생 행렬에 대한 특징점이 설명되어 있다.

학습 기반 데이터 분류기

본 발명서는 학습 기반 데이터 분류기로서 SVM 분류기를 사용하였다. 서포트 벡터 머신 분류기는 N 차원의 벡터 공간에서 분류하고자 하는 공간 사이에 모든 점들 사이의 거리를 최대화하도록 만들 수 있는 N-1 차원의 평면을 구한다. 이렇게 구해진 평면은, 특징점들을 분류해주는 하이퍼플레인이라 부른다.

본 발명에서 분류해야 하는 공간은 입력되는 출력물을 인쇄한 프린터의 수로서 N 차원이므로, 다중 클래스 분류를 할 수 있게 해 주는 LIBSVM 분류기를 사용하였다. LIBSVM은 unbalanced 클래스에 대한 penalty 부가 기능이 있다. 여러 그룹을 최대한 확실하게 분류하기 위해 사용자가 하이퍼플레인을 정하는데 있어서 LIBSVM을 사용하여 분류 오류를 최소화시킬 수 있다. 이렇게 해서 구해진 하이퍼플레인을 최대 마진 하이퍼플레인이라 불린다. 최대 마진 하이퍼플레인과 LIBSVM 분류기를 사용하여 임의의 데이터가 들어왔을 때 어느 그룹에 속하는지 정확히 분류할 수 있다. 또한, SVM 분류기의 커널은 RBF(Radial Basis Function)을 사용하였다. 도 12는 RBF 커널에 대한 SVM 분류기의 예로서 SVM 분류기에서 RBF 커널로 분류되는 벡터들의 집합 예를 표현하였다.

실험 결과

본 발명에 따른 방법의 성능을 분석하기 위해 프린터 제조사별 판별은 서로 다른 4대의 프린터와 각 프린터마다 371장씩 총 1484장의 영상을 이용하여 실험을 진행하였고, 같은 제조회사에서 만든 프린터를 판별하기 위해서 같은 제조사 별이지만 서로 다른 종류의 프린터 4대와 각 프린터마다 371장씩 총 1484장의 영상을 가지고 실험하였다. 제록스 사의 프린터 DCC400은 제조사별 판별과 같은 제조사별 판별에 모두 사용되었기 때문에 실험에 사용된 총 프린터 수는 7대이고 총 사용한 영상 개수는 2597장이다. 또한 Choi의 방법과 비교 분석을 수행하였다. 영상을 데이터를 취득하기 위하여 371장의 영상들을 컬러 레이저 프린터를 사용하여 출력하였다. 그 다음 스캐너로 스캔하여 영상을 디지털화하였다. 실험에 사용된 스캐너는 EPSON Perfection 2400이고, 300 dpi의 해상도로 스캔하였다. 영상의 크기는 256ㅧ256 크기로 맞추어 실험하였다. 실험에 이용한 영상 세트 중 일부는 도 13과 같다. 도 13은 실험에 쓰인 영상의 예이다.

앞서 설명한 것과 같이 제안하는 알고리즘 및 Choi의 알고리즘은 서포트 벡터 머신 분류기를 사용하므로, 훈련 과정과 판별 과정으로 구성된다. 성능 판별의 객관성 및 정확도를 위하여 훈련 영상과 테스트 영상은 무작위로 선택하여 제조사별 판별과 같은 제조사별 프린터 판별 모두 742장은 훈련 데이터로 쓰이고 나머지 742장은 테스트 데이터로 사용하였다. 훈련 데이터는 프린터당 185장씩을 사용하여 LIBSVM 분류기를 통하여 프린터의 각 영역을 분류하였다. RBF 커널을 사용하여 하이퍼플레인을 그리는데 가장 많은 영향을 미치는 c와 r을 8과 0.5로 설정하였다. 그리고 실험의 오류를 최소화하기 위해 Cross-validation 이라는 기법을 사용하여 훈련 데이터와 테스트 데이터를 바꾸어 테스트 데이터를 훈련 데이터로 쓰고 훈련 데이터를 테스트 데이터로 사용하여 2번의 실험을 하였다. 2개의 결과값을 평균 내어 최종 결과를 계산하였다.

스캔한 영상은 RGB 영역으로 표현된다. 이 원본 영상을 HSV 영역으로 변환하여 이산 웨이블릿 변환을 수행한 후 HH 영역을 얻는다. 좀 더 정확한 결과값을 도출하기 위해 HH 영역을 다시 명암 동시 발생 행렬로 변환하여 최종적으로 특징값을 구하는데 사용하였다.

제조사별 판별 성능 분석

동일한 실험 환경 하에서 Choi의 알고리즘과 제안하는 알고리즘을 사용하여 제조사별 판별 성능을 분석하였다. 실험에 사용된 컬러 레이저 프린터의 제조사는 표 2에 정리되어 있다. 표 2는 제조사별 프린터 판별 실험에 사용한 컬러 레이저 프린터이다.

본 발명의 실시예에 따른 이산 웨이블릿 변환을 이용한 Choi의 컬러 레이저 프린터 제조회사 판별 결과는 표 3에 제시하였으며, 본 발명의 실시예에 따른 명암 동시 발생 행렬을 이용한 컬러 레이저 프린터 제조사 판별 결과는 표 4에 나타나 있다.

제조사에 대한 판별율의 정확도에 대한 비교는 도 14에 도시되어 있다. 즉, 도 14는 본 발명의 실시예에 따른 프린터 제조사에 대한 Choi의 알고리즘과 제안하는 알고리즘의 정확도 분석 결과를 나타낸 그래프이다. 실험 결과, 본 발명의 방법의 프린터별 사이의 분류 결과는 96.9%로 이산 웨이블릿 변환을 이용하는 Choi의 분류 결과인 90.82% 보다 6% 정도 높게 나왔다. 또한 Choi의 알고리즘보다 제시하는 방법이 HP 프린터를 더 안정적으로 구별함으로써 4가지를 평균적으로 다 높게 판별함을 볼 수 있다. 따라서, 영상이 프린터에 의해 출력되는 방법이 프린터 제조회사별로 조금 씩 다른데, 제안하는 방법이 영상이 출력될 때 생기는 컬러 노이즈 특성을 올바르게 식별할 수 있음을 확인할 수 있다.

동일 제조사 제품의 판별성능

동일 제조사별 판별은 표 5에 나타난 것과 같이 제록스 사의 프린터를 사용하여 실험하였다. 다른 제조사별 판별 실험에 사용한 제록스 DCC400을 비롯해서 총 4대의 프린터를 사용하였다. 각 프린터마다 371장의 영상을 사용하여 1484장의 영상을 실험을 하는데 사용하였다.

실험 결과는 제조사별 실험 결과와 같은 방법으로 표 6 및 표 7에 비교하여 나타내었다. 같은 제조사별 판별율에 대한 정확한 비교는 도 15에 나타나 있다. Choi 방법의 경우 평균 67.93%의 정확도가 있었으나 제안하는 알고리즘의 경우 평균 79.23%의 정확도를 나타내었다. 이와 같은 결과를 통하여 제안하는 알고리즘이 동일 제조사의 프린터일지라도 영상에 존재하는 특징을 좀 더 정확히 구분할 수 있음을 확인할 수 있다. 표 5에는 같은 제조사별 프린터 판별 실험에 사용한 컬러 레이저 프린터가 설명되어 있다. 표 6에는 이산 웨이블릿 변환을 이용한 Choi의 동일제조사 컬러 레이저 프린터 판별 결과가 설명되어 있다. 표 7은 명암 동시 발생 행렬을 이용한 제안한 방법의 동일 제조사 컬러 레이저 프린터 판별 결과가 설명되어 있다.

도 15는 동일 제조사에 대한 Choi의 알고리즘과 제안하는 알고리즘의 정확도 분석 결과를 나타낸 그래프이다.

610: 특징점 추출기
620: 학습 기반 데이터 분류기