ELA ANALYSIS
El Análisis de Nivel de Error (ELA) es una técnica forense digital que identifica manipulaciones en imágenes comprimidas (como JPEG) detectando diferencias microscópicas en la tasa de compresión de los píxeles. Resalta digitalmente los empalmes, recortes o textos añadidos, ya que las regiones alteradas muestran una firma térmica de compresión discordante con la imagen original.
Un falsificador novato se preocupa por difuminar bien los bordes de Photoshop. Un falsificador experto se preocupa por igualar la iluminación. Pero ambos olvidan algo crítico: la termodinámica de los píxeles. El ELA es el polígrafo absoluto del formato JPEG. Cuando alguien altera una imagen, deja un rastro radiactivo de compresión que es invisible al ojo desnudo, pero que grita "fraude" bajo la lupa de un algoritmo forense.
01. ¿Cómo funciona Error Level Analysis?
El formato JPEG es un algoritmo de compresión "con pérdida". Cada vez que guardas una imagen JPEG, pierde calidad matemática. Sin embargo, todas las partes de una fotografía genuina deben degradarse al mismo ritmo y poseer el mismo Nivel de Error Base.
Si un atacante recorta un objeto de la Foto A y lo pega en la Foto B, está introduciendo píxeles que traen una historia de compresión completamente diferente. Al someter esta nueva imagen compuesta a un análisis ELA, el algoritmo vuelve a guardar la imagen en un 90% de calidad y resta matemáticamente la imagen original de la nueva versión comprimida. El resultado ilumina las áreas manipuladas como un faro de neón en la oscuridad.
# Motor Básico de Error Level Analysis (PIL / OpenCV) def generate_ela(image_path, resave_quality=90): original = Image.open(image_path) # Forzar segunda compresión para medir degradación original.save("temp_artifact.jpg", 'JPEG', quality=resave_quality) compressed = Image.open("temp_artifact.jpg") # Resta matricial (Absoluta diferencia) ela_image = ImageChops.difference(original, compressed) # Normalización para amplificar la manipulación visual extrema = ela_image.getextrema() max_diff = max([ex[1] for ex in extrema]) scale_factor = 255.0 / max_diff return ImageEnhance.Brightness(ela_image).enhance(scale_factor)
02. Casos de Uso y Limitaciones Forenses
El ELA no detecta directamente modelos de IA generativa, pero es la guillotina absoluta para las técnicas clásicas de Cheapfake. Soluciona los tres vectores principales de fraude documental:
- Splicing (Empalme): Copiar un elemento de una fotografía y pegarlo en otra. Bajo ELA, el objeto alienígena brillará intensamente o permanecerá negro como el carbón en comparación con su entorno.
- Falsificación Documental (Facturas y DNI): Si un atacante altera un número en un contrato escaneado (PDF/JPEG) utilizando herramientas de texto, los nuevos píxeles generados chocarán con la alta compresión del fondo escaneado.
- Clonado / Airbrushing (Borrados): Cuando se utiliza el "tampón de clonar" para eliminar a una persona o marca de agua, se destruye la matriz 8x8 de los bloques JPEG. El ELA expondrá una nube de ruido inconsistente en esa área exacta.
03. Más allá de ELA: Análisis Multivectorial
Cuidado con los falsos positivos. Una imagen guardada masivamente en WhatsApp reduce su calidad hasta el punto en que el ELA pierde efectividad. Para una condena forense válida (compliance legal), ELA nunca debe usarse aislado. Debe cruzarse imperativamente con la extracción del Ruido PRNU del Sensor y una auditoría severa en Análisis EXIF (Metadata).
Protegiendo la Evidencia: Fraude en PDFs y JPGs
Aprende a interpretar mapas de calor ELA para destapar alteraciones en nóminas, facturas y documentos de identidad KYC.
LA VERDAD ES ESCANEABLE
No apruebes ningún documento KYC sin escrutar sus píxeles. Pasa tus facturas e imágenes por nuestro analizador forense para detectar empalmes al instante.
Escanear Evidencia Gráfica