L'Error Level Analysis, ou ELA, est l'une des techniques de forensique d'image les plus connues — et aussi l'une des plus mal comprises. On la voit fleurir dans les discussions en ligne dès qu'une photo virale fait débat, brandie comme une preuve irréfutable de trucage. La réalité est plus nuancée. L'ELA est un outil utile, mais qui ne fonctionne que si l'on comprend ce qu'il mesure réellement et, surtout, ce qu'il ne mesure pas. Ce guide démystifie la méthode, vous apprend à lire une carte ELA sans tomber dans les pièges classiques, et explique pourquoi elle ne vaut que comme une pièce d'un puzzle plus large.
Qu'est-ce que l'Error Level Analysis ?
L'ELA est une technique d'analyse forensique qui exploite une propriété fondamentale du format JPEG : la compression « avec perte ». Lorsqu'une image JPEG est enregistrée, l'algorithme jette une partie de l'information pour réduire le poids du fichier. Cette perte n'est pas uniforme : elle dépend du contenu de chaque petit bloc de pixels.
L'idée centrale de l'ELA est simple. Si l'on recompresse une image JPEG à un niveau de qualité connu, puis qu'on compare le résultat à l'original, les zones qui ont déjà été compressées plusieurs fois réagissent différemment de celles qui ne l'ont été qu'une seule fois. En théorie, une partie de l'image qui a été ajoutée, collée ou retouchée — donc sauvegardée à un « âge de compression » différent du reste — ressort avec un niveau d'erreur distinct.
Pourquoi le JPEG est au cœur de la méthode
Le JPEG découpe l'image en blocs de 8×8 pixels et applique à chacun une transformation mathématique (la transformée en cosinus discrète). Plus une zone a été compressée de fois, plus elle se rapproche d'un « état stable » où une recompression supplémentaire change peu de chose. À l'inverse, une zone fraîchement introduite est encore « loin » de cet état : elle change davantage lors de la recompression.
C'est cette différence de réactivité que l'ELA tente de rendre visible. Le format JPEG est donc indispensable au principe : sur un PNG ou un fichier brut non compressé, l'ELA n'a tout simplement aucun sens.
Un peu d'histoire et de contexte
L'ELA s'est popularisée à la fin des années 2000, portée par des outils grand public qui la rendaient accessible en un clic. Elle a connu son heure de gloire lors de polémiques sur des photos de presse, de concours ou de réseaux sociaux, où des observateurs amateurs s'en servaient pour « démontrer » des trucages. Cette viralité a eu un effet pervers : la méthode est devenue à la fois sur-utilisée et mal employée. Beaucoup de « révélations » fondées sur l'ELA reposaient en réalité sur une mauvaise lecture des cartes, confondant bords nets et manipulations. Comprendre la méthode, c'est donc aussi comprendre pourquoi elle a généré autant de conclusions hâtives.
Compression, quantification et « niveau d'erreur »
Pour aller un cran plus loin sans entrer dans les équations : la compression JPEG repose sur une étape de « quantification » qui arrondit les coefficients de fréquence de chaque bloc. Cet arrondi est la source de la perte d'information. Quand on recompresse une image, les blocs déjà fortement arrondis bougent peu (ils sont déjà « calés » sur la grille de quantification), tandis que des contenus introduits avec un autre historique d'arrondi se réajustent davantage. Le « niveau d'erreur » mesuré par l'ELA n'est donc rien d'autre que l'ampleur de ce réajustement local. Cette nuance explique pourquoi l'ELA dépend autant de la qualité JPEG d'origine de l'image et de celle choisie pour la recompression.
Comment fonctionne concrètement une analyse ELA
Le déroulé d'une analyse ELA tient en quelques étapes que l'on peut résumer ainsi :
- On prend l'image à analyser (un JPEG).
- On la réenregistre à un niveau de qualité fixe et connu (souvent autour de 90–95 %).
- On calcule, pixel par pixel, la différence entre l'image d'origine et cette version recompressée.
- On amplifie cette différence pour la rendre visible : c'est la « carte ELA ».
Le résultat est une image où la luminosité de chaque point représente l'ampleur de l'erreur de compression à cet endroit. Les zones sombres ont peu changé ; les zones claires ont beaucoup changé.
Lire une carte ELA sans se tromper
Voici le point que la plupart des gens manquent : une carte ELA n'est jamais lue dans l'absolu, mais par cohérence relative. On ne cherche pas une zone « claire » ou « sombre » dans le vide. On cherche une zone qui se comporte différemment de ce que sa nature devrait impliquer.
Quelques repères de lecture :
- Les bords nets, les contours et les textures riches ressortent toujours plus que les surfaces lisses. C'est normal, ce n'est pas un trucage.
- Un ciel uni, une peau lisse ou un mur apparaissent naturellement sombres en ELA.
- Le signal suspect est une incohérence : un objet dont le niveau d'erreur tranche nettement avec des éléments de même nature ailleurs dans l'image, ou un contour qui « brille » alors que tout le reste a été aplati par des recompressions successives.
Ce que l'ELA peut détecter
Utilisée correctement, l'ELA peut mettre en évidence plusieurs types de manipulations :
- Le collage (splicing) : un élément importé d'une autre image conserve souvent un historique de compression différent.
- Le clonage / tampon : une zone dupliquée pour masquer un objet peut présenter une signature d'erreur incohérente avec son environnement.
- Les retouches localisées : un ajout de texte, le gommage d'un détail, l'incrustation d'un logo.
- Les recompressions multiples partielles : quand seule une partie de l'image a été ré-enregistrée après modification.
L'ELA est donc avant tout un détecteur de modifications locales sur des photographies JPEG. C'est là qu'elle est la plus pertinente, et son histoire la lie étroitement à l'analyse des photos d'actualité et de concours.
Ce que l'ELA ne peut PAS détecter
C'est ici que se concentrent la plupart des erreurs d'interprétation. L'ELA a des angles morts majeurs qu'il faut connaître avant d'en tirer la moindre conclusion.
- Les images entièrement générées par IA : une image produite de bout en bout par un modèle génératif est uniforme du point de vue de la compression. Il n'y a pas de zone « ajoutée » à un autre âge de compression — tout l'a été en même temps. L'ELA est donc largement aveugle aux images IA pures.
- Les modifications globales : un changement de luminosité, de contraste ou un filtre appliqué à toute l'image ne crée pas d'incohérence locale.
- Les images très recompressées : après plusieurs passages sur les réseaux sociaux, l'image atteint un état stable où toute trace de manipulation est noyée. L'ELA devient alors inexploitable.
- Les PNG, captures d'écran et fichiers non-JPEG : sans compression JPEG d'origine, la méthode n'a pas de base de travail.
Le piège des faux positifs
L'ELA génère beaucoup de faux positifs, et c'est sa principale faiblesse. Une zone à fort contraste, un bord net, une signature, un texte incrusté légitimement, un objet simplement plus détaillé que son entourage : tout cela peut « briller » sans la moindre manipulation frauduleuse. À l'inverse, un trucage habile sur une image déjà très compressée peut ne laisser aucune trace ELA visible. Une carte ELA n'est donc jamais une preuve à elle seule.
Tableau récapitulatif : forces et limites de l'ELA
| Aspect | ELA est pertinente | ELA est peu fiable |
|---|---|---|
| Format | JPEG d'origine | PNG, capture d'écran, RAW |
| Type de manipulation | Collage, clonage, retouche locale | Modification globale, filtre |
| Origine de l'image | Photographie modifiée | Image 100 % générée par IA |
| Historique du fichier | Compression modérée | Recompressions multiples (réseaux sociaux) |
| Nature du signal | Incohérence locale relative | Lecture en valeur absolue |
| Valeur probante | Indice à corroborer | Preuve isolée |
Exemple concret : lire une carte ELA pas à pas
Prenons un cas typique pour ancrer la théorie. Imaginons une photo de paysage urbain, sur laquelle un panneau publicitaire aurait été ajouté.
- Observation globale : sur la carte ELA, le ciel et les façades lisses apparaissent sombres (peu d'erreur), tandis que les arêtes des immeubles, les fenêtres et le feuillage brillent (beaucoup de détails, donc beaucoup d'erreur). Tout ceci est normal.
- Repérage de l'anomalie : le panneau publicitaire, lui, présente un contour anormalement net et un niveau d'erreur uniforme qui tranche avec les objets voisins de même type. C'est un premier signal.
- Comparaison interne : on compare ce panneau à un autre panneau réellement présent dans la scène d'origine. Si les deux devraient avoir une signature comparable mais ne l'ont pas, le doute se renforce.
- Recoupement : on regarde si le bord du panneau coïncide avec une « cassure » dans la texture de l'image, signe d'un collage.
Notez que rien de tout cela n'est une preuve. Un panneau peut légitimement avoir un autre historique de compression sans pour autant être un trucage. L'ELA pointe une zone à examiner ; ce sont d'autres méthodes qui confirment ou infirment.
Les pièges classiques de lecture
- Confondre bord net = trucage. Faux : les bords brillent toujours.
- Croire qu'une zone sombre = zone authentique. Faux : une surface lisse est sombre par nature.
- Lire une carte sans référence interne, dans l'absolu.
- Travailler sur un fichier déjà recompressé par une plateforme.
La place de l'ELA dans une analyse multi-couches
La leçon essentielle est qu'une analyse sérieuse ne repose jamais sur l'ELA seule. Elle constitue une couche parmi d'autres, à croiser systématiquement. Avant même de regarder une carte ELA, il faut examiner le contexte du fichier : ses métadonnées EXIF et ce qu'elles révèlent sur une image renseignent sur l'appareil, la date et l'éventuel passage par un logiciel d'édition.
Pour distinguer une photographie authentique d'une image synthétique — là où l'ELA est aveugle — il faut d'autres méthodes : l'analyse du bruit du capteur (PRNU) qui constitue une empreinte d'appareil, les signatures statistiques propres aux générateurs, et les détecteurs de vision IA. La démarche complète est détaillée dans notre guide pour détecter une image générée par IA en croisant tous les signaux.
C'est exactement cette logique qu'applique TruthLens : l'ELA pixel par pixel n'est qu'une brique d'un pipeline qui combine EXIF, C2PA, vision IA, signatures de générateurs et PRNU. Le verdict ne vient jamais d'un seul test, mais de la convergence de couches indépendantes. Vous pouvez soumettre une image à cette analyse complète en quelques secondes et obtenir un rapport motivé.
Pourquoi un rapport certifié change tout
Pour un usage à valeur probante — presse, assurance, contentieux — il ne suffit pas de produire une carte ELA. Il faut un document opposable, daté et intègre. Un rapport certifié avec empreinte SHA-256 et horodatage garantit que l'analyse n'a pas été altérée a posteriori. C'est le sujet de notre guide sur comment certifier l'authenticité d'une image ou d'une vidéo.
Bonnes pratiques pour utiliser l'ELA
Si vous manipulez vous-même l'ELA, gardez ces principes en tête :
- Travaillez sur le fichier original, jamais sur une capture d'écran ou une version re-téléchargée d'un réseau social.
- Ne lisez jamais une carte ELA seule : comparez les zones de même nature entre elles.
- Méfiez-vous de votre intuition : les bords et textures brillent toujours, ce n'est pas un indice de fraude.
- Croisez avec les métadonnées et au moins une autre méthode forensique.
- Documentez votre raisonnement : une conclusion défendable explique pourquoi une incohérence est suspecte, pas seulement qu'elle « brille ».
Conclusion : un outil utile, pas une baguette magique
L'Error Level Analysis reste un outil pédagogique formidable pour comprendre comment la compression JPEG trahit certaines manipulations. Mais sa réputation de « détecteur de Photoshop » universel est largement surfaite. Elle est aveugle aux images IA, sensible aux faux positifs, et inutilisable sur des fichiers trop dégradés. Sa vraie valeur se révèle quand elle s'intègre à une analyse multi-couches comme celle de TruthLens, corroborée par d'autres signaux et consignée dans un rapport certifié. C'est cette rigueur méthodologique — et non un test isolé — qui permet de répondre sérieusement à la question « cette image a-t-elle été truquée ? ».
FAQ
L'ELA prouve-t-elle qu'une image a été truquée ?
Non. Une carte ELA met en évidence des incohérences de compression, qui peuvent indiquer une manipulation — mais aussi correspondre à des bords nets, des textures ou du texte parfaitement légitimes. L'ELA est un indice à corroborer, jamais une preuve isolée. Une conclusion sérieuse croise toujours plusieurs méthodes.
L'ELA fonctionne-t-elle sur les images générées par IA ?
Très mal. Une image entièrement produite par un modèle génératif est homogène du point de vue de la compression : aucune zone n'a été ajoutée à un « âge » différent. L'ELA n'a alors rien à révéler. Pour les images IA, il faut d'autres approches : vision IA, signatures de générateurs, watermarks et analyse du bruit.
Pourquoi ne faut-il pas utiliser une capture d'écran pour l'ELA ?
Parce qu'une capture d'écran réenregistre l'image dans un nouveau JPEG, effaçant l'historique de compression d'origine. Toute trace de manipulation antérieure est noyée dans cette nouvelle couche uniforme. L'ELA doit toujours s'appuyer sur le fichier original, intact.
Quel niveau de qualité utiliser pour la recompression ELA ?
Il n'existe pas de valeur unique idéale, mais une qualité élevée (souvent 90–95 %) est courante car elle amplifie suffisamment les différences sans les saturer. L'important est surtout de comparer des zones de même nature entre elles plutôt que de se fier à un seuil absolu, qui n'a pas de signification universelle.