Бинаризация изображения статической подписи: предобработка и оценка качества

В статье мы представляем сравнительное исследование методов бинаризации цветных изображений статических подписей, выполненных шариковыми ручками разных типов и цветов. Бинаризация представления подписи – это первый шаг перед вычислением ее признаков и анализом подлинности. Из-за неравномерности нанесения на бумагу пасты особую сложность представляют изображения подписей, выполненных шариковыми ручками. Выполнено сравнение методов предобработки цифровых изображений подписей, направленных на сохранение формы линий на их бинарном представлении. Сравнительный анализ методов бинаризации цветных изображений подписи выполнен на примере четырех методов, относящихся к разным классам: с глобальным порогом (Отсу, Капура), с локально-адаптивным порогом (Саувола) и метод прямого индексирования цветового пространства RGB на белые и черные пиксели. Впервые предложены эмпирические объективные критерии качества бинарного представления подписи в отсутствие ее эталона, основанные на анализе связных компонент и скелета бинарного представления подписи. Эксперименты выполнялись на изображениях из общедоступной базы CEDAR и базе подписей, собранных в процессе исследований. Показано, что метод Капура обеспечивает наилучшее сохранение формы подписи на ее бинарном представлении, превосходя остальные методы, включая популярный метод Отсу. Формирование бинарного представления подписи предлагается выполнять в четыре этапа: сканирование подписи в цвете (модель RGB) с разрешением 300 или 600 DPI, преобразование цветного изображения в полутоновое методом PCA, бинаризацию методом Капура, постобработку бинарного изображения. Данная методика формирования бинарного изображения подписи ориентирована на разработку систем верификации статических подписей.

1. Singla, A. Exploring offline signature verification techniques: A survey based on methods and future directions / A. Singla, A. Mittal // Multimedia Tools and Applications. 2024. Vol. 84, № 6. P. 2835–2875. DOI: /10.1007/s11042-024-20454-x.

2. Sezgin, M. Survey over image thresholding techniques and quantitative performance evaluation / M. Sezgin, B. Sankur // Journal of Electronic Imaging. 2004. Vol. 13, № 1. P. 146–168. DOI: /10.1117/1.1631315.

3. Comprehensive review on document image binarization / Bataineh B. [et. al.] // Journal of Imaging. 2025. Vol. 11. P. 133. DOI: /10.3390/jimaging11050133.

4. Ntirogiannis, K. Performance evaluation methodology for historical document image binarization / K. Ntirogiannis, B. Gatos, I. Pratikakis // IEEE Transactions on Image Processing. 2013. Vol. 22, № 2. P. 595–609. DOI: /10.1109/tip.2012.2219550.

5. Machine learning-based offline signature verification systems: A systematic review / M. M. Hameed, R. Ahmad, M. L. M. Kiah, G. Murtaza // Signal Processing: Image Communication. 2021. Vol. 93. P. 116139. DOI: /10.1016/j.image.2021.116139.

6. Otsu, N. A threshold selection method from gray-level histograms / N. Otsu // IEEE Transactions on Systems, Man, and Cybernetics. 1979. Vol. 9, № 1. P. 62–66. DOI: /10.1109/tsmc.1979.4310076.

7. Zack, G. W. Automatic measurement of sister chromatid exchange frequency / G. W. Zack, W. E. Rogers, S. A. Latt // Journal of Histochemistry & Cytochemistry. 1977. Vol. 25, № 7. P. 741–753. DOI: /10.1177/25.7.70454.

8. Kittler, J. Minimum error thresholding / J. Kittler, J. Illingworth // Pattern Recognition. 1986. Vol. 19, № 1. P. 41–47. DOI: /10.1016/0031-3203(86)90030-0.

9. Kapur, J. N. A new method for gray-level picture thresholding using the entropy of the histogram / J. N. Kapur, P. K. Sahoo, A. K. Wong // Computer Vision, Graphics, and Image Processing. 1985. Vol. 29, № 1. P. 140. DOI: /10.1016/s0734-189x(85)90156-2.

10. Tsallis, C. Possible generalization of Boltzmann-Gibbs statistics / C. Tsallis // Journal of Statistical Physics. 1988. Vol. 52, № 1–2. P. 479–487. DOI: /10.1007/bf01016429.

11. Sauvola, J. Adaptive document image binarization / J. Sauvola, M. Pietikainen // Pattern Recognition. 2000. Vol. 33, № 2. P. 225–236. DOI: /10.1016/s0031-3203(99)00055-2.

12. Yang, Y. An adaptive logical method for binarization of degraded document images / Y. Yang, H. Yan // Pattern Recognition. 2000. Vol. 33, № 5. P. 787–807. DOI: /10.1016/s0031-3203(99)00094-1.

13. Gatos, B. Adaptive degraded document image binarization / B. Gatos, I. Pratikakis, S. J. Perantonis // Pattern Recognition. 2006. Vol. 39, № 3. P. 317 – 327. DOI: /10.1016/j.patcog.2005.09.010.

14. Bernsen, J. Dynamic thresholding of gray-level images / J. Bernsen // 8th International conference on pattern recognition : proceedings, Paris, October 27–31, 1986. Paris, 1986. P. 1251–1255.

15. Niblack, W. An Introduction to Digital Image Processing / W. Niblack. Birceroed : Strandberg Publishing Company, 1985. 215 p.

16. Thomas, S. W. Efficient inverse color map computation / S. W. Thomas // Graphics Gems II. 1991. P. 116–125. DOI: /10.1016/b978-0-08-050754-5.50034-7.

17. Дворкович, В. П. Цифровые видеоинформационные системы (теория и практика) / В. П. Дворкович, А. В. Дворкович. Москва : Техносфера, 2012. 1008 c. URL: https://www.iprbookshop.ru/26907.html (date of access: 20.01.2026).

18. Старовойтов, В. В. Методы сегментации цветных изображений / В. В. Старовойтов, М. А. Талеб. Минск, 1999. 44 с. (Препринт / Ин-т техн. кибернетики НАНБ ; № 1).

19. Kalera, M. K. Offline signature verification and identification using distance statistics / M. K. Kalera, S. Srihari, A. Xu // International Journal of Pattern Recognition and Artificial Intelligence. 2004. Vol. 18, № 7. P. 1339–1360. DOI: /10.1142/s0218001404003630.

20. Голуб, Ю. И. Безэталонная оценка качества цифрового изображения статической подписи / Ю. И. Голуб // Системный анализ и прикладная информатика. 2024. № 4. С. 54–62. DOI: /10.21122/2309-4923-2024-4-54-52.