Was ist Template Matching? Eine kurze Anleitung

Bilder enthalten oft viele winzige Details, die Menschen leicht erkennen können. Für Maschinen ist diese Aufgabe jedoch nicht so einfach. Maschinen nehmen ein digitales Bild als Raster aus Pixelwerten wahr, und selbst geringe Änderungen bei Beleuchtung, Winkel, Maßstab oder Schärfe können verwirrend sein.

Die Bildanalysefähigkeiten einer Maschine stammen im Allgemeinen aus zwei eng verwandten Bereichen der Informatik: Bildverarbeitung und Computer Vision. Obwohl sie oft zusammenarbeiten, verfolgen sie unterschiedliche Hauptziele.

Die Bildverarbeitung konzentriert sich auf Bilder als Rohdaten. Sie kann Bilder verbessern, versucht jedoch nicht, deren Inhalte zu verstehen. Genau hier macht Computer Vision den Unterschied. Computer Vision ist ein Teilbereich der künstlichen Intelligenz (AI), der es Maschinen ermöglicht, Bilder und Videos zu verstehen.

Die grundlegende Bildverarbeitung gibt es schon seit vielen Jahren, doch wegweisende Innovationen im Bereich Computer Vision sind deutlich jüngeren Datums. Eine gute Möglichkeit, die Geschichte dieses Gebiets zu verstehen, besteht darin, darauf zurückzublicken, wie wir diese Probleme früher mit älteren, traditionelleren Methoden gelöst haben.

Nehmen wir zum Beispiel das Abgleichen von Bildern. Dabei handelt es sich um eine häufige Aufgabe der Computer Vision, bei der ein System feststellen muss, ob ein bestimmtes Objekt oder Muster in einem größeren Bild vorhanden ist.

Heutzutage lässt sich dies mithilfe von AI und Deep Learning einfach und präzise erledigen. Vor dem Aufkommen moderner neuronaler Netze in den 2010er-Jahren war die bevorzugte Methode jedoch eine deutlich einfachere Technik namens Template Matching.

Abb. 1. Ein Beispiel für Template Matching (Quelle)

Template Matching ist eine Bildverarbeitungstechnik, bei der ein kleines Vorlagenbild Pixel für Pixel über ein größeres Bild verschoben wird. Dieser gleitende, faltungsähnliche Prozess ermöglicht es dem Algorithmus, die Position zu finden, die diesem bestimmten Muster am ähnlichsten ist.

In diesem Artikel sehen wir uns an, was Template Matching ist und wie moderne Verbesserungen es in realen Situationen zuverlässiger machen. Beginnen wir!

Was ist Template Matching?#

Template Matching kann auch als klassische Computer-Vision-Technik bezeichnet werden. Das bedeutet, dass es direkt mit Bildpixeln arbeitet, der kleinsten Einheit eines digitalen Bildes. Es wird verwendet, um ein kleineres Muster in einem größeren Bild zu finden.

Methoden wie diese werden durch Geometrie, Optik und mathematische Regeln definiert, anstatt große Modelle mit umfangreichen Datensätzen zu trainieren. Anders ausgedrückt vergleicht ein Template-Matching-System die Helligkeit, Farbe und andere Pixelinformationen zweier Eingaben: des Eingabebildes, also des größeren Bildes, und eines kleineren Vorlagenbildes, also des zu suchenden Musters.

Abb. 2. Bild A und Bild B sind Beispiele für Vorlagen. (Quelle)

Das Hauptziel von Template Matching besteht darin, die Stelle zu lokalisieren, an der die Vorlage in der größeren Szene erscheint, und zu messen, wie gut sie mit verschiedenen Bildbereichen übereinstimmt. Der Template-Matching-Algorithmus verschiebt die Vorlage dazu über das größere Bild und berechnet an jeder Position einen Ähnlichkeitswert.

Bereiche mit höheren Werten gelten als beste Übereinstimmung, da sie der Vorlage stark ähneln. Da diese Methode auf Pixel-für-Pixel-Vergleichen beruht, funktioniert sie am besten in kontrollierten Umgebungen, in denen sich das Erscheinungsbild von Objekten nicht verändert.

Template Matching kann beispielsweise bei der Etikettenprüfung in der Qualitätskontrolle eingesetzt werden. Das Vorlagenbild der Etiketten lässt sich problemlos mit Bildern des fertigen Produkts abgleichen, um zu prüfen, ob die Etiketten vorhanden sind.

So funktioniert Template Matching#

Hier ist eine schrittweise Übersicht darüber, wie Template Matching funktioniert:

• Schritt 1 – Vorbereiten der Bilder: Der Prozess beginnt mit dem Laden des Eingabebildes und des Vorlagenbildes und anschließend mit der Umwandlung beider Bilder in Graustufenbilder. Da Template Matching auf dem Vergleich von Pixelwerten beruht, verringert das Entfernen von Farbinformationen das Rauschen und beschleunigt die Bildverarbeitung.

• Schritt 2 – Verschieben der Vorlage über das Bild: Als Nächstes verschiebt der Template-Matching-Algorithmus die Vorlage Pixel für Pixel über das größere Bild, beginnend in der oberen linken Ecke. Jeder Bewegungsschritt ist eine Iteration, bei der der Algorithmus aus dem Quellbild einen Bildausschnitt extrahiert, der der Größe der Vorlage entspricht.

• Schritt 3 – Bewerten der Übereinstimmung: Jeder Bildausschnitt wird mithilfe einer mathematischen Abgleichmethode mit der Vorlage verglichen, um für jede mögliche Position eine Korrelationsmetrik oder einen Korrelationswert zu erzeugen. Zu den gängigen Ansätzen gehören quadratische Differenzen, die den numerischen Abstand zwischen Pixelintensitäten messen, um die gesamte Abweichung zu berechnen, die normalisierte Kreuzkorrelation, bei der Pixelwerte multipliziert werden, um die Übereinstimmung von Hell-Dunkel-Mustern zu bestimmen, sowie der Korrelationskoeffizient, bei dem die durchschnittliche Helligkeit abgezogen wird, damit die Übereinstimmung auch bei geringfügigen Änderungen der Beleuchtung präzise bleibt.

• Schritt 4 – Ermitteln der besten Übereinstimmung: Nachdem alle Positionen bewertet wurden, wählt der Algorithmus je nach verwendeter Methode die beste Übereinstimmung aus, indem er den Maximal- oder Minimalwert ermittelt. Auf diese Ergebnisse wird häufig ein Schwellenwert angewendet, damit nur Übereinstimmungen mit einem ausreichend hohen Vertrauenswert akzeptiert werden und schwache oder falsche Erkennungen herausgefiltert werden.

• Schritt 5 – Hervorheben des Ergebnisses: Abschließend wird die erkannte Position auf das Originalbild zurückübertragen. Typischerweise wird ein Begrenzungsrahmen um den übereinstimmenden Bereich gezeichnet, der klar zeigt, wo die Vorlage erscheint.

Template Matching praktisch ausprobieren#

Obwohl Template Matching auf Basis der Bildverarbeitung aufgrund seiner Nachteile in der Regel nicht bei der Bereitstellung dynamischer Computer-Vision-Lösungen in der realen Welt eingesetzt wird, kannst du es bei Interesse ausprobieren. Python-Bibliotheken wie OpenCV machen diesen Prozess unkompliziert und bieten leicht verständliche Tutorials. OpenCV verfügt über eine integrierte Funktion namens matchTemplate, die die komplexen mathematischen Vergleiche übernimmt.

Außerdem unterstützt OpenCV weitere Funktionen für einfache Aufgaben, etwa das Laden von Bildern mit der Funktion imread und die Farbumwandlung mit der Funktion cvtColor, um Bilder in Graustufen umzuwandeln. Die Farbumwandlung ist ein entscheidender Schritt, da die Reduzierung eines Bildes auf einen einzigen Intensitätskanal den mathematischen Vergleich innerhalb von matchTemplate deutlich schneller und weniger anfällig für Farbrauschen macht.

Sobald du die Ähnlichkeitskarte erstellt hast, enthält OpenCV außerdem die Funktion minMaxLoc, um die Erkennung abzuschließen. Damit lässt sich die gesamte Karte durchsuchen, um die globalen Minimal- und Maximalwerte sowie deren exakte Koordinaten zu ermitteln. Je nach verwendeter Abgleichmethode kannst du mit minMaxLoc die Position der besten Übereinstimmung sofort bestimmen, indem du die höchste Korrelation oder den niedrigsten Fehlerwert in den Daten findest.

Neben OpenCV sind Bibliotheken wie NumPy unverzichtbar für die Verarbeitung der Bild-Arrays und die Anwendung eines Schwellenwerts auf die Ergebnisse, während Matplotlib häufig zur Visualisierung der Ähnlichkeitskarte und der abschließenden Erkennung verwendet wird. Zusammen bieten diese Werkzeuge eine vollständige Umgebung zum Entwickeln und Debuggen einer Lösung für Template Matching.

Praktische Anwendungen von Template Matching#

Nachdem wir nun besser verstanden haben, wie Template Matching funktioniert, sehen wir uns seine Anwendung in realen Szenarien genauer an.

Traditionelle Architekturstile erkennen#

In der Denkmalpflege und Architekturforschung müssen Forschende Fotos historischer Gebäude, Tempel und Monumente analysieren, um zu verstehen, wie sich Gestaltungsmuster zwischen Regionen unterscheiden. Bevor fortschrittliche Computer-Vision-Modelle weit verbreitet waren, nutzten sie Bildabgleichverfahren, um solche Bauwerke zu untersuchen.

Mit Template Matching können Forschende sich auf bestimmte architektonische Merkmale konzentrieren, etwa Dachumrisse, Fensteranordnungen oder Wandmotive. Indem sie Vorlagen oder Referenzbilder über größere Bilder verschieben, können sie wiederkehrende Formen erkennen und die manuelle Bildanalyse reduzieren, die mehrere Stunden dauern kann.

Ein interessantes Beispiel stammt aus einer Studie zu traditionellen indonesischen Häusern. Die Forschenden erstellten kleine Vorlagen charakteristischer Merkmale und verglichen sie mit Fotografien in Originalgröße. Mit diesem Ansatz wurden Bildbereiche hervorgehoben, die der Vorlage stark ähnelten, und Architekturstile in verschiedenen Regionen klassifiziert.

Abb. 3. Template Matching zur Klassifizierung traditioneller Häuser in Indonesien (Quelle)

Objekterkennung in industriellen Bildverarbeitungssystemen#

Industrielle Umgebungen können von Bildverarbeitungssystemen profitieren, die Komponenten schnell erkennen, Baugruppen überprüfen oder Fehler feststellen. Bevor Deep Learning in der Fertigung weit verbreitet war, experimentierten viele Teams mit Bildabgleichverfahren, um diese Aufgaben zu automatisieren.

Einfach ausgedrückt kann eine Referenzvorlage für ein Bauteil verwendet werden, um Bilder aus einer Produktionslinie zu durchsuchen und Bereiche hervorzuheben, die mit der Vorlage übereinstimmen. Das funktioniert gut, wenn die Teile an gleichbleibenden Positionen erscheinen und die Beleuchtung stabil ist.

Template Matching zur Erkennung von Lungentumoren#

Auch wenn modernste Technologien das Gesundheitswesen verändern, ist die Diagnose von Gesundheitsproblemen anhand medizinischer Bildgebung, etwa CT-Aufnahmen, weiterhin schwierig. Traditionell mussten Radiologinnen und Radiologen jeden Bildausschnitt manuell prüfen – ein Prozess, der höchste Präzision und viel Zeit erfordert.

Bevor Deep Learning im Gesundheitswesen eingesetzt wurde, versuchten Forschende, Template Matching zu nutzen, um den Arbeitsablauf zu optimieren und die Erkennung von Auffälligkeiten zu unterstützen. Ein gutes Beispiel für diese Technik ist die Erkennung von Lungentumoren oder -knötchen.

Bei dieser Methode erstellen Forschende Referenzvorlagen, die die typische Form und Intensität eines Tumors darstellen. Das System verschiebt diese Vorlagen anschließend über die Aufnahmen der Patientinnen und Patienten und misst an jeder Koordinate die Ähnlichkeit.

Abb. 4. Erkennung von Lungentumoren mit Template Matching (Quelle)

Vor- und Nachteile von Template Matching#

Hier sind einige wichtige Vorteile von Template Matching:

• Intuitiv und unkompliziert: Template Matching ist leicht zu verstehen und zu implementieren und damit ein idealer Einstieg für Anfängerinnen und Anfänger in AI und Computer Vision.
• Zuverlässig unter kontrollierten Bedingungen: Die Methode funktioniert gut bei Graustufenbildern und gleichbleibender Beleuchtung und liefert präzise Ergebnisse, wenn Muster und Hintergründe stabil sind.
• Einfache Integration: Mit Python-Bibliotheken wie OpenCV lässt sich Template Matching ohne komplexe Einrichtung oder hohen Rechenaufwand schnell auf reale Projekte anwenden.

Template Matching bietet zwar viele Vorteile, hat aber auch Einschränkungen. Hier sind einige Herausforderungen, die du berücksichtigen solltest:

• Empfindlich gegenüber Maßstab und Drehung: Abweichungen bei Größe oder Ausrichtung der Vorlage können die Genauigkeit verringern.
• Abhängigkeit von Beleuchtung und Kontrast: Änderungen bei Beleuchtung oder Kontrast zwischen Vorlage und Bild können zu falschen Übereinstimmungen führen oder die Erkennung der Vorlage erschweren.
• Begrenzte Anpassungsfähigkeit: Im Gegensatz zu AI-basierten Methoden kann Template Matching nicht aus Daten lernen oder sich mit der Zeit verbessern. Die Methode funktioniert am besten in kontrollierten oder sich wiederholenden Umgebungen.

Wichtige Erkenntnisse#

Computer Vision ist ein umfangreiches Gebiet und umfasst verschiedene Techniken. Das Erlernen traditioneller Bildverarbeitungsverfahren wie Template Matching ist ein guter Ausgangspunkt, um zu verstehen, wie Bildanalyse funktioniert. Wegweisende Innovationen im Bereich Vision AI bauen auf denselben grundlegenden Konzepten auf und lösen ähnliche Probleme.

Möchtest du mehr über AI erfahren? Tritt unserer Community bei und sieh dir unser GitHub-Repository an. Erfahre, wie AI im Einzelhandel und Vision AI in der Fertigung Veränderungen vorantreiben. Entdecke unsere Lizenzoptionen, um noch heute mit Vision AI zu entwickeln!