Was ist Template Matching? Eine kurze Anleitung

Bilder enthalten oft viele winzige Details, die Menschen leicht erkennen. Für Maschinen ist diese Aufgabe jedoch nicht so einfach. Maschinen nehmen ein digitales Bild als Raster aus Pixelwerten wahr, und schon kleine Änderungen bei Beleuchtung, Winkel, Maßstab oder Schärfe können sie vor Herausforderungen stellen.

Die Bildanalysefähigkeiten einer Maschine beruhen im Allgemeinen auf zwei eng verwandten Bereichen der Informatik: Bildverarbeitung und Computer Vision. Obwohl sie oft zusammen eingesetzt werden, verfolgen sie unterschiedliche Hauptziele.

Bei der Bildverarbeitung werden Bilder als Rohdaten behandelt. Bilder können damit verbessert werden, ihr Inhalt wird jedoch nicht interpretiert. Hier kommt Computer Vision ins Spiel. Computer Vision ist ein Teilgebiet der künstlichen Intelligenz (KI), das es Maschinen ermöglicht, Bilder und Videos zu verstehen.

Einfache Bildverarbeitung gibt es schon seit vielen Jahren, doch moderne Fortschritte bei Computer Vision sind noch recht neu. Ein guter Einstieg in die Geschichte des Fachgebiets ist ein Rückblick darauf, wie wir diese Probleme früher mit älteren, herkömmlicheren Methoden gelöst haben.

Nehmen wir zum Beispiel den Bildabgleich. Dabei handelt es sich um eine gängige Computer-Vision-Aufgabe, bei der ein System feststellen muss, ob ein bestimmtes Objekt oder Muster in einem größeren Bild vorkommt.

Heutzutage lässt sich das mithilfe von KI und Deep Learning einfach und genau umsetzen. Vor dem Aufkommen moderner neuronaler Netze in den 2010er-Jahren war die übliche Methode jedoch ein viel einfacheres Verfahren namens Vorlagenabgleich.

Abb. 1: Ein Beispiel für Vorlagenabgleich (Quelle)

Vorlagenabgleich ist ein Bildverarbeitungsverfahren, bei dem eine kleine Vorlage Pixel für Pixel über ein größeres Bild geschoben wird. Mit diesem gleitenden, faltungsähnlichen Verfahren kann der Algorithmus die Stelle finden, die dem jeweiligen Muster am ähnlichsten ist.

In diesem Artikel untersuchen wir, was Template Matching ist und wie moderne Verbesserungen es in realen Situationen zuverlässiger machen.

Was ist Vorlagenabgleich?#

Vorlagenabgleich lässt sich auch als klassisches Computer-Vision-Verfahren bezeichnen. Das bedeutet, dass direkt mit den Bildpixeln gearbeitet wird, also den kleinsten Einheiten eines digitalen Bildes. Das Verfahren dient dazu, ein kleineres Muster in einem größeren Bild zu finden.

Solche Verfahren beruhen auf Geometrie, Optik und mathematischen Regeln, statt große Modelle mit umfangreichen Datensätzen zu trainieren. Anders gesagt vergleicht ein Vorlagenabgleichssystem Helligkeit, Farbe und andere Pixelinformationen zweier Eingaben: des Eingabebildes (des größeren Bildes) und eines kleineren Vorlagenbildes (des zu findenden Musters).

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

Das Hauptziel des Vorlagenabgleichs ist es, die Stelle zu finden, an der die Vorlage in der größeren Szene erscheint, und zu messen, wie gut sie mit den verschiedenen Bildbereichen übereinstimmt. Dazu verschiebt der Algorithmus die Vorlage über das größere Bild und berechnet an jeder Position einen Ähnlichkeitswert.

Bereiche mit höheren Werten gelten als beste Treffer, da sie der Vorlage stark ähneln. Da sich diese Methode auf pixelweise Vergleiche stützt, funktioniert sie am besten in kontrollierten Umgebungen, in denen sich das Aussehen von Objekten nicht ändert.

Vorlagenabgleich kann zum Beispiel bei der Etikettenprüfung in der Qualitätskontrolle eingesetzt werden. Dabei lässt sich die Vorlage eines Etiketts einfach mit Bildern des fertigen Produkts abgleichen, um zu prüfen, ob das Etikett vorhanden ist.

So funktioniert Vorlagenabgleich#

Hier findest du eine schrittweise Übersicht darüber, wie Vorlagenabgleich funktioniert:

• Schritt 1 – Bilder vorbereiten: Zunächst werden das Eingabebild und das Vorlagenbild geladen und beide in Graustufenbilder umgewandelt. Da beim Vorlagenabgleich Pixelwerte verglichen werden, verringert das Entfernen der Farbinformationen das Rauschen und beschleunigt die Bildverarbeitung.
• Schritt 2 – Vorlage über das Bild schieben: Anschließend verschiebt der Vorlagenabgleichsalgorithmus die Vorlage Pixel für Pixel über das größere Bild, beginnend oben links. Jeder Schritt dieser Bewegung ist eine Iteration, bei der der Algorithmus aus dem Quellbild einen Bildausschnitt extrahiert, der die Größe der Vorlage hat.
• Schritt 3 – Qualität des Abgleichs messen: Jeder Bildausschnitt wird mithilfe eines mathematischen Abgleichverfahrens mit der Vorlage verglichen. So entsteht für jede mögliche Position ein Korrelationsmaß beziehungsweise Korrelationswert. Zu den gängigen Verfahren zählen quadrierte Differenzen (sie messen den numerischen Abstand zwischen den Pixelintensitäten, um die gesamte Abweichung zu berechnen), die normalisierte Kreuzkorrelation (sie multipliziert Pixelwerte, um festzustellen, wie gut Helligkeits- und Dunkelmuster übereinstimmen) und der Korrelationskoeffizient (er zieht die durchschnittliche Helligkeit ab, damit der Abgleich auch bei leichten Beleuchtungsänderungen genau bleibt).
• Schritt 4 – Besten Treffer ermitteln: Nachdem alle Positionen bewertet wurden, wählt der Algorithmus je nach verwendetem Verfahren den höchsten oder niedrigsten Wert als besten Treffer aus. Häufig wird auf diese Ergebnisse ein Schwellenwert angewendet, damit nur Treffer mit einem ausreichend hohen Konfidenzwert akzeptiert werden. So werden schwache oder falsche Erkennungen herausgefiltert.
• Schritt 5 – Ergebnis hervorheben: Zum Schluss wird die erkannte Stelle auf das Originalbild übertragen. In der Regel wird ein Begrenzungsrahmen um den abgeglichenen Bereich gezeichnet, der deutlich zeigt, wo die Vorlage vorkommt.

Vorlagenabgleich praktisch ausprobieren#

Obwohl Template Matching auf Grundlage der Bildverarbeitung wegen seiner Nachteile im Allgemeinen nicht bei dynamischen Computer-Vision-Lösungen im praktischen Einsatz verwendet wird, kannst du es ausprobieren, wenn du möchtest. Python-Bibliotheken wie OpenCV machen den Ablauf einfach und bieten leicht verständliche Tutorials. OpenCV verfügt über die integrierte Funktion matchTemplate, die die komplexen mathematischen Vergleiche übernimmt.

Außerdem unterstützt OpenCV weitere Funktionen für einfache Aufgaben, etwa das Laden von Bildern mit imread und die Umwandlung von Farben mit cvtColor, um Bilder in Graustufen umzuwandeln. Die Farbkonvertierung ist ein wichtiger Schritt, denn durch die Reduktion eines Bildes auf einen einzelnen Intensitätskanal werden die mathematischen Vergleiche in matchTemplate deutlich schneller und weniger anfällig für Farbrauschen.

Sobald du die Ähnlichkeitskarte erstellt hast, bietet OpenCV auch die Funktion minMaxLoc, um die Erkennung abzuschließen. Damit kannst du die gesamte Karte durchsuchen und die globalen Minimal- und Maximalwerte samt ihren genauen Koordinaten ermitteln. Je nach verwendetem Abgleichverfahren kannst du mit minMaxLoc die Position des besten Treffers sofort bestimmen, indem du in den Daten die höchste Korrelation oder den geringsten Fehlerwert findest.

Neben OpenCV sind Bibliotheken wie NumPy unverzichtbar, um Bildarrays zu verarbeiten und einen Schwellenwert auf die Ergebnisse anzuwenden. Matplotlib wird häufig verwendet, um die Ähnlichkeitskarte und das abschließende Erkennungsergebnis darzustellen. Zusammen bilden diese Werkzeuge eine vollständige Umgebung zum Entwickeln und Debuggen einer Lösung für den Vorlagenabgleich.

Anwendungen des Vorlagenabgleichs in der Praxis#

Nachdem wir nun besser verstehen, wie Vorlagenabgleich funktioniert, sehen wir uns seine Anwendung in realen Szenarien genauer an.

Traditionelle Architekturstile erkennen#

Im Bereich des Kulturerbes und der Architekturwissenschaft müssen Forschende Fotos historischer Gebäude, Tempel und Denkmäler analysieren, um zu verstehen, wie sich Gestaltungsmuster zwischen Regionen unterscheiden. Bevor fortgeschrittene Computer-Vision-Modelle weit verbreitet waren, nutzten sie Bildabgleichverfahren, um solche Bauwerke zu untersuchen.

Mit Vorlagenabgleich können Forschende gezielt architektonische Merkmale wie Dachkonturen, Fensteranordnungen oder Wandmotive untersuchen. Indem sie Vorlagen oder Referenzbilder über größere Bilder verschieben, können sie wiederkehrende Formen erkennen und die manuelle Bildanalyse reduzieren, die Stunden dauern kann.

Ein interessantes Beispiel ist eine Studie zu traditionellen Häusern in Indonesien. Die Forschenden erstellten kleine Vorlagen charakteristischer Merkmale und verglichen diese mit vollständigen Fotografien. Mit diesem Ansatz wurden Bildbereiche hervorgehoben, die den Vorlagen stark ähnelten, und Architekturstile verschiedener Regionen klassifiziert.

Abb. 3: Vorlagenabgleich zur Klassifizierung traditioneller Häuser in Indonesien (Quelle)

Objekterkennung in industriellen Bildverarbeitungssystemen#

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

Einfach gesagt kann eine Bauteilvorlage verwendet werden, um Bilder einer Produktionslinie zu durchsuchen und Bereiche hervorzuheben, die der Vorlage entsprechen. Das funktioniert gut, wenn Teile an gleichbleibenden Positionen erscheinen und die Beleuchtung stabil ist.

Erkennung von Lungentumoren mit Template Matching#

Trotz der großen Auswirkungen moderner Technologien auf die Gesundheitsversorgung ist es nach wie vor schwierig, gesundheitliche Probleme anhand medizinischer Bildgebung wie CT-Aufnahmen zu diagnostizieren. Früher mussten Radiologen jeden Bildausschnitt manuell überprüfen – ein Verfahren, das höchste Präzision und viel Zeit erfordert.

Bevor Deep Learning im Gesundheitswesen eingesetzt wurde, versuchten Forschende, den Arbeitsablauf mit Vorlagenabgleich zu vereinfachen und die Erkennung von Auffälligkeiten zu unterstützen. Ein gutes Beispiel für dieses Verfahren ist die Erkennung von Lungentumoren oder -knötchen.

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

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

Vor- und Nachteile des Vorlagenabgleichs#

Hier sind einige wichtige Vorteile des Template Matchings:

• Intuitiv und unkompliziert: Template Matching ist leicht zu verstehen und umzusetzen und eignet sich daher ideal als Einstieg für Anfänger in KI und Computer Vision.
• Zuverlässig unter kontrollierten Bedingungen: Bei gleichmäßiger Beleuchtung funktioniert es mit Graustufenbildern gut und liefert genaue Ergebnisse, wenn Muster und Hintergründe stabil sind.
• Einfache Integration: Mit Python-Bibliotheken wie OpenCV lässt sich Template Matching ohne aufwendige Einrichtung oder hohen Rechenaufwand schnell in realen Projekten einsetzen.

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

• Empfindlich gegenüber Skalierung und Drehung: Abweichungen bei Größe oder Ausrichtung der Vorlage können die Genauigkeit verringern.
• Abhängigkeit von Beleuchtung und Kontrast: Änderungen der Beleuchtung oder des Kontrasts zwischen Vorlage und Bild können zu falschen Treffern führen oder die Erkennung der Vorlage erschweren.
• Begrenzte Anpassungsfähigkeit: Anders als KI-basierte Methoden kann Template Matching nicht aus Daten lernen und sich im Laufe der Zeit verbessern. Am besten funktioniert es unter kontrollierten Bedingungen oder in wiederkehrenden Einsatzszenarien.

Die wichtigsten Erkenntnisse#

Computer Vision ist ein weitläufiges Gebiet, das viele verschiedene Verfahren umfasst. Das Erlernen traditioneller Bildverarbeitungstechniken wie Template Matching ist ein guter Ausgangspunkt, um zu verstehen, wie Bildanalyse funktioniert. Moderne Modelle für visuelle KI bauen auf denselben grundlegenden Konzepten auf und lösen ähnliche Probleme.

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