¿Qué es la correspondencia de imágenes en la IA de visión? Breve introducción

Al mirar dos imágenes del mismo objeto, como un cuadro y una fotografía de un coche, es fácil darse cuenta de lo que tienen en común. Sin embargo, para las máquinas no es tan sencillo.

Para hacer este tipo de comparaciones, las máquinas se basan en la visión artificial, una rama de la inteligencia artificial (AI) que les ayuda a interpretar y comprender la información visual. La visión artificial permite a los sistemas detectar objetos, comprender escenas y extraer patrones de imágenes o vídeos.

En particular, algunas tareas visuales van más allá del análisis de una sola imagen. Consisten en comparar imágenes para encontrar similitudes, detectar diferencias o hacer un seguimiento de cambios a lo largo del tiempo.

La IA visual abarca un amplio conjunto de técnicas y una capacidad esencial, conocida como correspondencia de imágenes, se centra en identificar similitudes entre imágenes, aunque varíen la iluminación, los ángulos o los fondos. Esta técnica puede utilizarse en distintas aplicaciones, como la robótica, la realidad aumentada y la cartografía geográfica.

En este artículo veremos en qué consiste la correspondencia de imágenes, cuáles son sus técnicas principales y algunas de sus aplicaciones en el mundo real.

¿Qué es la correspondencia de imágenes?#

La correspondencia de imágenes permite a un sistema informático determinar si dos imágenes contienen contenido similar. Las personas podemos hacerlo de forma intuitiva al fijarnos en las formas, los colores y los patrones.

En cambio, los ordenadores se basan en datos numéricos. Analizan las imágenes examinando cada píxel, la unidad más pequeña de una imagen digital.

Cada imagen se almacena como una cuadrícula de píxeles y, normalmente, cada píxel contiene valores de rojo, verde y azul (RGB). Estos valores pueden cambiar cuando se gira o se cambia el tamaño de una imagen, cuando se observa desde otro ángulo o cuando se captura con distintas condiciones de iluminación. Debido a estas variaciones, comparar las imágenes píxel a píxel suele ser poco fiable.

Para que las comparaciones sean más coherentes, la correspondencia de imágenes se centra en características locales, como esquinas, bordes y regiones con textura, que suelen mantenerse estables aunque una imagen cambie ligeramente. Al detectar estas características, o puntos clave, en varias imágenes, un sistema puede compararlas con mucha más precisión.

Este proceso se utiliza ampliamente en aplicaciones como la navegación, la localización, la realidad aumentada, la cartografía, la reconstrucción 3D y la búsqueda visual. Cuando los sistemas identifican los mismos puntos en distintas imágenes o varios fotogramas, pueden seguir movimientos, comprender la estructura de una escena y tomar decisiones fiables en entornos dinámicos.

Fig. 1. Ejemplo de correspondencia de imágenes de coches en la que se identifican puntos clave similares. (Fuente)

Cómo funciona la correspondencia de imágenes#

La correspondencia de imágenes consta de varios pasos clave que ayudan a los sistemas a identificar y comparar regiones similares dentro de las imágenes. Cada paso mejora la precisión, la coherencia y la robustez en distintas condiciones.

A continuación, se explica paso a paso cómo funciona la correspondencia de imágenes:

• Detección de características: El sistema identifica primero los puntos clave distintivos de una imagen que siguen siendo reconocibles aunque cambien la iluminación, la escala o el ángulo de visión. Estos resaltan zonas como esquinas, bordes o regiones con textura que destacan visualmente.
• Descripción de características: A continuación, cada punto clave se convierte en un descriptor, un vector numérico compacto que recoge el patrón visual que lo rodea. Estos descriptores ofrecen una forma fiable de comparar características entre distintas imágenes.
• Correspondencia de características: Los descriptores de dos imágenes se comparan mediante algoritmos de correspondencia que calculan su grado de similitud. Este paso empareja los puntos clave que parecen corresponderse y filtra las coincidencias menos sólidas o poco fiables.
• Verificación geométrica: Por último, el sistema comprueba si los puntos clave coincidentes forman una relación geométrica realista. Elimina las coincidencias incorrectas (denominadas valores atípicos) mediante un método conocido como RANSAC (Random Sample Consensus), que garantiza que solo se conserven los pares de puntos fiables. Una vez identificadas las coincidencias correctas, el sistema calcula la transformación que relaciona mejor las dos imágenes. A menudo se trata de una transformación afín, que ajusta cambios como el escalado, la rotación y el desplazamiento, o de una homografía, que también puede corregir los cambios de perspectiva. Gracias a estas transformaciones, el sistema puede alinear las imágenes con precisión, incluso si se capturaron desde puntos de vista ligeramente distintos.

Fig. 2. (a) Extracción de puntos característicos y (b) correspondencia de características. (Fuente)

Técnicas clave utilizadas en la correspondencia de imágenes#

Antes de explorar las aplicaciones reales de la correspondencia de imágenes, echemos un vistazo más de cerca a las técnicas de correspondencia de imágenes utilizadas en los sistemas de visión artificial.

Correspondencia de imágenes basada en la comparación de plantillas#

La correspondencia de plantillas es uno de los métodos más sencillos para encontrar coincidencias entre imágenes. Generalmente se considera una técnica de procesamiento de imágenes, en lugar de un método moderno de visión artificial, porque se basa en comparaciones directas de píxeles y no extrae características visuales más profundas.

Se utiliza para localizar una imagen de referencia más pequeña, o plantilla, dentro de una escena más grande. Funciona mediante un algoritmo que desplaza una plantilla por la imagen principal y calcula una puntuación de similitud en cada posición para medir en qué medida coinciden las dos regiones. La zona con la puntuación más alta se considera la mejor coincidencia e indica dónde es más probable que aparezca el objeto en la escena.

Fig. 3. Un vistazo al uso de la comparación de plantillas. (Fuente)

Esta técnica funciona bien cuando la escala, la rotación y la iluminación del objeto se mantienen constantes, por lo que es una buena opción para entornos controlados o comparaciones de referencia. Sin embargo, su rendimiento disminuye cuando el objeto tiene un aspecto distinto al de la plantilla, por ejemplo, si cambia de tamaño, gira, queda parcialmente ocluido o aparece sobre un fondo con ruido o complejo.

Técnicas clásicas basadas en características para la correspondencia de imágenes#

Antes de que el aprendizaje profundo se adoptara de forma generalizada, la correspondencia de imágenes se basaba principalmente en algoritmos clásicos de visión artificial que detectaban puntos clave distintivos en una imagen. En lugar de comparar cada píxel, estos métodos analizan los gradientes de la imagen, es decir, los cambios de intensidad, para resaltar esquinas, bordes y regiones con textura que destacan.

A continuación, cada punto clave detectado se representa mediante un resumen numérico compacto llamado descriptor. Al comparar dos imágenes, un algoritmo de correspondencia evalúa estos descriptores para encontrar los pares más similares.

Una puntuación de similitud alta suele indicar que el mismo punto físico aparece en ambas imágenes. Los algoritmos de correspondencia también utilizan métricas de distancia o reglas de puntuación específicas para evaluar en qué medida se alinean las características, lo que mejora la fiabilidad general.

Estos son algunos de los principales algoritmos clásicos de visión artificial utilizados para la correspondencia de imágenes:

• SIFT (transformación de características invariante a la escala): Identifica puntos clave analizando los gradientes de intensidad de la imagen, lo que permite reconocerlos aunque la imagen se amplíe, se reduzca o se rote.
• SURF (características robustas aceleradas): Este algoritmo es similar a SIFT, pero está optimizado para ofrecer velocidad. Utiliza aproximaciones rápidas de operaciones basadas en gradientes, por lo que es adecuado para aplicaciones que requieren tiempos de respuesta breves.
• ORB (FAST orientado y BRIEF rotado): Combina dos algoritmos llamados FAST y BRIEF. FAST encuentra rápidamente puntos similares a esquinas en una imagen, mientras que BRIEF crea una descripción compacta de cada punto para poder establecer correspondencias entre imágenes. ORB también mejora ambos pasos al incorporar el tratamiento de la rotación, por lo que es rápido y fiable.

Fig. 4. Puntos característicos SURF extraídos y emparejados entre dos imágenes. (Fuente)

Técnicas de correspondencia de imágenes basadas en el aprendizaje profundo#

A diferencia de los métodos clásicos, que se basan en reglas específicas, el aprendizaje profundo aprende características automáticamente a partir de grandes conjuntos de datos, es decir, colecciones de datos visuales de las que los modelos de IA aprenden patrones. Estos modelos suelen ejecutarse en GPU (unidades de procesamiento gráfico), que proporcionan la gran potencia computacional necesaria para procesar grandes lotes de imágenes y entrenar redes neuronales complejas de forma eficiente.

Esto permite que los modelos de IA gestionen cambios del mundo real, como variaciones de iluminación, ángulos de cámara y oclusiones. Algunos modelos también combinan todos los pasos en un único flujo de trabajo, lo que permite un rendimiento robusto en condiciones difíciles.

Estos son algunos enfoques de aprendizaje profundo para extraer características de imágenes y establecer correspondencias:

• Extracción de características basada en CNN: Estos modelos aprenden automáticamente patrones visuales clave a partir de grandes conjuntos de datos. Reconocen características que difícilmente cambian, lo que permite establecer correspondencias fiables entre objetos de distintas escenas.
• Correspondencia basada en incrustaciones: En lugar de comparar los píxeles directamente, este método convierte las imágenes en representaciones numéricas compactas conocidas como incrustaciones. A continuación, el sistema compara estas incrustaciones para encontrar imágenes similares. Modelos como FaceNet, que genera incrustaciones para reconocer y comparar rostros, y CLIP, que proyecta imágenes y texto en un espacio compartido para tareas como la búsqueda de imágenes y la correspondencia semántica, utilizan este enfoque.
• Flujos de trabajo de correspondencia de extremo a extremo: Los sistemas modernos de aprendizaje profundo suelen combinar la detección de puntos clave, la descripción y la correspondencia en un flujo de trabajo unificado. Modelos como SuperPoint y D2-Net aprenden tanto los puntos clave como los descriptores directamente de los mapas de características de CNN, mientras que SuperGlue actúa como un sistema de correspondencia aprendido que empareja estos descriptores de forma más fiable que los métodos tradicionales. En conjunto, estos componentes crean un flujo de trabajo de extremo a extremo que ofrece más precisión y robustez en condiciones difíciles que los enfoques clásicos basados en características.
• Correspondencia basada en Transformer: Este método utiliza mecanismos de atención para vincular regiones correspondientes entre dos imágenes, lo que permite alinear parches incluso cuando hay grandes cambios de perspectiva, iluminación o textura. Modelos como LoFTR (Transformer de características locales) logran una precisión mucho mayor porque el campo receptivo global del Transformer permite establecer correspondencias fiables en zonas con poca textura, borrosas o repetitivas, donde los detectores tradicionales fallan. LoFTR genera correspondencias semidensas y de alta confianza, y supera ampliamente a los métodos anteriores más avanzados en pruebas de referencia tanto en interiores como en exteriores.
• Modelos centrados en la eficiencia: Los modelos de correspondencia de imágenes más recientes aspiran a ofrecer una gran precisión y ejecutarse más rápido. Modelos como LightGlue están diseñados para funcionar eficientemente en dispositivos con recursos computacionales limitados y mantener una buena calidad de correspondencia.

Aplicaciones reales de la correspondencia de imágenes#

Ahora que entendemos mejor cómo funciona la correspondencia de imágenes, veamos algunas aplicaciones reales en las que desempeña un papel importante.

Robótica más inteligente gracias a la correspondencia de imágenes#

Los robots suelen operar en entornos concurridos y cambiantes, donde necesitan entender qué objetos hay y cómo están colocados. La correspondencia de imágenes puede ayudar a los robots a entender los objetos que ven comparándolos con imágenes almacenadas o de referencia. Así, a estos robots les resulta más fácil reconocer objetos, seguir sus movimientos y adaptarse incluso cuando cambian la iluminación o los ángulos de cámara.

Por ejemplo, en un almacén, un sistema robótico de recogida y colocación puede utilizar la correspondencia de imágenes para identificar y manipular distintos artículos. Primero, el robot agarra un objeto y, después, compara su imagen con muestras de referencia para identificarlo.

Fig. 5. Un robot reconoce y recoge objetos comparándolos con imágenes de referencia. (Fuente)

Una vez encontrada la coincidencia, el robot sabe cómo clasificar o colocar correctamente el objeto. Este enfoque permite a los robots reconocer objetos conocidos y nuevos sin volver a entrenar todo el sistema. También les ayuda a tomar mejores decisiones en tiempo real, como organizar estanterías, ensamblar piezas o recolocar artículos.

Mejora de la reconstrucción 3D mediante una mejor correspondencia de imágenes#

En ámbitos como la cartografía con drones, la realidad virtual y la inspección de edificios, los sistemas suelen tener que reconstruir un modelo 3D a partir de varias imágenes 2D. Para ello, se basan en la correspondencia de imágenes para identificar puntos clave comunes, como esquinas o regiones con textura, que aparecen en varias imágenes.

Estos puntos compartidos ayudan al sistema a entender cómo se relacionan las imágenes entre sí en el espacio 3D. Esta idea está estrechamente relacionada con la estructura a partir del movimiento (SfM), una técnica que crea estructuras 3D identificando y emparejando puntos clave en imágenes capturadas desde distintos puntos de vista.

Si la correspondencia no es precisa, el modelo 3D resultante puede aparecer distorsionado o incompleto. Por este motivo, los investigadores trabajan para mejorar la fiabilidad de la correspondencia de imágenes para la reconstrucción 3D, y los avances recientes han dado resultados prometedores.

Un ejemplo interesante es HashMatch, un algoritmo de correspondencia de imágenes más rápido y robusto. HashMatch convierte los detalles de las imágenes en patrones compactos llamados códigos hash, lo que facilita identificar las correspondencias correctas y eliminar los valores atípicos, incluso cuando varían la iluminación o los puntos de vista.

Al probarlo con conjuntos de datos a gran escala, HashMatch generó modelos de reconstrucción 3D más limpios y realistas, con menos errores de alineación. Esto lo hace especialmente útil para aplicaciones como la cartografía con drones, los sistemas de RA y la conservación del patrimonio cultural, en las que la precisión es fundamental.

El papel de la correspondencia de imágenes en la realidad aumentada#

En la realidad aumentada (RA), mantener los objetos virtuales alineados con el mundo real suele ser todo un reto. Los entornos exteriores pueden cambiar constantemente en función de las condiciones ambientales, como la luz solar y el tiempo. Las pequeñas diferencias en el mundo real pueden hacer que los elementos virtuales parezcan inestables o ligeramente desplazados.

Para resolver este problema, los sistemas de RA utilizan la correspondencia de imágenes para interpretar su entorno. Al comparar los fotogramas capturados en directo por la cámara con imágenes de referencia almacenadas, pueden determinar dónde está el usuario y cómo ha cambiado la escena.

Fig. 6. Puntos característicos emparejados entre dos imágenes. (Fuente: theijes.com)

Por ejemplo, en un estudio sobre entrenamiento de RA en exteriores de estilo militar con gafas XR (realidad extendida), los investigadores utilizaron SIFT y otros métodos basados en características para emparejar detalles visuales entre imágenes reales y de referencia. Las correspondencias precisas mantuvieron los elementos virtuales correctamente alineados con el mundo real, incluso cuando el usuario se movía rápidamente o cambiaba la iluminación.

Conclusiones clave#

La correspondencia de imágenes es un componente fundamental de la visión artificial, ya que permite a los sistemas entender cómo se relacionan entre sí distintas imágenes o cómo cambia una escena con el tiempo. Desempeña un papel crucial en la robótica, la realidad aumentada, la reconstrucción 3D, la navegación autónoma y muchas otras aplicaciones reales en las que la precisión y la estabilidad son esenciales.

Gracias a modelos avanzados de IA como SuperPoint y LoFTR, los sistemas actuales son mucho más robustos que los métodos anteriores. A medida que siguen avanzando las técnicas de aprendizaje automático, los módulos de visión especializados, las redes neuronales y los conjuntos de datos, es probable que la correspondencia de imágenes sea más rápida, precisa y adaptable.

Únete a nuestra creciente comunidad y explora nuestro repositorio de GitHub para acceder a recursos prácticos de IA. Para crear soluciones con IA de visión hoy mismo, explora nuestras opciones de licencia. Descubre cómo la IA en la agricultura está transformando el sector agrícola y cómo la IA de visión en la sanidad está dando forma al futuro en nuestras páginas de soluciones.