¿Qué es la coincidencia de plantillas? Una guía rápida

Las imágenes suelen contener muchos detalles minuciosos que los humanos pueden detectar fácilmente. Sin embargo, para las máquinas, esta tarea no es tan sencilla. Las máquinas perciben una imagen digital como una cuadrícula de valores de píxeles, e incluso cambios leves en la iluminación, el ángulo, la escala o la nitidez pueden ser confusos.

Las capacidades de análisis de imágenes de una máquina provienen generalmente de dos campos de la informática estrechamente relacionados: el procesamiento de imágenes y la visión artificial. Aunque a menudo trabajan juntos, tienen propósitos fundamentales diferentes.

El procesamiento de imágenes se centra en las imágenes como datos sin procesar. Puede mejorar las imágenes, pero no intenta entender su contenido. Ahí es donde la visión artificial marca la diferencia. La visión artificial es una rama de la inteligencia artificial (IA) que permite a las máquinas entender imágenes y vídeos.

El procesamiento básico de imágenes existe desde hace muchos años, pero las innovaciones de vanguardia en visión artificial son mucho más recientes. Una excelente manera de comprender la historia del campo es observar cómo solíamos resolver estos problemas utilizando métodos más antiguos y tradicionales.

Toma como ejemplo la correspondencia de imágenes. Es una tarea de visión común donde un sistema tiene que averiguar si un objeto o patrón específico existe dentro de una imagen más grande.

Hoy en día, esto se puede hacer de forma fácil y precisa utilizando IA y aprendizaje profundo (deep learning). Sin embargo, antes del auge de las redes neuronales modernas en la década de 2010, el método preferido era una técnica mucho más sencilla llamada correspondencia de plantillas (template matching).

Fig 1. Un ejemplo de correspondencia de plantillas (Fuente)

La correspondencia de plantillas es una técnica de procesamiento de imágenes donde una pequeña imagen de plantilla se desliza sobre una imagen más grande píxel por píxel. Este proceso de deslizamiento, similar a una convolución, permite al algoritmo encontrar la ubicación que más se ajusta a ese patrón específico.

En este artículo, exploraremos qué es la correspondencia de plantillas y cómo las mejoras modernas la hacen más fiable en situaciones del mundo real. ¡Empecemos!

Link to this section¿Qué es la correspondencia de plantillas?#

La correspondencia de plantillas también puede denominarse técnica clásica de visión artificial, lo que significa que trabaja directamente con los píxeles de la imagen (la unidad más pequeña de una imagen digital). Se utiliza para encontrar un patrón más pequeño dentro de una imagen más grande.

Los métodos como este se definen utilizando geometría, óptica y reglas matemáticas en lugar de entrenar grandes modelos con conjuntos de datos masivos. En otras palabras, un sistema de correspondencia de plantillas compara el brillo, el color y otra información de los píxeles en dos entradas: la imagen de entrada (la imagen más grande) y una imagen de plantilla más pequeña (el patrón a buscar).

Fig 2. La Imagen A y la Imagen B son ejemplos de plantillas. (Fuente)

El objetivo principal de la correspondencia de plantillas es localizar dónde aparece la plantilla en la escena más grande y medir cuánto coincide con diferentes regiones de la imagen. El algoritmo de correspondencia de plantillas hace esto deslizando la plantilla sobre la imagen más grande y calculando una puntuación de similitud en cada posición.

Las regiones con puntuaciones más altas se consideran la mejor coincidencia, lo que significa que se parecen mucho a la plantilla. Dado que este método se basa en comparaciones píxel a píxel, funciona mejor en entornos controlados, donde la apariencia de los objetos no cambia.

Por ejemplo, la correspondencia de plantillas puede utilizarse en tareas de verificación de etiquetas en el control de calidad. Puede hacer coincidir fácilmente la imagen de la plantilla de las etiquetas con las imágenes del producto terminado para comprobar si las etiquetas están presentes o no.

Link to this sectionCómo funciona la correspondencia de plantillas#

Aquí tienes una descripción paso a paso de cómo funciona la correspondencia de plantillas:

• Paso 1 - Preparación de las imágenes: El proceso comienza cargando la imagen de entrada y la imagen de plantilla, luego convirtiendo ambas a una imagen en escala de grises. Dado que la correspondencia de plantillas se basa en comparar los valores de los píxeles, eliminar la información de color reduce el ruido y acelera el procesamiento de la imagen.

• Paso 2 - Deslizar la plantilla sobre la imagen: A continuación, el algoritmo de correspondencia de plantillas desliza la plantilla sobre la imagen más grande píxel a píxel (empezando por la esquina superior izquierda). Cada paso en este movimiento es una iteración, donde el algoritmo extrae un parche de imagen de la imagen fuente que coincide con el tamaño de la plantilla.

• Paso 3 - Medir la calidad de la coincidencia: Cada parche de imagen se compara con la plantilla utilizando un método matemático de correspondencia para generar una métrica de correlación o valor de correlación para cada posición posible. Los enfoques comunes incluyen diferencias al cuadrado (que miden la distancia numérica entre las intensidades de los píxeles para calcular la falta de coincidencia total), la correlación cruzada normalizada (multiplica los valores de los píxeles para determinar qué tan bien se alinean los patrones de luz y oscuridad) y el coeficiente de correlación (resta el brillo promedio para garantizar que la coincidencia siga siendo precisa incluso si la iluminación cambia un poco).

• Paso 4 - Identificar la mejor coincidencia: Después de evaluar todas las posiciones, el algoritmo selecciona la mejor coincidencia buscando el valor máximo o el valor mínimo, dependiendo del método utilizado. A menudo se aplica un umbral a estos resultados para garantizar que solo se acepten las coincidencias con una puntuación de confianza suficientemente alta, filtrando las detecciones débiles o incorrectas.

• Paso 5 - Resaltar el resultado: Finalmente, la ubicación detectada se mapea de nuevo en la imagen original. Normalmente, se dibuja un cuadro delimitador (BBox) alrededor de la región coincidente, mostrando claramente dónde aparece la plantilla.

Link to this sectionPoniéndote manos a la obra con la correspondencia de plantillas#

Aunque la correspondencia de plantillas basada en el procesamiento de imágenes generalmente no se utiliza en despliegues dinámicos de soluciones de visión artificial del mundo real debido a los inconvenientes que conlleva, si te interesa probarla, las bibliotecas de Python como OpenCV hacen que este proceso sea sencillo y además ofrecen tutoriales fáciles de seguir. Incluye una función matchTemplate integrada que maneja las complejas comparaciones matemáticas.

Además, es compatible con otras funciones que ayudan con tareas sencillas como cargar imágenes mediante la función imread y convertir el color usando la función cvtColor para transformar las imágenes a escala de grises. La conversión de color es un paso crítico porque reducir una imagen a un solo canal de intensidad hace que la comparación matemática dentro de matchTemplate sea mucho más rápida y menos sensible al ruido de color.

Una vez que hayas generado el mapa de similitud, OpenCV también incluye una función minMaxLoc para finalizar la detección. Se puede utilizar para escanear todo el mapa e identificar los valores globales mínimos y máximos junto con sus coordenadas exactas. Dependiendo del método de correspondencia utilizado, minMaxLoc te permite señalar al instante la ubicación de la mejor coincidencia encontrando la mayor correlación o el valor de error más bajo en los datos.

Además de OpenCV, las bibliotecas como NumPy son esenciales para manejar las matrices de imágenes y aplicar un umbral a los resultados, mientras que Matplotlib se utiliza comúnmente para visualizar el mapa de similitud y la detección final. Juntas, estas herramientas proporcionan un entorno completo para construir y depurar una solución de correspondencia de plantillas.

Link to this sectionAplicaciones en el mundo real de la correspondencia de plantillas#

Ahora que tenemos una mejor comprensión de cómo funciona la correspondencia de plantillas, echemos un vistazo más de cerca a su aplicación en escenarios del mundo real.

Link to this sectionIdentificación de estilos arquitectónicos tradicionales#

En patrimonio cultural y estudios arquitectónicos, los investigadores deben analizar fotografías de edificios históricos, templos y monumentos para comprender cómo varían los patrones de diseño en diferentes regiones. Antes de que los modelos avanzados de visión artificial fueran ampliamente adoptados, utilizaban técnicas de correspondencia de imágenes para estudiar dichas estructuras.

La correspondencia de plantillas permite a los investigadores centrarse en señales arquitectónicas específicas, como contornos de techos, disposiciones de ventanas o motivos de paredes. Al deslizar plantillas o imágenes de referencia sobre imágenes más grandes, pueden identificar formas recurrentes y reducir el análisis manual de imágenes, lo que puede llevar horas.

Un ejemplo interesante proviene de un estudio relacionado con casas tradicionales indonesias. Los investigadores crearon pequeñas plantillas de características distintivas y las compararon con fotografías a gran escala. Este enfoque se utilizó para resaltar las regiones de la imagen que coincidían estrechamente con la plantilla y clasificar los estilos arquitectónicos en diferentes regiones.

Fig 3. Uso de la correspondencia de plantillas para clasificar casas tradicionales en Indonesia (Fuente)

Link to this sectionDetección de objetos en sistemas de visión industrial#

Los entornos industriales pueden beneficiarse de sistemas de visión que pueden detectar rápidamente componentes, verificar ensamblajes o detectar defectos. Antes de que el aprendizaje profundo se generalizara en la fabricación, muchos equipos experimentaron con métodos de correspondencia de imágenes para automatizar estas tareas.

En pocas palabras, se puede utilizar una plantilla de referencia de un componente para escanear imágenes de una línea de producción y resaltar las regiones que coinciden con la plantilla. Esto funciona bien cuando las piezas aparecen en posiciones consistentes y la iluminación es estable.

Link to this sectionCorrespondencia de plantillas para la detección de tumores pulmonares#

Incluso con tecnología de vanguardia teniendo un impacto en la atención sanitaria, diagnosticar problemas de salud a partir de imágenes médicas, como las tomografías computarizadas (CT), sigue siendo un desafío. Tradicionalmente, los radiólogos tenían que revisar manualmente cada corte de la exploración, un proceso que exige una precisión extrema y un tiempo significativo.

Antes de que se aplicara el aprendizaje profundo en la atención sanitaria, los investigadores intentaron utilizar la correspondencia de plantillas para agilizar el flujo de trabajo y ayudar a identificar anomalías. Un buen ejemplo de esta técnica está relacionado con la detección de tumores o nódulos pulmonares.

En este método, los investigadores crean plantillas de referencia que representan la forma y la intensidad típicas de un tumor. Luego, el sistema desliza estas plantillas sobre las exploraciones de los pacientes, midiendo la similitud en cada coordenada.

Fig 4. Detección de tumores pulmonares mediante correspondencia de plantillas (Fuente)

Link to this sectionPros y contras de la correspondencia de plantillas#

Aquí tienes algunos beneficios clave de utilizar la correspondencia de plantillas:

• Intuitiva y sencilla: La correspondencia de plantillas es fácil de entender e implementar, lo que la convierte en un punto de partida ideal para principiantes en IA y visión artificial.
• Fiable en condiciones controladas: Funciona bien en imágenes en escala de grises con iluminación consistente, produciendo resultados precisos cuando los patrones y los fondos son estables.
• Integración sencilla: Utilizando bibliotecas de Python como OpenCV, la correspondencia de plantillas se puede aplicar rápidamente a proyectos reales sin configuraciones complejas ni cálculos pesados.

Aunque la correspondencia de plantillas ofrece muchos beneficios, también tiene limitaciones. Aquí tienes algunos desafíos a tener en cuenta:

• Sensible a la escala y rotación: La variación en el tamaño o la orientación de la plantilla puede reducir la precisión.
• Dependencia de la iluminación y el contraste: Los cambios en la iluminación o el contraste entre la plantilla y la imagen pueden causar coincidencias incorrectas o hacer que la plantilla sea más difícil de detectar.
• Adaptabilidad limitada: A diferencia de los métodos basados en IA, la correspondencia de plantillas no puede aprender de los datos ni mejorar con el tiempo. Funciona mejor en entornos controlados o repetitivos.

Link to this sectionConclusiones clave#

La visión artificial es un campo vasto y abarca diversas técnicas. Aprender sobre técnicas tradicionales de procesamiento de imágenes, como la correspondencia de plantillas, es un excelente punto de partida para comprender cómo funciona el análisis de imágenes. Las innovaciones de vanguardia en IA de visión se basan en los mismos conceptos fundamentales y resuelven problemas similares.

¿Quieres explorar más sobre la IA? Únete a nuestra comunidad y echa un vistazo a nuestro repositorio de GitHub. Aprende cómo la IA en el comercio minorista y la IA de visión en la fabricación están impulsando el cambio. ¡Explora nuestras opciones de licencia para construir con IA de visión hoy mismo!