¿Qué es la coincidencia de plantillas? Una guía rápida

Las imágenes suelen contener muchos detalles minúsculos que las personas 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 píxel, y hasta los cambios leves en la iluminación, el ángulo, la escala o la nitidez pueden resultar confusos.

Las capacidades de análisis de imágenes de una máquina proceden generalmente de dos campos de la informática estrechamente relacionados: el procesamiento de imágenes y la visión artificial. Aunque suelen trabajar conjuntamente, tienen objetivos fundamentales diferentes.

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

El procesamiento básico de imágenes existe desde hace muchos años, pero las innovaciones punteras en visión artificial son mucho más recientes. Una buena forma de entender la historia de este campo es repasar cómo solíamos resolver estos problemas con métodos antiguos y más tradicionales.

Por ejemplo, la coincidencia de imágenes es una tarea habitual de visión en la que un sistema debe averiguar si existe un objeto o patrón específico dentro de una imagen más grande.

Hoy en día, esto puede hacerse de forma sencilla y precisa mediante la inteligencia artificial y el aprendizaje profundo. Sin embargo, antes del auge de las redes neuronales modernas en la década de 2010, el método habitual era una técnica mucho más sencilla llamada coincidencia de plantillas.

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

La coincidencia de plantillas es una técnica de procesamiento de imágenes en la que una pequeña imagen de plantilla se desplaza por una imagen más grande, píxel a píxel. Este proceso de desplazamiento, similar a una convolución, permite al algoritmo encontrar la ubicación que más se aproxima a ese patrón específico.

En este artículo, veremos qué es la coincidencia de plantillas y cómo las mejoras modernas la hacen más fiable en situaciones reales. ¡Empecemos!

¿Qué es la coincidencia de plantillas?#

La coincidencia de plantillas también puede considerarse una 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 pequeño dentro de una imagen más grande.

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

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

El objetivo principal de la coincidencia de plantillas es localizar dónde aparece la plantilla en la escena más grande y medir hasta qué punto coincide con distintas regiones de la imagen. El algoritmo de coincidencia de plantillas lo hace desplazando la plantilla por la imagen más grande y calculando una puntuación de similitud en cada posición.

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

Por ejemplo, la coincidencia de plantillas puede utilizarse en tareas de verificación de etiquetas dentro del control de calidad. Puede comparar fácilmente la imagen de plantilla de las etiquetas con imágenes del producto terminado para comprobar si las etiquetas están presentes.

Cómo funciona la coincidencia de plantillas#

Este es un resumen paso a paso de cómo funciona la coincidencia de plantillas:

• Paso 1 - Preparación de las imágenes: El proceso comienza cargando la imagen de entrada y la imagen de plantilla, y convirtiendo ambas en imágenes en escala de grises. Como la coincidencia de plantillas depende de la comparación de los valores de los píxeles, eliminar la información de color reduce el ruido y acelera el procesamiento de imágenes.

• Paso 2 - Desplazamiento de la plantilla por la imagen: A continuación, el algoritmo de coincidencia de plantillas desplaza la plantilla por la imagen más grande un píxel cada vez (comenzando por la esquina superior izquierda). Cada paso de este movimiento es una iteración en la que el algoritmo extrae de la imagen de origen un recorte del mismo tamaño que la plantilla.

• Paso 3 - Medición de la calidad de la coincidencia: Cada recorte de imagen se compara con la plantilla mediante un método matemático de coincidencia para generar una métrica o un valor de correlación para cada posición posible. Entre los enfoques habituales se incluyen las diferencias al cuadrado (que miden la distancia numérica entre las intensidades de los píxeles para calcular la discrepancia total), la correlación cruzada normalizada (multiplica los valores de los píxeles para determinar hasta qué punto se alinean los patrones claros y oscuros) y el coeficiente de correlación (resta el brillo medio para garantizar que la coincidencia siga siendo precisa aunque la iluminación cambie ligeramente).

• Paso 4 - Identificación de la mejor coincidencia: Tras evaluar todas las posiciones, el algoritmo selecciona la mejor coincidencia buscando el valor máximo o mínimo, según el 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 - Resaltado del resultado: Por último, la ubicación detectada se proyecta sobre la imagen original. Normalmente, se dibuja un cuadro delimitador alrededor de la región coincidente para mostrar claramente dónde aparece la plantilla.

Práctica con la coincidencia de plantillas#

Aunque la coincidencia de plantillas basada en el procesamiento de imágenes no suele utilizarse en implementaciones dinámicas de soluciones de visión artificial en el mundo real debido a sus inconvenientes, si te interesa probarla, las bibliotecas de Python como OpenCV hacen que el proceso sea sencillo y también ofrecen tutoriales fáciles de seguir. Incluye una función matchTemplate integrada que se encarga de las complejas comparaciones matemáticas.

Además, admite otras funciones que ayudan con tareas sencillas, como cargar imágenes mediante la función imread y convertir el color mediante la función cvtColor para transformar las imágenes a escala de grises. La conversión de color es un paso fundamental, porque reducir una imagen a un único 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. Puedes utilizarla para explorar todo el mapa e identificar los valores mínimo y máximo globales junto con sus coordenadas exactas. Según el método de coincidencia utilizado, minMaxLoc te permite localizar al instante la mejor coincidencia buscando la correlación más alta o el valor de error más bajo de los datos.

Además de OpenCV, bibliotecas como NumPy son esenciales para gestionar las matrices de imágenes y aplicar un umbral a los resultados, mientras que Matplotlib se utiliza habitualmente para visualizar el mapa de similitud y la detección final. En conjunto, estas herramientas proporcionan un entorno completo para crear y depurar una solución de coincidencia de plantillas.

Aplicaciones de la coincidencia de plantillas en el mundo real#

Ahora que entendemos mejor cómo funciona la coincidencia de plantillas, veamos más de cerca su aplicación en situaciones reales.

Identificación de estilos arquitectónicos tradicionales#

En los estudios de patrimonio cultural y arquitectura, los investigadores tienen que analizar fotografías de edificios históricos, templos y monumentos para comprender cómo varían los patrones de diseño según la región. Antes de que los modelos avanzados de visión artificial se adoptaran ampliamente, utilizaban técnicas de coincidencia de imágenes para estudiar estas estructuras.

La coincidencia de plantillas permite a los investigadores centrarse en elementos arquitectónicos específicos, como los contornos de los tejados, la disposición de las ventanas o los motivos de las paredes. Al desplazar plantillas o imágenes de referencia por imágenes más grandes, pueden identificar formas recurrentes y reducir el análisis manual de imágenes, que puede llevar horas.

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

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

Detección de objetos en sistemas de visión industrial#

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

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

Coincidencia de plantillas para la detección de tumores pulmonares#

Aunque la tecnología más avanzada está teniendo un gran impacto en la atención sanitaria, diagnosticar problemas de salud a partir de imágenes médicas, como las tomografías computarizadas, sigue siendo difícil. Tradicionalmente, los radiólogos tenían que revisar manualmente cada corte de la exploración, un proceso que exige una precisión extrema y mucho tiempo.

Antes de aplicar el aprendizaje profundo en la atención sanitaria, los investigadores intentaron utilizar la coincidencia 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. A continuación, el sistema desplaza estas plantillas por las exploraciones de los pacientes y mide la similitud en cada coordenada.

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

Ventajas e inconvenientes de la coincidencia de plantillas#

Estas son algunas ventajas clave de utilizar la coincidencia de plantillas:

• Intuitiva y sencilla: La coincidencia de plantillas es fácil de entender e implementar, por lo que constituye un punto de partida ideal para principiantes en inteligencia artificial y visión artificial.
• Fiable en condiciones controladas: Funciona bien con imágenes en escala de grises y una iluminación uniforme, y ofrece resultados precisos cuando los patrones y los fondos son estables.
• Fácil integración: Con bibliotecas de Python como OpenCV, la coincidencia de plantillas puede aplicarse rápidamente a proyectos reales sin una configuración compleja ni un consumo elevado de recursos.

Aunque la coincidencia de plantillas ofrece muchas ventajas, también tiene limitaciones. Estos son algunos retos que debes tener en cuenta:

• Sensible a la escala y la rotación: Las variaciones en el tamaño o la orientación de la plantilla pueden 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 provocar coincidencias incorrectas o dificultar la detección de la plantilla.
• Adaptabilidad limitada: A diferencia de los métodos basados en inteligencia artificial, la coincidencia de plantillas no puede aprender de los datos ni mejorar con el tiempo. Funciona mejor en entornos controlados o repetitivos.

Conclusiones clave#

La visión artificial es un campo muy amplio que abarca diversas técnicas. Aprender sobre técnicas tradicionales de procesamiento de imágenes, como la coincidencia de plantillas, es un excelente punto de partida para comprender cómo funciona el análisis de imágenes. Las innovaciones punteras en inteligencia artificial aplicada a la visión se basan en los mismos conceptos fundamentales y resuelven problemas similares.

¿Quieres explorar más sobre la inteligencia artificial? Únete a nuestra comunidad y visita nuestro repositorio de GitHub. Descubre cómo la inteligencia artificial en el comercio minorista y la inteligencia artificial aplicada a la visión en la fabricación están impulsando el cambio. Explora nuestras opciones de licencia para crear hoy con inteligencia artificial aplicada a la visión.