Qu’est-ce que la mise en correspondance de modèles ? Guide rapide

Les images contiennent souvent de nombreux détails minuscules que les humains repèrent facilement. Pour les machines, cependant, cette tâche n’est pas aussi simple. Les machines perçoivent une image numérique comme une grille de valeurs de pixels, et même de légères variations d’éclairage, d’angle, d’échelle ou de netteté peuvent les dérouter.

Les capacités d’analyse d’images d’une machine proviennent généralement de deux domaines étroitement liés de l’informatique : le traitement d’images et la vision par ordinateur. Bien qu’ils soient souvent utilisés ensemble, ils ont des objectifs fondamentaux différents.

Le traitement d’images considère les images comme des données brutes. Il peut améliorer les images, mais n’essaie pas d’en comprendre le contenu. C’est là que la vision par ordinateur intervient. La vision par ordinateur est une branche de l’intelligence artificielle (AI) qui permet aux machines de comprendre les images et les vidéos.

Le traitement d’images de base existe depuis de nombreuses années, mais les innovations modernes en vision par ordinateur sont bien plus récentes. Pour comprendre l’histoire de ce domaine, il est utile de revenir sur la manière dont nous résolvions ces problèmes avec les méthodes plus anciennes et traditionnelles.

Prenons l’appariement d’images, par exemple. Il s’agit d’une tâche courante en vision, où un système doit déterminer si un objet ou un motif précis se trouve dans une image plus grande.

Aujourd’hui, l’IA et l’apprentissage profond permettent de le faire facilement et avec précision. Cependant, avant l’essor des réseaux neuronaux modernes dans les années 2010, la méthode de référence était une technique beaucoup plus simple appelée appariement de modèles.

Fig. 1. Un exemple d’appariement de modèles (Source)

L’appariement de modèles est une technique de traitement d’images qui consiste à faire glisser une petite image modèle sur une image plus grande, pixel par pixel. Ce déplacement, semblable à une convolution, permet à l’algorithme de trouver l’emplacement qui correspond le mieux au motif en question.

Dans cet article, nous verrons en quoi consiste la mise en correspondance de modèles et comment les améliorations modernes la rendent plus fiable dans des situations réelles.

Qu’est-ce que l’appariement de modèles ?#

L’appariement de modèles peut aussi être considéré comme une technique classique de vision par ordinateur, c’est-à-dire une technique qui travaille directement sur les pixels de l’image (la plus petite unité d’une image numérique). Elle sert à trouver un motif plus petit dans une image plus grande.

Ces méthodes reposent sur la géométrie, l’optique et des règles mathématiques plutôt que sur l’entraînement de grands modèles avec des jeux de données massifs. Autrement dit, un système d’appariement de modèles compare la luminosité, les couleurs et d’autres informations sur les pixels de deux entrées : l’image d’entrée (l’image la plus grande) et une image modèle plus petite (le motif à trouver).

Fig. 2. L’image A et l’image B sont des exemples de modèles. (Source)

L’objectif principal de l’appariement de modèles est de localiser le modèle dans la scène plus grande et de mesurer à quel point il correspond aux différentes régions de l’image. Pour cela, l’algorithme fait glisser le modèle sur l’image plus grande et calcule un score de similarité à chaque position.

Les régions qui obtiennent les scores les plus élevés sont considérées comme les meilleures correspondances, car elles ressemblent fortement au modèle. Comme cette méthode repose sur des comparaisons pixel par pixel, elle fonctionne mieux dans des environnements contrôlés, où l’apparence des objets ne change pas.

Par exemple, l’appariement de modèles peut servir à vérifier des étiquettes lors du contrôle qualité. Il permet de comparer facilement l’image modèle des étiquettes aux images du produit fini afin de vérifier leur présence.

Fonctionnement de l’appariement de modèles#

Voici un aperçu étape par étape du fonctionnement de l’appariement de modèles :

• Étape 1 - Préparation des images : le processus commence par le chargement de l’image d’entrée et de l’image modèle, puis leur conversion en niveaux de gris. Comme l’appariement de modèles repose sur la comparaison des valeurs des pixels, la suppression des informations de couleur réduit le bruit et accélère le traitement des images.
• Étape 2 - Déplacement du modèle sur l’image : ensuite, l’algorithme d’appariement de modèles fait glisser le modèle sur l’image plus grande, un pixel à la fois (en commençant par le coin supérieur gauche). Chaque déplacement correspond à une itération, au cours de laquelle l’algorithme extrait de l’image source une zone de la même taille que le modèle.
• Étape 3 - Évaluation de la qualité de la correspondance : chaque zone de l’image est comparée au modèle à l’aide d’une méthode mathématique d’appariement, qui calcule une métrique ou une valeur de corrélation pour chaque position possible. Les méthodes courantes comprennent les différences au carré (qui mesurent la distance numérique entre les intensités des pixels pour calculer l’écart total), la corrélation croisée normalisée (qui multiplie les valeurs des pixels pour évaluer l’alignement des motifs clairs et foncés) et le coefficient de corrélation (qui soustrait la luminosité moyenne afin de garantir la précision de la correspondance même si l’éclairage varie légèrement).
• Étape 4 - Identification de la meilleure correspondance : après avoir évalué toutes les positions, l’algorithme sélectionne la meilleure correspondance en trouvant la valeur maximale ou minimale, selon la méthode utilisée. On applique souvent un seuil aux résultats afin de n’accepter que les correspondances dont le score de confiance est suffisamment élevé, ce qui élimine les détections faibles ou incorrectes.
• Étape 5 - Mise en évidence du résultat : enfin, l’emplacement détecté est reporté sur l’image d’origine. En général, un cadre englobant est tracé autour de la région correspondante pour indiquer clairement où le modèle apparaît.

Mise en pratique de l’appariement de modèles#

Bien que la mise en correspondance de modèles fondée sur le traitement d’images ne soit généralement pas utilisée dans les déploiements de solutions de vision par ordinateur dynamiques en conditions réelles en raison de ses inconvénients, tu peux facilement l’essayer avec des bibliothèques Python comme OpenCV, qui proposent également des tutoriels faciles à suivre. OpenCV comprend une fonction intégrée matchTemplate qui effectue les comparaisons mathématiques complexes.

OpenCV prend également en charge d’autres fonctions utiles pour des tâches simples, comme le chargement d’images avec la fonction imread et la conversion des couleurs avec la fonction cvtColor afin de passer les images en niveaux de gris. La conversion des couleurs est une étape essentielle, car la réduction d’une image à un seul canal d’intensité accélère considérablement la comparaison mathématique effectuée par matchTemplate et la rend moins sensible au bruit colorimétrique.

Une fois la carte de similarité générée, OpenCV inclut également la fonction minMaxLoc pour finaliser la détection. Celle-ci peut parcourir toute la carte afin de trouver les valeurs minimales et maximales globales ainsi que leurs coordonnées exactes. Selon la méthode d’appariement utilisée, minMaxLoc permet de repérer immédiatement la meilleure correspondance en recherchant la corrélation la plus élevée ou la valeur d’erreur la plus faible dans les données.

En plus d’OpenCV, des bibliothèques comme NumPy sont indispensables pour manipuler les tableaux d’images et appliquer un seuil aux résultats, tandis que Matplotlib sert souvent à visualiser la carte de similarité et la détection finale. Ensemble, ces outils fournissent un environnement complet pour créer et déboguer une solution d’appariement de modèles.

Applications de l’appariement de modèles dans le monde réel#

Maintenant que nous comprenons mieux le fonctionnement de l’appariement de modèles, examinons de plus près ses applications dans des situations réelles.

Identifier les styles architecturaux traditionnels#

Dans le domaine du patrimoine culturel et des études architecturales, les chercheurs analysent des photographies de bâtiments historiques, de temples et de monuments pour comprendre comment les motifs de conception varient d’une région à l’autre. Avant l’adoption généralisée des modèles avancés de vision par ordinateur, ils utilisaient des techniques d’appariement d’images pour étudier ces structures.

L’appariement de modèles permet aux chercheurs de se concentrer sur des éléments architecturaux précis, comme les contours des toits, la disposition des fenêtres ou les motifs des murs. En faisant glisser des modèles ou des images de référence sur des images plus grandes, ils peuvent repérer des formes récurrentes et réduire l’analyse manuelle des images, qui peut prendre des heures.

Un exemple intéressant est issu d’une étude portant sur les maisons traditionnelles indonésiennes. Les chercheurs ont créé de petits modèles de caractéristiques typiques et les ont comparés à des photographies en pleine échelle. Cette approche a servi à mettre en évidence les régions des images qui correspondaient étroitement au modèle et à classer les styles architecturaux selon les régions.

Fig. 3. Utilisation de l’appariement de modèles pour classer les maisons traditionnelles en Indonésie (Source)

Détection d’objets dans les systèmes de vision industrielle#

Les environnements industriels peuvent tirer parti de systèmes de vision capables de détecter rapidement des composants, de vérifier des assemblages ou de repérer des défauts. Avant la généralisation de l’apprentissage profond dans le secteur de la fabrication, de nombreuses équipes ont expérimenté des méthodes d’appariement d’images pour automatiser ces tâches.

En termes simples, un modèle de référence d’un composant peut servir à parcourir les images d’une chaîne de production et à mettre en évidence les régions correspondantes. Cette méthode fonctionne bien lorsque les pièces apparaissent à des positions constantes et que l’éclairage reste stable.

Détection des tumeurs pulmonaires par mise en correspondance de modèles#

Même si les technologies de pointe ont un impact dans le domaine de la santé, diagnostiquer des problèmes de santé à partir d’imagerie médicale, comme les tomodensitométries, reste difficile. Traditionnellement, les radiologues devaient examiner manuellement chaque coupe, une tâche qui exige une précision extrême et beaucoup de temps.

Avant l’application de l’apprentissage profond dans le secteur de la santé, les chercheurs ont tenté d’utiliser l’appariement de modèles pour simplifier le processus et aider à repérer les anomalies. La détection de tumeurs ou de nodules pulmonaires est un bon exemple de cette technique.

Avec cette méthode, les chercheurs créent des modèles de référence représentant la forme et l’intensité typiques d’une tumeur. Le système fait ensuite glisser ces modèles sur les images médicales des patients et mesure la similarité à chaque coordonnée.

Fig. 4. Détection des tumeurs pulmonaires par mise en correspondance de modèles (Source)

Avantages et inconvénients de l’appariement de modèles#

Voici quelques avantages clés de l’utilisation de la mise en correspondance de modèles :

• Intuitive et simple : La mise en correspondance de modèles est facile à comprendre et à mettre en œuvre, ce qui en fait un point de départ idéal pour les débutants en IA et en vision par ordinateur.
• Fiable dans des conditions contrôlées : Elle donne de bons résultats sur des images en niveaux de gris sous un éclairage constant, et fournit des résultats précis lorsque les motifs et les arrière-plans restent stables.
• Facile à intégrer : Avec des bibliothèques Python comme OpenCV, la mise en correspondance de modèles peut être rapidement appliquée à des projets réels, sans configuration complexe ni calculs intensifs.

Bien que la mise en correspondance de modèles présente de nombreux avantages, elle comporte également des limites. Voici quelques difficultés à garder à l’esprit :

• Sensible à l’échelle et à la rotation : Une variation de la taille ou de l’orientation du modèle peut réduire la précision.
• Dépendance à l’éclairage et au contraste : Les changements d’éclairage ou de contraste entre le modèle et l’image peuvent entraîner des correspondances incorrectes ou rendre le modèle plus difficile à détecter.
• Adaptabilité limitée : Contrairement aux méthodes fondées sur l’IA, la mise en correspondance de modèles ne peut pas apprendre à partir des données ni s’améliorer au fil du temps. Elle fonctionne mieux dans des environnements contrôlés ou répétitifs.

Points clés à retenir#

La vision par ordinateur est un vaste domaine qui couvre diverses techniques. Se familiariser avec les techniques traditionnelles de traitement d’images, comme la mise en correspondance de modèles, est un excellent point de départ pour comprendre le fonctionnement de l’analyse d’images. Les modèles modernes d’IA visuelle s’appuient sur les mêmes concepts fondamentaux et résolvent des problèmes similaires.

Tu veux en savoir plus sur l’IA ? Rejoins notre communauté et consulte notre dépôt GitHub. Découvre comment l’IA dans le commerce de détail et l’IA visuelle dans l’industrie manufacturière contribuent au changement. Explore nos options de licence pour créer dès aujourd’hui avec l’IA visuelle !