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

Les images contiennent souvent de nombreux détails minuscules que les humains repèrent facilement. Cependant, cette tâche n’est pas aussi simple pour les machines. 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 perturber.

Les capacités d’analyse d’image d’une machine proviennent généralement de deux domaines étroitement liés de l’informatique : le traitement d’image et la vision par ordinateur. Bien qu’ils fonctionnent souvent ensemble, leurs objectifs fondamentaux diffèrent.

Le traitement d’image se concentre sur les images en tant que données brutes. Il peut améliorer les images, mais ne cherche pas à comprendre leur contenu. C’est là que la vision par ordinateur fait la différence. 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’image de base existe depuis de nombreuses années, mais les innovations de pointe en vision par ordinateur sont beaucoup plus récentes. Pour bien comprendre l’histoire de ce domaine, il est utile de revenir sur la manière dont nous résolvions autrefois ces problèmes avec des méthodes plus anciennes et traditionnelles.

Prenons la mise en correspondance 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, cette tâche peut être réalisée facilement et avec précision grâce à l’AI et à l’apprentissage profond. Cependant, avant l’essor des réseaux neuronaux modernes dans les années 2010, la méthode de référence était une technique beaucoup plus simple appelée mise en correspondance de modèles.

Fig. 1. Un exemple de mise en correspondance de modèles (Source)

La mise en correspondance de modèles est une technique de traitement d’image qui consiste à faire glisser une petite image modèle sur une image plus grande, pixel par pixel. Ce processus de glissement semblable à une convolution permet à l’algorithme de trouver l’emplacement qui correspond le mieux à ce motif précis.

Dans cet article, nous allons découvrir ce qu’est la mise en correspondance de modèles et comment les améliorations modernes la rendent plus fiable dans les situations réelles. Commençons !

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

La mise en correspondance de modèles peut également être considérée comme une technique classique de vision par ordinateur, ce qui signifie qu’elle fonctionne directement avec 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.

Les méthodes de ce type sont définies à l’aide de la géométrie, de l’optique et de règles mathématiques, plutôt qu’en entraînant de grands modèles sur d’immenses jeux de données. En d’autres termes, un système de mise en correspondance de modèles compare la luminosité, la couleur 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 la mise en correspondance de modèles est de localiser l’endroit où le modèle apparaît dans la scène plus grande et de mesurer à quel point il correspond aux différentes régions de l’image. 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 étroitement 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, la mise en correspondance de modèles peut être utilisée pour vérifier des étiquettes dans le cadre du contrôle qualité. Elle peut facilement comparer l’image modèle des étiquettes à des images du produit fini afin de vérifier si les étiquettes sont présentes ou non.

Fonctionnement de la mise en correspondance de modèles#

Voici une présentation étape par étape du fonctionnement de la mise en correspondance de modèles :

• Étape 1 - Préparation des images : Le processus commence par le chargement de l’image d’entrée et de l’image modèle, puis par la conversion des deux en niveaux de gris. Comme la mise en correspondance de modèles repose sur la comparaison des valeurs des pixels, la suppression des informations de couleur réduit le bruit et accélère le traitement d’image.

• Étape 2 - Glissement du modèle sur l’image : Ensuite, l’algorithme de mise en correspondance 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 constitue une itération, au cours de laquelle l’algorithme extrait de l’image source une zone ayant la même taille que le modèle.

• Étape 3 - Mesure de la qualité de la correspondance : Chaque zone de l’image est comparée au modèle à l’aide d’une méthode mathématique de mise en correspondance afin de générer une métrique ou une valeur de corrélation pour chaque position possible. Les approches 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 déterminer dans quelle mesure les motifs clairs et sombres s’alignent) et le coefficient de corrélation (qui soustrait la luminosité moyenne afin de garantir la précision de la correspondance même si l’éclairage change légèrement).

• Étape 4 - Identification de la meilleure correspondance : Après avoir évalué toutes les positions, l’algorithme sélectionne la meilleure correspondance en recherchant la valeur maximale ou minimale, selon la méthode utilisée. Un seuil est souvent appliqué à ces résultats afin de n’accepter que les correspondances dont le score de confiance est suffisamment élevé, en filtrant les détections faibles ou incorrectes.

• Étape 5 - Mise en évidence du résultat : Enfin, l’emplacement détecté est reporté sur l’image d’origine. Généralement, une boîte englobante est dessinée autour de la région correspondante afin d’indiquer clairement où apparaît le modèle.

Mise en pratique de la mise en correspondance de modèles#

Bien que la mise en correspondance de modèles fondée sur le traitement d’image ne soit généralement pas utilisée dans les déploiements de solutions de vision par ordinateur dynamiques en conditions réelles en raison de ses inconvénients, les bibliothèques Python comme OpenCV rendent ce processus simple à tester et proposent également des tutoriels faciles à suivre. Elle intègre une fonction matchTemplate qui prend en charge les comparaisons mathématiques complexes.

Elle 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 transformer les images en niveaux de gris. La conversion des couleurs est une étape essentielle, car réduire une image à un seul canal d’intensité accélère considérablement la comparaison mathématique effectuée par matchTemplate et la rend moins sensible au bruit de couleur.

Une fois la carte de similarité générée, OpenCV inclut également une fonction minMaxLoc pour finaliser la détection. Elle peut être utilisée pour parcourir toute la carte afin d’identifier les valeurs minimales et maximales globales ainsi que leurs coordonnées exactes. Selon la méthode de mise en correspondance utilisée, minMaxLoc permet de localiser instantanément 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 essentielles pour gérer les tableaux d’images et appliquer un seuil aux résultats, tandis que Matplotlib est couramment utilisé pour visualiser la carte de similarité et la détection finale. Ensemble, ces outils fournissent un environnement complet pour créer et déboguer une solution de mise en correspondance de modèles.

Applications de la mise en correspondance de modèles dans le monde réel#

Maintenant que nous comprenons mieux le fonctionnement de la mise en correspondance de modèles, examinons de plus près ses applications dans des situations réelles.

Identifier les styles architecturaux traditionnels#

Dans les études sur le patrimoine culturel et l’architecture, les chercheurs doivent analyser des photographies de bâtiments historiques, de temples et de monuments afin de comprendre comment les motifs de conception varient selon les régions. Avant l’adoption généralisée des modèles avancés de vision par ordinateur, ils utilisaient des techniques de mise en correspondance d’images pour étudier ces structures.

La mise en correspondance 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 identifier les formes récurrentes et réduire l’analyse manuelle des images, qui peut prendre des heures.

Un exemple intéressant provient d’une étude consacrée aux maisons traditionnelles indonésiennes. Les chercheurs ont créé de petits modèles représentant des caractéristiques distinctives et les ont comparés à des photographies à grande échelle. Cette approche a servi à mettre en évidence les régions d’image correspondant étroitement au modèle et à classer les styles architecturaux selon les régions.

Fig. 3. Utilisation de la mise en correspondance 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 la fabrication industrielle, de nombreuses équipes ont expérimenté des méthodes de mise en correspondance d’images pour automatiser ces tâches.

En termes simples, un modèle de référence d’un composant peut être utilisé pour parcourir les images d’une ligne de production et mettre en évidence les régions correspondant au modèle. Cette méthode fonctionne bien lorsque les pièces apparaissent à des positions constantes et que l’éclairage est stable.

Mise en correspondance de modèles pour détecter les tumeurs pulmonaires#

Même si les technologies de pointe ont un impact sur les soins de santé, le diagnostic de problèmes médicaux à partir d’images d’imagerie médicale, comme les scanners CT, reste difficile. Traditionnellement, les radiologues devaient examiner manuellement chaque coupe, un processus qui exige une précision extrême et beaucoup de temps.

Avant l’application de l’apprentissage profond aux soins de santé, les chercheurs ont tenté d’utiliser la mise en correspondance de modèles pour fluidifier le processus et aider à identifier les anomalies. La détection des tumeurs ou nodules pulmonaires constitue un bon exemple de cette technique.

Dans 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 scanners des patients et mesure la similarité à chaque coordonnée.

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

Avantages et inconvénients de la mise en correspondance de modèles#

Voici quelques avantages clés 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 AI et en vision par ordinateur.
• Fiable dans des conditions contrôlées : Elle fonctionne bien sur des images en niveaux de gris avec un éclairage constant et produit des résultats précis lorsque les motifs et les arrière-plans sont stables.
• Facile à intégrer : Avec des bibliothèques Python comme OpenCV, la mise en correspondance de modèles peut être appliquée rapidement à des projets réels sans configuration complexe ni calculs lourds.

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

• Sensible à l’échelle et à la rotation : Les variations de taille ou d’orientation du modèle peuvent 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’AI, 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. Découvrir les techniques traditionnelles de traitement d’image, comme la mise en correspondance de modèles, constitue un excellent point de départ pour comprendre le fonctionnement de l’analyse d’image. Les innovations de pointe en vision et en AI s’appuient sur les mêmes concepts fondamentaux et résolvent des problèmes similaires.

Tu veux en savoir plus sur l’AI ? Rejoins notre communauté et consulte notre dépôt GitHub. Découvre comment l’AI dans le commerce de détail et l’AI de vision dans la fabrication industrielle contribuent au changement. Consulte nos options de licence pour créer dès aujourd’hui avec l’AI de vision !