O que é a correspondência de modelos? Um guia rápido

As imagens geralmente contêm muitos detalhes minuciosos que os seres humanos conseguem identificar facilmente. No entanto, para as máquinas, esta tarefa não é assim tão simples. As máquinas percebem uma imagem digital como uma grelha de valores de píxeis, e até pequenas alterações na iluminação, no ângulo, na escala ou na nitidez podem ser confusas.

As capacidades de análise de imagem de uma máquina provêm geralmente de duas áreas estreitamente relacionadas da ciência da computação: processamento de imagem e visão computacional. Embora trabalhem frequentemente em conjunto, têm objetivos fundamentais diferentes.

O processamento de imagem centra-se nas imagens como dados brutos. Pode melhorar as imagens, mas não tenta compreender o seu conteúdo. É aí que a visão computacional faz a diferença. A visão computacional é um ramo da inteligência artificial (IA) que permite às máquinas compreender imagens e vídeos.

O processamento básico de imagem existe há muitos anos, mas as inovações de vanguarda em visão computacional são muito mais recentes. Uma excelente forma de compreender a história desta área é analisar como costumávamos resolver estes problemas com métodos mais antigos e tradicionais.

Tomemos como exemplo a correspondência de imagens. Trata-se de uma tarefa comum de visão computacional na qual um sistema tem de descobrir se um objeto ou padrão específico existe dentro de uma imagem maior.

Atualmente, isto pode ser feito de forma fácil e precisa usando IA e aprendizagem profunda. No entanto, antes da ascensão das redes neuronais modernas na década de 2010, o método mais utilizado era uma técnica muito mais simples chamada correspondência de modelos.

Fig. 1. Um exemplo de correspondência de modelos (Fonte)

A correspondência de modelos é uma técnica de processamento de imagem na qual uma pequena imagem de modelo é deslocada sobre uma imagem maior, píxel a píxel. Este processo de deslocamento semelhante a uma convolução permite ao algoritmo encontrar a localização que mais se aproxima desse padrão específico.

Neste artigo, vamos explorar o que é a correspondência de modelos e como as melhorias modernas a tornam mais fiável em situações do mundo real. Vamos começar!

O que é correspondência de modelos?#

A correspondência de modelos também pode ser designada como uma técnica clássica de visão computacional, o que significa que trabalha diretamente com os píxeis da imagem (a menor unidade de uma imagem digital). É utilizada para encontrar um padrão menor dentro de uma imagem maior.

Métodos como este são definidos com base em geometria, ótica e regras matemáticas, em vez de treinarem modelos de grandes dimensões com conjuntos de dados massivos. Por outras palavras, um sistema de correspondência de modelos compara o brilho, a cor e outras informações dos píxeis em duas entradas: a imagem de entrada (a imagem maior) e uma imagem de modelo menor (o padrão a encontrar).

Fig. 2. A Imagem A e a Imagem B são exemplos de modelos. (Fonte)

O principal objetivo da correspondência de modelos é localizar onde o modelo aparece na cena maior e medir o grau de correspondência com diferentes regiões da imagem. O algoritmo de correspondência de modelos faz isto deslocando o modelo sobre a imagem maior e calculando uma pontuação de semelhança em cada posição.

As regiões com pontuações mais elevadas são consideradas as melhores correspondências, o que significa que se assemelham bastante ao modelo. Como este método depende de comparações píxel a píxel, funciona melhor em ambientes controlados, onde a aparência dos objetos não muda.

Por exemplo, a correspondência de modelos pode ser utilizada em tarefas de verificação de etiquetas no controlo de qualidade. Pode corresponder facilmente a imagem de modelo das etiquetas com imagens do produto acabado para verificar se as etiquetas estão presentes.

Como funciona a correspondência de modelos#

Eis uma visão geral, passo a passo, de como funciona a correspondência de modelos:

• Passo 1 - Preparar as imagens: O processo começa por carregar a imagem de entrada e a imagem de modelo e, em seguida, converter ambas numa imagem em escala de cinzentos. Como a correspondência de modelos depende da comparação de valores de píxeis, a remoção da informação de cor reduz o ruído e acelera o processamento de imagem.

• Passo 2 - Deslocar o modelo sobre a imagem: De seguida, o algoritmo de correspondência de modelos desloca o modelo sobre a imagem maior, um píxel de cada vez (começando pelo canto superior esquerdo). Cada etapa deste movimento é uma iteração, na qual o algoritmo extrai da imagem de origem um recorte com o mesmo tamanho do modelo.

• Passo 3 - Medir a qualidade da correspondência: Cada recorte de imagem é comparado com o modelo usando um método matemático de correspondência, para gerar uma métrica ou um valor de correlação para cada posição possível. As abordagens comuns incluem diferenças quadráticas (que medem a distância numérica entre as intensidades dos píxeis para calcular a discrepância total), correlação cruzada normalizada (que multiplica os valores dos píxeis para determinar o grau de alinhamento entre os padrões claros e escuros) e o coeficiente de correlação (que subtrai o brilho médio para garantir que a correspondência continua precisa mesmo que a iluminação mude ligeiramente).

• Passo 4 - Identificar a melhor correspondência: Depois de avaliar todas as posições, o algoritmo seleciona a melhor correspondência encontrando o valor máximo ou mínimo, dependendo do método utilizado. É frequentemente aplicado um limiar a estes resultados para garantir que apenas as correspondências com uma pontuação de confiança suficientemente elevada são aceites, filtrando deteções fracas ou incorretas.

• Passo 5 - Destacar o resultado: Por fim, a localização detetada é projetada de volta na imagem original. Normalmente, é desenhada uma caixa delimitadora em redor da região correspondente, mostrando claramente onde o modelo aparece.

Experimentar a correspondência de modelos na prática#

Embora a correspondência de modelos baseada em processamento de imagem geralmente não seja utilizada na implementação de soluções dinâmicas de visão computacional no mundo real devido às suas limitações, se tiveres interesse em testá-la, bibliotecas Python como OpenCV tornam este processo simples e também disponibilizam tutoriais fáceis de seguir. Inclui uma função matchTemplate integrada que trata das complexas comparações matemáticas.

Além disso, suporta outras funções que ajudam em tarefas simples, como carregar imagens usando a função imread e converter a cor usando a função cvtColor para transformar imagens em escala de cinzentos. A conversão de cor é uma etapa crítica, porque reduzir uma imagem a um único canal de intensidade torna a comparação matemática dentro de matchTemplate muito mais rápida e menos sensível ao ruído de cor.

Depois de gerares o mapa de semelhança, o OpenCV também inclui uma função minMaxLoc para finalizar a deteção. Esta pode ser utilizada para analisar todo o mapa e identificar os valores mínimo e máximo globais, juntamente com as respetivas coordenadas exatas. Dependendo do método de correspondência utilizado, minMaxLoc permite localizar instantaneamente a melhor correspondência, encontrando a correlação mais elevada ou o valor de erro mais baixo nos dados.

Além do OpenCV, bibliotecas como o NumPy são essenciais para lidar com os arrays de imagens e aplicar um limiar aos resultados, enquanto o Matplotlib é normalmente utilizado para visualizar o mapa de semelhança e a deteção final. Em conjunto, estas ferramentas proporcionam um ambiente completo para criar e depurar uma solução de correspondência de modelos.

Aplicações da correspondência de modelos no mundo real#

Agora que compreendemos melhor como funciona a correspondência de modelos, vamos analisar mais de perto a sua aplicação em cenários do mundo real.

Identificação de estilos arquitetónicos tradicionais#

No âmbito do património cultural e dos estudos arquitetónicos, os investigadores têm de analisar fotografias de edifícios históricos, templos e monumentos para compreender como os padrões de design variam entre regiões. Antes de os modelos avançados de visão computacional serem amplamente adotados, utilizavam técnicas de correspondência de imagens para estudar estas estruturas.

A correspondência de modelos permite aos investigadores concentrarem-se em elementos arquitetónicos específicos, como contornos de telhados, disposição de janelas ou motivos de paredes. Ao deslocarem modelos ou imagens de referência sobre imagens maiores, conseguem identificar formas recorrentes e reduzir a análise manual de imagens, que pode demorar horas.

Um exemplo interessante provém de um estudo relacionado com casas tradicionais da Indonésia. Os investigadores criaram pequenos modelos de características distintivas e compararam-nos com fotografias em tamanho real. Esta abordagem foi utilizada para destacar regiões da imagem que correspondiam de perto ao modelo e classificar estilos arquitetónicos entre regiões.

Fig. 3. Utilização da correspondência de modelos para classificar casas tradicionais na Indonésia (Fonte)

Deteção de objetos em sistemas de visão industrial#

Os ambientes industriais podem beneficiar de sistemas de visão capazes de detetar rapidamente componentes, verificar montagens ou identificar defeitos. Antes de a aprendizagem profunda se generalizar na indústria transformadora, muitas equipas experimentaram métodos de correspondência de imagens para automatizar estas tarefas.

Em termos simples, um modelo de referência de um componente pode ser utilizado para analisar imagens de uma linha de produção e destacar regiões que correspondem ao modelo. Isto funciona bem quando as peças aparecem em posições consistentes e a iluminação é estável.

Correspondência de modelos para deteção de tumores pulmonares#

Mesmo com o impacto das tecnologias de vanguarda nos cuidados de saúde, diagnosticar problemas de saúde através de imagiologia médica, como tomografias computorizadas, continua a ser um desafio. Tradicionalmente, os radiologistas tinham de analisar manualmente cada corte do exame, um processo que exige extrema precisão e muito tempo.

Antes de a aprendizagem profunda ser aplicada nos cuidados de saúde, os investigadores tentaram utilizar a correspondência de modelos para simplificar o fluxo de trabalho e ajudar a identificar anomalias. Um bom exemplo desta técnica está relacionado com a deteção de tumores ou nódulos pulmonares.

Neste método, os investigadores criam modelos de referência que representam a forma e a intensidade típicas de um tumor. Em seguida, o sistema desloca estes modelos sobre os exames dos pacientes, medindo a semelhança em cada coordenada.

Fig. 4. Deteção de tumores pulmonares através da correspondência de modelos (Fonte)

Vantagens e desvantagens da correspondência de modelos#

Eis algumas das principais vantagens da utilização da correspondência de modelos:

• Intuitiva e simples: A correspondência de modelos é fácil de compreender e implementar, sendo um ponto de partida ideal para principiantes em IA e visão computacional.
• Fiável em condições controladas: Funciona bem com imagens em escala de cinzentos sob iluminação consistente, produzindo resultados precisos quando os padrões e os fundos são estáveis.
• Fácil integração: Com bibliotecas Python como o OpenCV, a correspondência de modelos pode ser aplicada rapidamente a projetos reais sem configurações complexas nem grande carga computacional.

Embora a correspondência de modelos ofereça muitas vantagens, também tem limitações. Eis alguns desafios a ter em conta:

• Sensível à escala e à rotação: As variações no tamanho ou na orientação do modelo podem reduzir a precisão.
• Dependência da iluminação e do contraste: Alterações na iluminação ou no contraste entre o modelo e a imagem podem causar correspondências incorretas ou dificultar a deteção do modelo.
• Adaptabilidade limitada: Ao contrário dos métodos baseados em IA, a correspondência de modelos não consegue aprender com os dados nem melhorar ao longo do tempo. Funciona melhor em ambientes controlados ou repetitivos.

Principais conclusões#

A visão computacional é uma área vasta e abrange várias técnicas. Aprender sobre técnicas tradicionais de processamento de imagem, como a correspondência de modelos, é um excelente ponto de partida para compreender como funciona a análise de imagem. As inovações de vanguarda em IA para visão baseiam-se nos mesmos conceitos fundamentais e resolvem problemas semelhantes.

Queres explorar mais sobre IA? Junta-te à nossa comunidade e consulta o nosso repositório do GitHub. Descobre como a IA no retalho e a IA para visão na indústria transformadora estão a impulsionar a mudança. Explora as nossas opções de licenciamento para criares hoje com IA para visão!