O que é correspondência de modelos? Um guia rápido

As imagens costumam conter muitos detalhes minúsculos que as pessoas identificam facilmente. No entanto, para as máquinas, essa tarefa não é tão simples. As máquinas percebem uma imagem digital como uma grade de valores de pixels, e até mesmo pequenas mudanças na iluminação, no ângulo, na escala ou na nitidez podem causar confusão.

Os recursos de análise de imagens de uma máquina geralmente se baseiam em duas áreas estreitamente relacionadas da ciência da computação: processamento de imagens e visão computacional. Embora muitas vezes trabalhem em conjunto, elas têm objetivos centrais diferentes.

O processamento de imagens trata as imagens como dados brutos. Ele pode aprimorar imagens, mas não tenta compreender o conteúdo delas. 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 imagens existe há muitos anos, mas as inovações modernas em visão computacional são bem mais recentes. Uma ótima forma de entender a história da área é relembrar como resolvíamos esses problemas com métodos mais antigos e tradicionais.

Considere, por exemplo, a correspondência de imagens. É uma tarefa comum de visão na qual um sistema precisa descobrir se um objeto ou padrão específico existe dentro de uma imagem maior.

Hoje em dia, isso pode ser feito com facilidade e precisão usando IA e aprendizado profundo. No entanto, antes da ascensão das redes neurais modernas na década de 2010, o método mais usado 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 imagens na qual uma pequena imagem modelo é deslocada sobre uma imagem maior, pixel por pixel. Esse processo de deslocamento, semelhante a uma convolução, permite que o algoritmo encontre a localização que mais se aproxima daquele padrão específico.

Neste artigo, vamos explorar o que é a correspondência de modelos e como os aprimoramentos modernos a tornam mais confiável em situações reais.

O que é correspondência de modelos?#

A correspondência de modelos também pode ser considerada uma técnica clássica de visão computacional, ou seja, funciona diretamente com os pixels da imagem (a menor unidade de uma imagem digital). Ela é usada para encontrar um padrão menor dentro de uma imagem maior.

Métodos como esse são definidos com base em geometria, óptica e regras matemáticas, em vez de treinar modelos grandes com conjuntos de dados enormes. Em outras palavras, um sistema de correspondência de modelos compara o brilho, a cor e outras informações dos pixels de duas entradas: a imagem de entrada (a imagem maior) e uma imagem modelo menor (o padrão que se deseja 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 quanto ele corresponde a diferentes regiões da imagem. O algoritmo de correspondência de modelos faz isso deslocando o modelo sobre a imagem maior e calculando uma pontuação de similaridade em cada posição.

As regiões com pontuações mais altas são consideradas as melhores correspondências, ou seja, são muito semelhantes ao modelo. Como esse método se baseia em comparações pixel a pixel, funciona melhor em ambientes controlados, nos quais a aparência dos objetos não muda.

Por exemplo, a correspondência de modelos pode ser usada em tarefas de verificação de rótulos no controle de qualidade. Ela pode comparar facilmente a imagem modelo dos rótulos com imagens do produto acabado para verificar se os rótulos estão presentes.

Como funciona a correspondência de modelos#

Veja a seguir uma visão passo a passo de como funciona a correspondência de modelos:

• Etapa 1 - Preparação das imagens: O processo começa com o carregamento da imagem de entrada e da imagem modelo, seguido da conversão de ambas para escala de cinza. Como a correspondência de modelos depende da comparação de valores de pixels, remover as informações de cor reduz o ruído e acelera o processamento de imagens.
• Etapa 2 - Deslocamento do modelo sobre a imagem: Em seguida, o algoritmo de correspondência de modelos desloca o modelo sobre a imagem maior, um pixel por vez (começando pelo canto superior esquerdo). Cada etapa desse movimento é uma iteração na qual o algoritmo extrai da imagem de origem um recorte com o mesmo tamanho do modelo.
• Etapa 3 - Medição da qualidade da correspondência: Cada recorte de imagem é comparado com o modelo usando um método matemático de correspondência para gerar uma métrica ou valor de correlação para cada posição possível. As abordagens comuns incluem diferenças quadráticas (que medem a distância numérica entre as intensidades dos pixels para calcular a incompatibilidade total), correlação cruzada normalizada (que multiplica os valores dos pixels para determinar o quanto os padrões de claro e escuro se alinham) e o coeficiente de correlação (que subtrai o brilho médio para garantir que a correspondência continue precisa mesmo que a iluminação mude um pouco).
• Etapa 4 - Identificação da melhor correspondência: Depois de avaliar todas as posições, o algoritmo seleciona a melhor correspondência encontrando o valor máximo ou mínimo, dependendo do método usado. Muitas vezes, aplica-se um limiar a esses resultados para aceitar apenas correspondências com uma pontuação de confiança suficientemente alta, filtrando detecções fracas ou incorretas.
• Etapa 5 - Destaque do resultado: Por fim, a localização detectada é mapeada de volta para a imagem original. Normalmente, uma caixa delimitadora é desenhada ao redor da região correspondente, mostrando claramente onde o modelo aparece.

Experimentando a correspondência de modelos na prática#

Embora a correspondência de modelos baseada em processamento de imagens geralmente não seja usada em implantações dinâmicas de soluções de visão computacional no mundo real devido às suas desvantagens, se você quiser testá-la, bibliotecas Python como o OpenCV simplificam o processo e também oferecem tutoriais fáceis de acompanhar. O OpenCV conta com a função integrada matchTemplate, que realiza as complexas comparações matemáticas.

Além disso, ela oferece outras funções úteis para tarefas simples, como carregar imagens com a função imread e converter cores com a função cvtColor para transformar imagens em escala de cinza. A conversão de cores é uma etapa essencial, pois 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 gerar o mapa de similaridade, o OpenCV também inclui a função minMaxLoc para concluir a detecção. Ela pode percorrer todo o mapa para identificar os valores mínimo e máximo globais, bem como suas coordenadas exatas. Dependendo do método de correspondência usado, minMaxLoc permite localizar instantaneamente a melhor correspondência, encontrando a correlação mais alta ou o menor valor de erro nos dados.

Além do OpenCV, bibliotecas como NumPy são essenciais para manipular as matrizes de imagens e aplicar um limiar aos resultados, enquanto Matplotlib é comumente usado para visualizar o mapa de similaridade e a detecção final. Juntas, essas ferramentas oferecem um ambiente completo para criar e depurar uma solução de correspondência de modelos.

Aplicações práticas da correspondência de modelos#

Agora que entendemos melhor como funciona a correspondência de modelos, vamos analisar mais de perto suas aplicações em situações do mundo real.

Identificação de estilos arquitetônicos tradicionais#

No patrimônio cultural e nos estudos de arquitetura, os pesquisadores precisam analisar fotografias de edifícios históricos, templos e monumentos para entender como os padrões de projeto variam entre as regiões. Antes da ampla adoção de modelos avançados de visão computacional, eles usavam técnicas de correspondência de imagens para estudar essas estruturas.

A correspondência de modelos permite que os pesquisadores se concentrem em características arquitetônicas específicas, como contornos de telhados, disposição de janelas ou motivos de paredes. Ao deslocar modelos ou imagens de referência sobre imagens maiores, eles podem identificar formas recorrentes e reduzir a análise manual de imagens, que pode levar horas.

Um exemplo interessante vem de um estudo relacionado a casas tradicionais da Indonésia. Os pesquisadores criaram pequenos modelos de características típicas e os compararam com fotografias em escala real. Essa abordagem foi usada para destacar regiões da imagem que correspondiam de perto ao modelo e classificar estilos arquitetônicos em diferentes regiões.

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

Detecção de objetos em sistemas de visão industrial#

Ambientes industriais podem se beneficiar de sistemas de visão capazes de detectar componentes rapidamente, verificar montagens ou identificar defeitos. Antes que o aprendizado profundo se difundisse na manufatura, muitas equipes experimentavam métodos de correspondência de imagens para automatizar essas tarefas.

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

Detecção de tumores pulmonares por correspondência de modelos#

Mesmo com o impacto da tecnologia avançada na área da saúde, diagnosticar problemas de saúde com base em imagens médicas, como tomografias computadorizadas, ainda é um desafio. Tradicionalmente, os radiologistas precisavam analisar manualmente cada corte do exame, um processo que exige extrema precisão e muito tempo.

Antes da aplicação do aprendizado profundo na área da saúde, os pesquisadores tentaram usar a correspondência de modelos para agilizar o fluxo de trabalho e ajudar a identificar anomalias. Um bom exemplo dessa técnica está relacionado à detecção de tumores ou nódulos pulmonares.

Nesse método, os pesquisadores criam modelos de referência que representam a forma e a intensidade típicas de um tumor. Em seguida, o sistema desloca esses modelos sobre os exames dos pacientes, medindo a similaridade em cada coordenada.

Fig. 4. Detecção de tumores pulmonares por correspondência de modelos (Fonte)

Vantagens e desvantagens da correspondência de modelos#

Aqui estão alguns dos principais benefícios de usar a correspondência de modelos:

• Intuitiva e simples: A correspondência de modelos é fácil de entender e implementar, o que a torna um ponto de partida ideal para iniciantes em IA e visão computacional.
• Confiável em condições controladas: Funciona bem com imagens em tons de cinza sob iluminação constante, produzindo resultados precisos quando os padrões e os fundos são estáveis.
• Fácil integração: Com bibliotecas Python como OpenCV, é possível aplicar rapidamente a correspondência de modelos em projetos reais, sem configurações complexas nem grande esforço computacional.

Embora a correspondência de modelos ofereça muitos benefícios, ela também tem limitações. Confira alguns desafios que convém ter em mente:

• Sensível à escala e à rotação: 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 detecção do modelo.
• Adaptabilidade limitada: Ao contrário dos métodos baseados em IA, a correspondência de modelos não aprende com os dados nem melhora com o tempo. Funciona melhor em ambientes controlados ou repetitivos.

Principais conclusões#

A visão computacional é uma área ampla que abrange diversas técnicas. Aprender sobre técnicas tradicionais de processamento de imagens, como a correspondência de modelos, é um ótimo ponto de partida para entender como funciona a análise de imagens. Os modelos modernos de IA para visão se baseiam nos mesmos conceitos fundamentais e resolvem problemas semelhantes.

Quer saber mais sobre IA? Participe da nossa comunidade e confira nosso repositório do GitHub. Saiba como a IA no varejo e a IA para visão na indústria estão promovendo mudanças. Explore nossas opções de licenciamento e comece hoje mesmo a desenvolver com IA para visão!