Tận dụng phát hiện màu sắc trong các ứng dụng thị giác máy tính

Màu sắc đóng vai trò quan trọng trong cách con người trải nghiệm thế giới, giúp chúng ta nhận diện, thấu hiểu và kết nối với môi trường xung quanh. Tuy nhiên, khác với chúng ta, máy móc không nhìn thấy màu sắc - chúng xử lý chúng như dữ liệu, chuyển đổi các sắc thái và tông màu thành các giá trị số.

Một chiếc self-driving car không chỉ nhìn thấy đèn giao thông màu đỏ - nó xử lý màu sắc như một tín hiệu để dừng lại. Khả năng nhận diện và diễn giải màu sắc này giúp thu hẹp khoảng cách giữa thị giác của con người và computer vision.

Computer vision là một nhánh của AI cho phép máy móc phân tích và hiểu dữ liệu hình ảnh. Một khía cạnh quan trọng của việc này là phát hiện màu sắc, cho phép máy móc nhận diện và phân biệt các đối tượng dựa trên màu sắc. Bằng cách phân tích các giá trị pixel trong các không gian màu khác nhau, tính năng phát hiện màu sắc có thể được sử dụng trong các ứng dụng như theo dõi đối tượng, hình ảnh y tế và tự động hóa.

Trong bài viết này, chúng ta sẽ xem xét kỹ hơn về cách thức hoạt động của phát hiện màu sắc, lý do tại sao nó quan trọng và cách nó được sử dụng trong các ứng dụng thị giác máy tính. Hãy bắt đầu nào!

Phát hiện màu sắc là gì?#

Phát hiện màu sắc giúp máy móc nhận diện đối tượng và hiểu các cảnh dựa trên màu sắc. Khi kết hợp với các computer vision tasks, nó cải thiện độ chính xác và nâng cao các ứng dụng trong thế giới thực. Trước khi đi sâu vào cách thức hoạt động của phát hiện màu sắc, việc hiểu cách màu sắc được biểu diễn dưới dạng kỹ thuật số sẽ rất hữu ích.

Hình ảnh kỹ thuật số được tạo thành từ các ô vuông nhỏ gọi là pixel, mỗi pixel chứa thông tin màu sắc. Ví dụ, đối với mô hình màu RGB (Đỏ, Xanh lá, Xanh dương), màu sắc được tạo ra bằng cách trộn các cường độ khác nhau của màu đỏ, xanh lá và xanh dương.

Mỗi màu được định nghĩa bằng ba giá trị, nằm trong khoảng từ 0 đến 255, trong đó 0 nghĩa là không có màu và 255 là cường độ tối đa. Ví dụ, màu đỏ thuần là (255, 0, 0) vì nó có giá trị đỏ cao nhất và không có màu xanh lá hay xanh dương. Màu trắng là (255, 255, 255) vì cả ba màu đều ở cường độ tối đa.

Fig 1. Ví dụ về cách máy tính nhìn thấy màu sắc của một quả táo.

Nếu bạn đã quen thuộc với các computer vision models như Ultralytics YOLO11, bạn có thể tự hỏi tại sao phát hiện màu sắc lại là một kỹ thuật riêng biệt so với phát hiện đối tượng. Mặc dù cả hai đều phân tích hình ảnh, chúng phục vụ các mục đích khác nhau.

Phát hiện màu sắc tập trung vào việc xác định các màu cụ thể trong một hình ảnh, trong khi phát hiện đối tượng nhận diện và phân loại các đối tượng bất kể màu sắc của chúng. Trong tình huống xe tự lái, phát hiện màu sắc phát hiện màu đỏ trong đèn giao thông, trong khi object detection xác định chính bản thân đèn giao thông, giúp chiếc xe đưa ra các quyết định lái xe an toàn.

Giới thiệu về không gian màu#

Một mô hình màu hoặc không gian màu là một hệ thống được sử dụng để thể hiện màu sắc trong hình ảnh kỹ thuật số và là một phần quan trọng của phát hiện màu sắc. Nó gán các giá trị số cho màu sắc, cho phép máy tính diễn giải chúng một cách nhất quán trên các thiết bị khác nhau. Không gian màu cung cấp một cách có cấu trúc để lưu trữ, điều chỉnh và hiển thị màu sắc trong các hệ thống kỹ thuật số.

Một số không gian màu thường được sử dụng bao gồm RGB cho màn hình kỹ thuật số, HSV (Hue, Saturation, Value) cho xử lý hình ảnh và CMYK (Cyan, Magenta, Yellow, Black) cho in ấn. RGB và HSV là những không gian màu được sử dụng thường xuyên nhất để phát hiện màu sắc. Hãy đi sâu vào cách chúng hoạt động.

Tổng quan về không gian màu RGB#

Không gian màu RGB được sử dụng rộng rãi trong hình ảnh kỹ thuật số, được tìm thấy trong màn hình, cameras và các thiết bị hiển thị. Nó hoạt động bằng cách kết hợp các mức độ ánh sáng đỏ, xanh lá cây và xanh dương khác nhau để tạo ra các màu sắc khác nhau. Khi cả ba màu đều ở cường độ tối đa, kết quả là màu trắng và khi không có màu nào xuất hiện, nó sẽ hiển thị màu đen.

Không gian màu này thường được hình dung như một khối lập phương màu, nơi mỗi trục đại diện cho một trong các màu cơ bản. Các góc của khối lập phương hiển thị màu đỏ, xanh lá và xanh dương thuần, cùng với sự kết hợp của chúng, trong khi bên trong chứa tất cả các sắc thái có thể có.

Mặc dù RGB đơn giản và phổ biến, nó có một số hạn chế. Màu sắc có thể không phải lúc nào cũng trông giống nhau đối với mắt người vì RGB không khớp hoàn toàn với cách chúng ta cảm nhận sự khác biệt về màu sắc. Nó cũng bị ảnh hưởng bởi điều kiện ánh sáng, nghĩa là màu sắc có thể trông khác nhau tùy thuộc vào độ sáng và môi trường.

Fig 2. Khối màu RGB.

Tổng quan về không gian màu HSV#

Không gian màu HSV (Hue, Saturation, Value) thể hiện màu sắc dựa trên ba thành phần: hue (loại màu), saturation (cường độ), và value (độ sáng). Không giống như RGB, vốn pha trộn các cường độ ánh sáng, HSV gần hơn với cách con người cảm nhận màu sắc, khiến nó trở thành một lựa chọn thực tế hơn cho nhiều tác vụ xử lý hình ảnh.

Cụ thể, hue đại diện cho màu sắc thực tế và được đo bằng độ trên bánh xe màu, với màu đỏ ở 0° và màu xanh dương ở 240°. Trong khi đó, saturation kiểm soát độ sống động hoặc xỉn màu của một màu, trong đó 0% là màu xám hoàn toàn và 100% là sống động hoàn toàn. Mặt khác, value xác định độ sáng, dao động từ 0% (đen) đến 100% (độ sáng tối đa).

Đáng chú ý là không gian màu HSV thường được trực quan hóa như một hình nón, trong đó sắc độ (hue) bao quanh cạnh, độ bão hòa (saturation) di chuyển ra ngoài và độ sáng tăng từ dưới lên trên. Vì nó tách biệt màu sắc khỏi độ sáng, HSV được sử dụng rộng rãi trong các computer vision applications.

Hình 3. Hình nón HSV.

So sánh không gian màu RGB và HSV#

Để so sánh RGB và HSV cạnh nhau, hãy lấy màu cam làm ví dụ. Trong không gian màu RGB, màu cam được tạo ra bằng cách trộn màu đỏ và xanh lá ở các cường độ cụ thể, thường được biểu diễn là (255, 165, 0) - nghĩa là đỏ tối đa, một chút xanh lá và không có xanh dương. Tuy nhiên, vì RGB không tách biệt màu sắc khỏi độ sáng, nó có thể kém trực quan hơn đối với các tác vụ đòi hỏi sự thao tác màu sắc chính xác.

Trong HSV, màu cam được định nghĩa khác. Hue của nó là khoảng 30°, xác định vị trí của nó trên bánh xe màu. Saturation của nó gần bằng 100%, nghĩa là đó là một màu sống động, tinh khiết, và value cũng là 100%, cho thấy độ sáng tối đa. Vì HSV tách biệt màu sắc khỏi độ sáng, nó thường hữu ích hơn trong các ứng dụng phát hiện màu sắc nơi điều kiện ánh sáng có thể thay đổi.

Hình 4. So sánh các giá trị RGB và HSV. Hình ảnh bởi tác giả.

Cách thức hoạt động của phát hiện màu sắc#

Thông thường, phát hiện màu sắc được tiếp cận như một kỹ thuật image-processing được sử dụng để xác định và tách biệt màu sắc từ hình ảnh hoặc video. Màu sắc được phát hiện trong hình ảnh bằng cách sử dụng xử lý hình ảnh dựa vào các không gian màu và các kỹ thuật ngưỡng để phân biệt các sắc thái, tông màu và cường độ cụ thể.

Dưới đây là tổng quan nhanh về các bước chính trong phát hiện màu sắc sử dụng xử lý hình ảnh:

• Thu nhận hình ảnh: Quá trình bắt đầu bằng việc chụp một hình ảnh hoặc khung hình video bằng máy ảnh. Hình ảnh thường được lưu trữ ở định dạng RGB dưới dạng ma trận các pixel.
• Chuyển đổi không gian màu: Vì RGB không phải lúc nào cũng lý tưởng cho phát hiện màu sắc, hình ảnh được chuyển đổi sang không gian màu HSV. Điều này giúp tách biệt màu sắc khỏi độ sáng, làm cho việc phát hiện ổn định hơn dưới các điều kiện ánh sáng khác nhau.
• Ngưỡng màu: Một dải cụ thể được xác định cho màu mục tiêu ở định dạng HSV. Bước này tạo ra một mask nhị phân, trong đó các pixel nằm trong dải màu được chọn sẽ xuất hiện màu trắng, và tất cả các pixel khác xuất hiện màu đen.
• Masking (Che phủ): Mask nhị phân được áp dụng cho hình ảnh gốc để tách biệt màu đã phát hiện, lọc bỏ mọi thứ khác. Điều này làm nổi bật chỉ các khu vực khớp với màu mong muốn.

Sau khi màu được phát hiện và tách biệt, nó có thể được sử dụng trong các tác vụ thị giác máy tính khác nhau, chẳng hạn như theo dõi đối tượng, phân đoạn hình ảnh và đưa ra quyết định tự động trong các ứng dụng như robot, chẩn đoán hình ảnh y tế và phương tiện tự hành.

Vai trò của phát hiện màu sắc trong thị giác máy tính#

Giờ đây khi đã biết cách thức hoạt động của phát hiện màu sắc, hãy cùng khám phá cách nó hỗ trợ các ứng dụng thị giác máy tính.

Trong một số trường hợp nhất định, phát hiện màu sắc có thể là một giải pháp thay thế đơn giản hơn cho các computer vision models, đặc biệt là trong các môi trường được kiểm soát nơi màu sắc là yếu tố chính để phân biệt các đối tượng. Thay vì huấn luyện một model với một tập dữ liệu lớn, phát hiện màu sắc cung cấp một giải pháp nhanh chóng và hiệu quả mà không cần gắn nhãn diện rộng hoặc đòi hỏi năng lực tính toán cao.

Ví dụ, trong một hệ thống phân loại táo tự động, một model computer vision như Ultralytics YOLO11 có thể được huấn luyện để classify táo theo độ chín, nhưng nó sẽ yêu cầu một dataset các hình ảnh được gán nhãn để xử lý các biến thể về ánh sáng, kết cấu và các loại táo.

Một cách tiếp cận đơn giản hơn là trước tiên phát hiện các quả táo bằng phát hiện đối tượng và sau đó phân tích màu sắc của chúng để xác định độ chín. Vì phương pháp này dựa trên các ngưỡng màu được xác định trước thay vì training một model, nên nó hoạt động tốt trong các điều kiện ổn định nơi ánh sáng và nền không thay đổi quá mạnh.

Mặc dù một model được huấn luyện tùy chỉnh có thể tốt hơn cho các môi trường phức tạp và thay đổi, phát hiện màu sắc là một giải pháp nhanh chóng, thiết thực và dễ tiếp cận cho các ứng dụng thời gian thực. Nó cũng là một điểm khởi đầu tuyệt vời cho những người đang tìm hiểu về xử lý hình ảnh và thị giác máy tính trước khi chuyển sang các giải pháp nâng cao hơn.

Các ứng dụng thực tế của phát hiện màu sắc#

Phát hiện màu sắc được sử dụng trong nhiều ngành công nghiệp cho các ứng dụng đa dạng. Hãy cùng xem qua một số trường hợp sử dụng trong thế giới thực.

Phát hiện màu sắc để đánh giá chất lượng vải#

Phát hiện màu sắc là rất quan trọng trong sản xuất vải và textile production. Nó thường được sử dụng trong các hệ thống kiểm tra chất lượng tự động hóa và nhận diện lỗi. Không giống như việc kiểm tra thủ công, vốn tốn thời gian và dễ xảy ra lỗi do con người, các hệ thống tự động cung cấp khả năng phát hiện lỗi chính xác và theo thời gian thực.

Cụ thể, bằng cách phân tích hình ảnh vải, các hệ thống thị giác máy tính có thể nhận diện các lỗi như phân bổ thuốc nhuộm không đều, phai màu và nhiễm bẩn. Các kỹ thuật phát hiện màu sắc nâng cao giúp việc kiểm soát chất lượng chính xác hơn bằng cách đo lường tính nhất quán của màu sắc trên các lô hàng khác nhau.

Hình 5. Phát hiện màu sắc đóng vai trò chủ chốt trong việc tạo ra vải nhiều màu.

Sử dụng phát hiện màu sắc trong nông nghiệp#

Như đã đề cập trước đó, màu sắc là một chỉ báo quan trọng về độ chín, và công nghệ phát hiện màu sắc có thể được sử dụng trong nông nghiệp để giám sát sức khỏe cây trồng và cải thiện thu hoạch.

Bằng cách phân tích các biến đổi màu sắc, nông dân có thể đánh giá sức khỏe cây trồng, phát hiện dịch bệnh và xác định khi nào cây trồng sẵn sàng để thu hoạch. Các robot hiện đại được trang bị cảm biến màu sắc và thị giác máy tính giúp tự động hóa quy trình bằng cách đảm bảo chỉ những cây trồng chín mới được hái. Những hệ thống này có thể tăng hiệu quả và năng suất, đặc biệt là ở những khu vực thiếu hụt lao động.

Fig 6. Xoài ở các mức độ chín khác nhau: (a) hỏng, (b) chín và (c) chưa chín.

Các điểm chính cần lưu ý#

Phát hiện màu sắc là một kỹ thuật thị giác máy tính sáng tạo với các ứng dụng trong nông nghiệp, sản xuất, chăm sóc sức khỏe và tự động hóa. Nó giúp máy móc nhận diện và diễn giải màu sắc để theo dõi đối tượng, kiểm soát chất lượng và đưa ra quyết định.

Trong khi các model AI nâng cao tiếp tục phát triển, phát hiện màu sắc vẫn là một giải pháp đơn giản và hiệu quả, đặc biệt là trong các môi trường được kiểm soát. Khi công nghệ tiến bộ, nó có khả năng sẽ tiếp tục đóng vai trò quan trọng trong việc cải thiện các ứng dụng trong thế giới thực.

Khám phá sâu hơn về AI bằng cách tham gia community của chúng tôi và GitHub repository. Tìm hiểu về các đổi mới trong AI in manufacturing và computer vision in healthcare, đồng thời khám phá cách bắt đầu tận dụng vision AI với các licensing options của chúng tôi.