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

Màu sắc đóng vai trò thiết yếu trong cách con người trải nghiệm thế giới, giúp chúng ta nhận biết, thấu hiểu và kết nối với môi trường xung quanh. Tuy nhiên, khác với con người, máy móc không nhìn thấy màu sắc; máy xử lý màu dưới dạng dữ liệu, chuyển các sắc độ và gam màu thành giá trị số.

Xe tự lái không chỉ nhìn thấy đèn giao thông màu đỏ; xe xử lý màu sắc như một tín hiệu dừng. Khả năng nhận diện và diễn giải màu sắc này giúp thu hẹp khoảng cách giữa thị giác của con người và thị giác máy tính.

Thị giác máy tính là một nhánh của AI, cho phép máy móc phân tích và hiểu dữ liệu hình ảnh. Phát hiện màu sắc là một khía cạnh quan trọng, giúp máy móc nhận biết và phân biệt các đối tượng dựa trên màu sắc. Bằng cách phân tích giá trị pixel trong các không gian màu khác nhau, có thể áp dụng phát hiện màu sắc vào các lĩnh vực như theo dõi đối tượng, chẩn đoán hình ảnh y tế và tự động hóa.

Trong bài viết này, chúng ta sẽ tìm hiểu kỹ hơn cách phát hiện màu hoạt động, vì sao việc này quan trọng và cách ứng dụng kỹ thuật này trong các ứng dụng thị giác máy tính.

Phát hiện màu sắc là gì?#

Phát hiện màu sắc giúp máy móc nhận diện đối tượng và hiểu cảnh vật dựa trên màu sắc. Khi kết hợp với các tác vụ thị giác máy tính khác, phương pháp này cải thiện độ chính xác và nâng cao hiệu quả ứng dụng thực tế. Trước khi tìm hiểu cách phát hiện màu sắc hoạt động, chúng ta cần biết cách biểu diễn màu sắc dưới dạng số.

Ảnh kỹ thuật số được tạo thành từ những ô vuông nhỏ gọi là pixel, mỗi pixel lưu trữ thông tin màu sắc. Ví dụ, trong mô hình màu RGB (Đỏ, Lục, Lam), màu sắc được tạo ra bằng cách kết hợp các cường độ khác nhau của màu đỏ, lục và lam.

Mỗi màu được xác định 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 có giá trị (255, 0, 0) vì có giá trị đỏ cao nhất và không có màu lục hoặc lam. Màu trắng có giá trị (255, 255, 255) vì cả ba màu đều có cường độ tối đa.

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

Nếu đã quen thuộc với các model thị giác máy tính như Ultralytics YOLO11, bạn có thể thắc mắc vì sao phát hiện màu sắc là một kỹ thuật riêng biệt với phát hiện đối tượng. 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 những màu cụ thể trong ảnh, còn phát hiện đối tượng nhận diện và phân loại vật thể bất kể màu sắc. Trong trường hợp xe tự lái, phát hiện màu sắc nhận diện màu đỏ của đèn giao thông, còn phát hiện đối tượng xác định chính đèn giao thông, giúp xe đưa ra quyết định lái xe an toàn.

Giới thiệu về không gian màu#

Mô hình màu hoặc không gian màu là hệ thống dùng để biểu diễn màu sắc trong ảnh kỹ thuật số và là thành phần thiết yếu của quá trình phát hiện màu sắc. Hệ thống này gán giá trị số cho màu sắc, cho phép máy tính diễn giải chúng nhất quán trên nhiều thiết bị khác nhau. Không gian màu cung cấp phương thức 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 dùng gồm RGB cho màn hình kỹ thuật số, HSV (Sắc độ, Độ bão hòa, Giá trị) cho xử lý hình ảnh và CMYK (Lục lam, Đỏ tươi, Vàng, Đen) cho in ấn. RGB và HSV là các không gian màu được dùng phổ biến nhất để phát hiện màu. Sau đây là cách hoạt động của chúng.

Tổng quan về không gian màu RGB#

Không gian màu RGB được sử dụng rộng rãi trong xử lý ảnh kỹ thuật số, hiện diện trên màn hình, camera và thiết bị hiển thị. Không gian này kết hợp các mức ánh sáng đỏ, lục và lam khác nhau để tạo ra nhiều màu sắc. Khi cả ba màu đạt cường độ tối đa, kết quả là màu trắng; khi không có màu nào, kết quả là màu đen.

Không gian màu này thường được hình dung dưới dạng khối lập phương màu, trong đó mỗi trục biểu thị một màu cơ bản. Các đỉnh khối lập phương thể hiện màu đỏ, lục và lam thuần cùng các tổ hợp của chúng, còn phần bên trong chứa mọi sắc độ có thể có.

Dù RGB đơn giản và phổ biến, không gian màu này cũng có một số hạn chế. Màu sắc có thể không luôn giống nhau đối với mắt người vì RGB không tương ứng đồng đều với cách chúng ta cảm nhận sự khác biệt màu sắc. RGB cũng chịu ảnh hưởng của điều kiện chiếu sáng, khiến màu sắc có thể trông khác nhau tùy theo độ sáng và môi trường.

Hình 2. Khối lập phương màu RGB.

Tổng quan về không gian màu HSV#

Không gian màu HSV (Sắc độ, Độ bão hòa, Giá trị) biểu diễn màu sắc dựa trên ba thành phần: sắc độ (loại màu), độ bão hòa (cường độ màu) và giá trị (độ sáng). Không giống RGB, vốn kết hợp cường độ ánh sáng, HSV gần với cách con người cảm nhận màu sắc hơn, nên là lựa chọn thiết thực hơn cho nhiều tác vụ xử lý ảnh.

Cụ thể, sắc độ biểu thị màu thực tế và được đo bằng độ trên vòng tròn màu, trong đó màu đỏ ở 0° và màu lam ở 240°. Độ bão hòa kiểm soát mức độ rực rỡ hay nhạt của màu; 0% là màu xám hoàn toàn, còn 100% là màu rực rỡ tối đa. Trong khi đó, giá trị xác định độ sáng, từ 0% (đen) đến 100% (độ sáng tối đa).

Điều thú vị là không gian màu HSV thường được hình dung như một hình nón, trong đó sắc độ xoay quanh mép hình nón, độ bão hòa tăng dần ra phía ngoài và độ sáng tăng từ dưới lên trên. Vì tách màu sắc khỏi độ sáng, HSV được sử dụng rộng rãi trong các ứng dụng thị giác máy tính.

Hình 3. Hình nón HSV.

So sánh không gian màu RGB và HSV#

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

Trong HSV, màu cam được định nghĩa khác đi. Sắc độ của màu này vào khoảng 39°, yếu tố quyết định vị trí của nó trên vòng màu. Độ bão hòa gần 100%, nghĩa là màu rất sống động và thuần khiết; độ sáng cũng ở mức 100%, cho biết màu có độ sáng tối đa. Vì HSV tách màu sắc khỏi độ sáng, hệ màu này thường hữu ích hơn trong các ứng dụng phát hiện màu khi điều kiện chiếu sáng có thể thay đổi.

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

Cách phát hiện màu sắc hoạt động#

Thông thường, phát hiện màu được xem là kỹ thuật xử lý hình ảnh dùng để xác định và tách màu khỏi hình ảnh hoặc video. Việc phát hiện màu trong hình ảnh bằng xử lý hình ảnh dựa vào không gian màu và kỹ thuật phân ngưỡng để phân biệt các sắc độ, tông màu và cường độ cụ thể.

Dưới đây là tổng quan nhanh về các bước chính trong quá trình phát hiện màu sắc bằng xử lý ảnh:

• Thu nhận ảnh: Quá trình bắt đầu bằng việc dùng camera chụp ảnh hoặc khung hình video. Ảnh thường được lưu ở định dạng RGB dưới dạng ma trận pixel.
• Chuyển đổi không gian màu: Vì RGB không phải lúc nào cũng phù hợp để phát hiện màu sắc, ảnh được chuyển sang không gian màu HSV. Việc này giúp tách màu sắc khỏi độ sáng, giúp quá trình phát hiện ổn định hơn trong các điều kiện chiếu sáng khác nhau.
• Đặt ngưỡng màu: Xác định một dải giá trị cụ thể cho màu mục tiêu trong định dạng HSV. Bước này tạo mặt nạ nhị phân, trong đó các pixel nằm trong dải màu được chọn hiển thị màu trắng, còn tất cả pixel khác hiển thị màu đen.
• Tạo mặt nạ: Mặt nạ nhị phân được áp dụng lên ảnh gốc để tách màu đã phát hiện và lọc bỏ mọi yếu tố khác. Nhờ đó, chỉ những vùng khớp với màu mong muốn được làm nổi bật.

Sau khi màu sắc được phát hiện và tách riêng, thông tin này có thể được dùng trong nhiều tác vụ thị giác máy tính, chẳng hạn như theo dõi đối tượng, phân đoạn ảnh và ra quyết định tự động trong các ứng dụng như robotics, chẩn đoán hình ảnh y tế và xe tự hành.

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

Giờ đây, khi đã biết cách phát hiện màu sắc hoạt động, hãy cùng tìm hiểu cách phương pháp này hỗ trợ các ứng dụng thị giác máy tính.

Trong một số trường hợp, phát hiện màu sắc có thể là giải pháp đơn giản hơn so với model thị giác máy tính, đặc biệt trong môi trường được kiểm soát, nơi màu sắc là yếu tố chính để phân biệt các đối tượng. Thay vì huấn luyện model bằng một dataset khổng lồ, phát hiện màu sắc cung cấp giải pháp nhanh và hiệu quả mà không cần gán nhãn quy mô lớn hoặc năng lực tính toán cao.

Ví dụ, trong hệ thống phân loại táo tự động, có thể huấn luyện một model thị giác máy tính như Ultralytics YOLO11 để phân loại táo theo độ chín, nhưng cần có dataset ảnh được gán nhãn để xử lý sự khác biệt về ánh sáng, kết cấu và loại táo.

Một phương pháp đơn giản hơn là trước tiên phát hiện táo bằng phát hiện đối tượng, sau đó phân tích màu sắc để xác định độ chín. Vì phương pháp này dựa vào các ngưỡng màu được xác định trước thay vì huấn luyện model, nó hoạt động hiệu quả trong điều kiện ổn định, khi ánh sáng và phông nền không thay đổi đáng kể.

Model được huấn luyện tùy chỉnh có thể phù hợp hơn với môi trường phức tạp và biến động, nhưng phát hiện màu sắc là giải pháp nhanh, thiết thực và dễ tiếp cận cho các ứng dụng thời gian thực. Đây cũng là điểm khởi đầu phù hợp cho những người tìm hiểu về xử lý ảnh và thị giác máy tính trước khi chuyển sang các giải pháp tiên tiến hơn.

Các ứng dụng thực tế của phát hiện màu sắc#

Phát hiện màu sắc được sử dụng trong nhiều ngành công nghiệp cho nhiều ứng dụng khác nhau. Hãy cùng xem qua một số trường hợp sử dụng thực tế.

Phát hiện màu sắc để đánh giá chất lượng vải#

Phát hiện màu sắc rất quan trọng trong sản xuất vải và dệt may. Công nghệ này thường được dùng trong các hệ thống kiểm soát chất lượng tự động và nhận diện lỗi. So với kiểm tra thủ công vốn tốn thời gian và dễ xảy ra sai sót do con người, các hệ thống tự động 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 lỗi như thuốc nhuộm phân bố không đều, phai màu và nhiễm bẩn. Các kỹ thuật phát hiện màu sắc tiên tiến cho phép kiểm soát chất lượng chính xác hơn bằng cách đo độ đồng nhất màu giữa các lô hàng.

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

Ứng dụng phát hiện màu sắc trong nông nghiệp#

Như đã đề cập trước đó, màu sắc là chỉ báo quan trọng về độ chín; công nghệ phát hiện màu sắc có thể được ứng dụng trong nông nghiệp để theo dõi sức khỏe cây trồng và cải thiện hoạt động thu hoạch.

Bằng cách phân tích các biến thể màu sắc, nông dân có thể đánh giá sức khỏe cây trồng, phát hiện bệnh và xác định thời điểm cây trồng sẵn sàng thu hoạch. Robot tiên tiến được trang bị cảm biến màu sắc và thị giác máy tính giúp tự động hóa quy trình, đảm bảo chỉ thu hoạch những cây đã chín. Các hệ thống này có thể tăng hiệu quả và năng suất, đặc biệt ở những khu vực thiếu lao động.

Hình 6. Xoài ở các mức độ chín khác nhau: (a) thối, (b) chín và (c) xanh.

Điểm chính cần ghi nhớ#

Phát hiện màu là kỹ thuật thị giác máy tính thiết thực, được ứng dụng trong nông nghiệp, sản xuất, chăm sóc sức khỏe và tự động hóa. Kỹ thuật này giúp máy móc nhận diện và diễn giải màu sắc để theo dõi đối tượng, kiểm soát chất lượng và hỗ trợ ra quyết định.

Dù các model AI tiên tiến không ngừng phát triển, phát hiện màu sắc vẫn là một giải pháp đơn giản và hiệu quả, đặc biệt trong môi trường được kiểm soát. Khi công nghệ tiến bộ, kỹ thuật này nhiều khả năng sẽ tiếp tục đóng vai trò quan trọng trong việc cải thiện các ứng dụng thực tế.

Tìm hiểu sâu hơn về AI bằng cách khám phá cộng đồng và kho GitHub của chúng tôi. Tìm hiểu về những đổi mới trong AI trong sản xuất và thị giác máy tính trong chăm sóc sức khỏe, đồng thời khám phá cách bắt đầu ứng dụng AI thị giác với các tùy chọn cấp phép của chúng tôi.