Tận dụng khả năng nhận diện 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, không giống con người, máy móc không nhìn thấy màu sắc - chúng xử lý màu sắc dưới dạng dữ liệu, chuyển đổi các sắc độ và gam màu thành các giá trị số.

Một ô tô tự lái không chỉ nhìn thấy đèn giao thông màu đỏ - nó xử lý màu sắc đó như một tín hiệu để dừng lại. Khả năng nhận biết và diễn giải màu sắc này giúp thu hẹp khoảng cách giữa thị giác 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. Một khía cạnh quan trọng của lĩnh vực 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 những không gian màu khác nhau, việc phát hiện màu sắc có thể được sử dụng trong các ứng dụng như theo dõi đối tượng, chụp ảnh y khoa và tự động hóa.

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

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 tác vụ thị giác máy tính khác, tính năng này cải thiện độ chính xác và nâng cao hiệu quả của các ứng dụng trong thực tế. Trước khi tìm hiểu cách thức hoạt động của việc phát hiện màu sắc, chúng ta nên hiểu cách màu sắc được biểu diễn dưới dạng kỹ thuật số.

Ảnh kỹ thuật số được cấu thành từ các ô vuông nhỏ gọi là pixel, mỗi pixel chứa thông tin về màu sắc. Chẳng hạn, 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 xác định bởi ba giá trị, nằm trong khoảng từ 0 đến 255, trong đó 0 nghĩa là không có màu và 255 nghĩa là cường độ tối đa. Ví dụ, màu đỏ thuần khiết là (255, 0, 0) vì có giá trị đỏ cao nhất và không có xanh lá hoặc xanh dương. Màu trắng là (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 bạn đã quen thuộc với các model thị giác máy tính như Ultralytics YOLO11, có thể bạn sẽ thắc mắc tại sao phát hiện màu sắc lại là một kỹ thuật riêng biệt 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 kịch bản ô tô tự lái, phát hiện màu sắc phát hiện màu đỏ trên đèn giao thông, còn phát hiện đối tượng xác định chính đèn giao thông đó, giúp ô tô đưa ra các quyết định lái xe an toàn.

Giới thiệu về không gian màu#

Mô hình màu hoặc không gian màu là một hệ thống được sử dụng để biểu diễn màu sắc trong ảnh kỹ thuật số và là một phần quan trọng của việc phát hiện màu sắc. Hệ thống này gán các giá trị số cho màu sắc, cho phép máy tính diễn giải màu sắc một cách nhất quán trên các thiết bị khác nhau. Không gian màu cung cấp một 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 được sử dụng 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, Hồng cánh sen, Vàng, Đen) cho in ấn. RGB và HSV là những không gian màu được sử dụng thường xuyên nhất để phát hiện màu sắc. Hãy cùng tìm hiểu cách chúng hoạt động.

Tổng quan về không gian màu RGB#

Không gian màu RGB được sử dụng rộng rãi trong xử lý ảnh kỹ thuật số, xuất hiện trên màn hình, camera và các thiết bị hiển thị. Không gian này hoạt động bằng cách kết hợp các mức khác nhau của ánh sáng đỏ, xanh lá và xanh dương để tạo ra nhiều màu sắc. Khi cả ba màu đều có 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 như một khối lập phương màu, trong đó mỗi trục biểu diễn một màu cơ bản. Các đỉnh của khối lập phương thể hiện màu đỏ, xanh lá và xanh dương thuần khiết cùng các tổ hợp của chúng, còn phần bên trong chứa mọi sắc độ có thể có.

Mặc dù RGB đơn giản và phổ biến, không gian này vẫn có một số hạn chế. Màu sắc có thể không luôn hiển thị giống nhau đối với mắt người vì RGB không tương ứng đồng đều với cách chúng ta cảm nhận sự khác biệt về màu sắc. Không gian này cũng bị ảnh hưởng bởi điều kiện chiếu sáng, nghĩa là màu sắc có thể trông khác nhau tùy thuộc vào 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 trộn các cường độ ánh sáng, HSV gần với cách con người cảm nhận màu sắc hơn, khiến không gian này trở thành lựa chọn thực tế hơn cho nhiều tác vụ xử lý ảnh.

Cụ thể, sắc độ biểu thị màu thực tế và được đo bằng độ trên một vòng tròn màu, với màu đỏ ở 0° và màu xanh dương ở 240°. Trong khi đó, độ bão hòa kiểm soát mức độ rực rỡ hoặc xỉn màu, trong đó 0% là hoàn toàn xám và 100% là hoàn toàn rực rỡ. Mặt khác, giá trị xác định độ sáng, trong khoảng từ 0% (màu 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 cạnh, độ bão hòa hướng ra ngoài và độ sáng tăng dần 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 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 phần xanh lá và không có xanh dương. Tuy nhiên, vì RGB không tách màu sắc khỏi độ sáng, không gian này có thể kém trực quan hơn đối với các tác vụ yêu cầu điều chỉnh màu sắc chính xác.

Trong HSV, màu cam được xác định theo cách khác. Sắc độ của màu này vào khoảng 30°, xác định vị trí của nó trên vòng tròn màu. Độ bão hòa gần 100%, nghĩa là đây là một màu rực rỡ, thuần khiết, và giá trị cũng là 100%, biểu thị độ sáng tối đa. Vì HSV tách màu sắc khỏi độ sáng, không gian này thường hữu ích hơn trong các ứng dụng phát hiện màu sắc, nơi điều kiện chiếu sáng có thể thay đổi.

Hình 4. So sánh các giá trị RGB và HSV. Hình ảnh do tác giả cung cấp.

Cách thức hoạt động của việc phát hiện màu sắc#

Thông thường, phát hiện màu sắc được tiếp cận như một kỹ thuật xử lý ảnh dùng để xác định và tách màu sắc khỏi hình ảnh hoặc video. Việc phát hiện màu sắc trong hình ảnh bằng xử lý ảnh dựa vào không gian màu và các kỹ thuật ngưỡng hóa để phân biệt các sắc độ, gam 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 hình ảnh: Quá trình bắt đầu bằng việc chụp một hình ảnh hoặc khung hình video bằng camera. Hình ảnh thường được lưu trữ ở định dạng RGB dưới dạng ma trận pixel.
• Chuyển đổi không gian màu: Vì RGB không phải lúc nào cũng lý tưởng cho việc phát hiện màu sắc, hình ảnh được chuyển đổi sang không gian màu HSV. Điều này giúp tách màu sắc khỏi độ sáng, khiến quá trình phát hiện ổn định hơn trong các điều kiện chiếu sáng khác nhau.
• Ngưỡng hóa màu sắc: Một khoảng cụ thể được xác định cho màu mục tiêu trong định dạng HSV. Bước này tạo ra một mask nhị phân, trong đó các pixel nằm trong khoảng màu đã chọn sẽ có màu trắng, còn tất cả pixel khác có màu đen.
• Tạo mask: Mask nhị phân được áp dụng lên hình ảnh gốc để tách màu đã phát hiện, lọc bỏ mọi thành phần khác. Thao tác này chỉ làm nổi bật những vùng khớp với màu mong muốn.

Sau khi màu sắc được phát hiện và tách riêng, thông tin này có thể được sử dụng trong nhiều tác vụ thị giác máy tính như theo dõi đối tượng, phân đoạn ảnh và ra quyết định tự động trong các ứng dụng như robot, chụp ảnh y khoa và phương tiện tự hành.

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

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

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

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

Một phương pháp đơn giản hơn là trước tiên phát hiện những quả táo bằng phát hiện đối tượng, 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 huấn luyện model, nó hoạt động tốt trong các điều kiện ổn định, nơi ánh sáng và nền không thay đổi đáng kể.

Mặc dù một model được huấn luyện tùy chỉnh có thể phù hợp hơn với các môi trường phức tạp và biến động, phát hiện màu sắc vẫn là một giải pháp nhanh, thực tế và dễ tiếp cận cho các ứng dụng thời gian thực. Đây cũng là điểm khởi đầu hiệu quả cho những người đang tìm hiểu về xử lý ảnh và thị giác máy tính trước khi chuyển sang các giải pháp nâng cao hơn.

Các ứng dụng thực tế của việc phát hiện màu sắc#

Phát hiện màu sắc được sử dụng trong nhiều ngành với đa dạng ứng dụng. Hãy cùng điểm qua một số trường hợp sử dụng trong thực tế.

Phát hiện màu sắc để đánh giá chất lượng vải#

Phát hiện màu sắc đóng vai trò quan trọng trong sản xuất vải và dệt may. Công nghệ này thường được sử dụng trong các hệ thống kiểm soát chất lượng và nhận diện lỗi tự động. Không giống quy trình kiểm tra thủ công vốn tốn thời gian và dễ xảy ra sai sót do con người, các hệ thống tự động cung cấp khả năng phát hiện lỗi chính xác theo thời gian thực.

Cụ thể, bằng cách phân tích hình ảnh vải, các hệ thống thị giác máy tính có thể xác định những lỗi như phân bố thuốc nhuộm không đồng đều, phai màu và nhiễm bẩn. Các kỹ thuật phát hiện màu sắc nâng cao giúp kiểm soát chất lượng chính xác hơn bằng cách đo độ nhất quán màu giữa các lô khác nhau.

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

Ứng 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 theo dõi sức khỏe cây trồng và cải thiện hoạt động thu hoạch.

Bằng cách phân tích các biến thiên màu sắc, nông dân có thể đánh giá sức khỏe cây trồng, phát hiện bệnh và xác định thời điểm cây trồng sẵn sàng để thu hoạch. Các robot tiên tiến 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 đã chín mới được thu hoạch. Những hệ thống này có thể nâng cao hiệu quả và năng suất, đặc biệt tại các khu vực thiếu hụt lao động.

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

Những điểm chính#

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

Mặc 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 những 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 repository GitHub của chúng tôi. Tìm hiểu về những đổi mới trong AI trong sản xuất và thị giác máy tính trong lĩnh vực chăm sóc sức khỏe, đồng thời khám phá cách bắt đầu tận dụng AI thị giác với các tùy chọn cấp phép của chúng tôi.