Template matching là gì? Hướng dẫn nhanh

Hình ảnh thường chứa nhiều chi tiết nhỏ mà con người có thể dễ dàng nhận ra. Tuy nhiên, đối với máy móc, nhiệm vụ này không hề đơn giản như vậy. Máy móc nhận biết hình ảnh kỹ thuật số dưới dạng một lưới các giá trị pixel, và ngay cả những thay đổi nhỏ về ánh sáng, góc nhìn, tỷ lệ hoặc độ sắc nét cũng có thể gây nhầm lẫn.

Khả năng phân tích hình ảnh của máy thường bắt nguồn từ hai lĩnh vực khoa học máy tính có mối liên hệ chặt chẽ: xử lý ảnh và thị giác máy tính. Mặc dù thường phối hợp với nhau, chúng có những mục đích cốt lõi khác nhau.

Xử lý ảnh tập trung vào hình ảnh dưới dạng dữ liệu thô. Nó có thể cải thiện hình ảnh nhưng không cố gắng hiểu nội dung bên trong. Đó là điểm khác biệt của thị giác máy tính. Thị giác máy tính là một nhánh của trí tuệ nhân tạo (AI), cho phép máy móc hiểu hình ảnh và video.

Xử lý ảnh cơ bản đã tồn tại trong nhiều năm, nhưng những đổi mới tiên tiến trong thị giác máy tính mới xuất hiện gần đây. Một cách hữu ích để hiểu lịch sử của lĩnh vực này là nhìn lại cách chúng ta từng giải quyết các vấn đề đó bằng những phương pháp cũ và truyền thống hơn.

Lấy đối sánh hình ảnh làm ví dụ. Đây là một tác vụ thị giác phổ biến, trong đó hệ thống phải xác định xem một đối tượng hoặc mẫu cụ thể có tồn tại bên trong một hình ảnh lớn hơn hay không.

Ngày nay, việc này có thể được thực hiện dễ dàng và chính xác bằng AI và học sâu. Tuy nhiên, trước khi các mạng neural hiện đại phát triển mạnh vào thập niên 2010, phương pháp được sử dụng phổ biến là một kỹ thuật đơn giản hơn nhiều có tên gọi là đối sánh mẫu.

Hình 1. Ví dụ về đối sánh mẫu (Nguồn)

Đối sánh mẫu là một kỹ thuật xử lý ảnh, trong đó một hình ảnh mẫu nhỏ được trượt qua một hình ảnh lớn hơn theo từng pixel. Quy trình trượt tương tự phép tích chập này cho phép thuật toán tìm ra vị trí khớp gần nhất với mẫu cụ thể đó.

Trong bài viết này, chúng ta sẽ tìm hiểu đối sánh mẫu là gì và những cải tiến hiện đại giúp phương pháp này đáng tin cậy hơn trong các tình huống thực tế. Hãy bắt đầu!

Đối sánh mẫu là gì?#

Đối sánh mẫu cũng có thể được gọi là một kỹ thuật thị giác máy tính cổ điển, nghĩa là kỹ thuật này hoạt động trực tiếp với các pixel hình ảnh (đơn vị nhỏ nhất của hình ảnh kỹ thuật số). Nó được sử dụng để tìm một mẫu nhỏ hơn bên trong một hình ảnh lớn hơn.

Các phương pháp như vậy được xác định bằng hình học, quang học và các quy tắc toán học, thay vì huấn luyện các model lớn trên những tập dữ liệu khổng lồ. Nói cách khác, hệ thống đối sánh mẫu so sánh độ sáng, màu sắc và các thông tin pixel khác giữa hai đầu vào: hình ảnh đầu vào (hình ảnh lớn hơn) và hình ảnh mẫu nhỏ hơn (mẫu cần tìm).

Hình 2. Hình ảnh A và Hình ảnh B là các ví dụ về mẫu. (Nguồn)

Mục tiêu chính của đối sánh mẫu là xác định vị trí mẫu xuất hiện trong khung cảnh lớn hơn và đo mức độ khớp của mẫu với các vùng khác nhau trong hình ảnh. Thuật toán đối sánh mẫu thực hiện việc này bằng cách trượt mẫu qua hình ảnh lớn hơn và tính điểm tương đồng tại mọi vị trí.

Các vùng có điểm số cao hơn được xem là khớp tốt nhất, nghĩa là chúng tương đồng cao với mẫu. Vì phương pháp này dựa trên việc so sánh từng pixel, nó hoạt động tốt nhất trong các môi trường được kiểm soát, nơi diện mạo của đối tượng không thay đổi.

Ví dụ, đối sánh mẫu có thể được sử dụng trong các tác vụ kiểm tra nhãn thuộc quy trình kiểm soát chất lượng. Phương pháp này có thể dễ dàng đối sánh hình ảnh mẫu của nhãn với hình ảnh sản phẩm hoàn thiện để kiểm tra xem nhãn có hiện diện hay không.

Đối sánh mẫu hoạt động như thế nào#

Dưới đây là tổng quan từng bước về cách đối sánh mẫu hoạt động:

• Bước 1 - Chuẩn bị hình ảnh: Quy trình bắt đầu bằng việc tải hình ảnh đầu vào và hình ảnh mẫu, sau đó chuyển cả hai thành hình ảnh grayscale. Vì đối sánh mẫu dựa trên việc so sánh các giá trị pixel, việc loại bỏ thông tin màu giúp giảm nhiễu và tăng tốc quá trình xử lý ảnh.

• Bước 2 - Trượt mẫu qua hình ảnh: Tiếp theo, thuật toán đối sánh mẫu trượt mẫu qua hình ảnh lớn hơn từng pixel một (bắt đầu từ góc trên bên trái). Mỗi bước di chuyển là một lần lặp, trong đó thuật toán trích xuất một vùng ảnh từ hình ảnh nguồn có kích thước khớp với mẫu.

• Bước 3 - Đo mức độ khớp: Mỗi vùng ảnh được so sánh với mẫu bằng một phương pháp đối sánh toán học để tạo ra metric tương quan hoặc giá trị tương quan cho mọi vị trí khả dĩ. Các phương pháp phổ biến gồm hiệu bình phương (đo khoảng cách số giữa cường độ pixel để tính tổng sai lệch), tương quan chéo chuẩn hóa (nhân các giá trị pixel để xác định mức độ khớp giữa các mẫu sáng và tối) và hệ số tương quan (trừ độ sáng trung bình để đảm bảo kết quả khớp vẫn chính xác ngay cả khi ánh sáng thay đổi đôi chút).

• Bước 4 - Xác định kết quả khớp tốt nhất: Sau khi đánh giá tất cả vị trí, thuật toán chọn kết quả khớp tốt nhất bằng cách tìm giá trị lớn nhất hoặc nhỏ nhất, tùy thuộc vào phương pháp được sử dụng. Một ngưỡng thường được áp dụng cho các kết quả này để đảm bảo chỉ những kết quả khớp có điểm tin cậy đủ cao mới được chấp nhận, đồng thời lọc bỏ các phát hiện yếu hoặc không chính xác.

• Bước 5 - Làm nổi bật kết quả: Cuối cùng, vị trí được phát hiện được ánh xạ trở lại hình ảnh gốc. Thông thường, một bounding box được vẽ quanh vùng khớp để hiển thị rõ vị trí xuất hiện của mẫu.

Thực hành với đối sánh mẫu#

Mặc dù đối sánh mẫu dựa trên xử lý ảnh thường không được sử dụng trong các hoạt động triển khai giải pháp thị giác máy tính động ngoài thực tế do những hạn chế của nó, nếu bạn muốn thử nghiệm, các thư viện Python như OpenCV giúp quy trình này trở nên đơn giản và cung cấp các hướng dẫn dễ làm theo. Thư viện này có hàm matchTemplate tích hợp để xử lý các phép so sánh toán học phức tạp.

Ngoài ra, thư viện này hỗ trợ các hàm khác cho những tác vụ đơn giản như tải hình ảnh bằng hàm imread và chuyển đổi màu bằng hàm cvtColor để biến hình ảnh thành grayscale. Chuyển đổi màu là một bước quan trọng vì việc giảm hình ảnh xuống một kênh cường độ duy nhất giúp phép so sánh toán học bên trong matchTemplate nhanh hơn nhiều và ít nhạy cảm hơn với nhiễu màu.

Sau khi tạo similarity map, OpenCV cũng tích hợp hàm minMaxLoc để hoàn tất quá trình phát hiện. Hàm này có thể quét toàn bộ map nhằm xác định các giá trị nhỏ nhất và lớn nhất trên toàn cục cùng với tọa độ chính xác của chúng. Tùy thuộc vào phương pháp đối sánh được sử dụng, minMaxLoc cho phép bạn ngay lập tức xác định vị trí khớp tốt nhất bằng cách tìm tương quan cao nhất hoặc giá trị lỗi thấp nhất trong dữ liệu.

Bên cạnh OpenCV, các thư viện như NumPy rất cần thiết để xử lý các mảng hình ảnh và áp dụng ngưỡng cho kết quả, trong khi Matplotlib thường được dùng để trực quan hóa similarity map và kết quả phát hiện cuối cùng. Kết hợp lại, các công cụ này cung cấp một môi trường hoàn chỉnh để xây dựng và debug giải pháp đối sánh mẫu.

Các ứng dụng thực tế của đối sánh mẫu#

Giờ đây, khi đã hiểu rõ hơn về cách đối sánh mẫu hoạt động, hãy cùng xem xét kỹ hơn các ứng dụng của phương pháp này trong những tình huống thực tế.

Nhận diện các phong cách kiến trúc truyền thống#

Trong các nghiên cứu về di sản văn hóa và kiến trúc, các nhà nghiên cứu phải phân tích ảnh chụp các tòa nhà lịch sử, đền chùa và di tích để hiểu các mẫu thiết kế thay đổi như thế nào giữa các khu vực. Trước khi các model thị giác máy tính tiên tiến được áp dụng rộng rãi, họ đã sử dụng các kỹ thuật đối sánh hình ảnh để nghiên cứu những công trình này.

Đối sánh mẫu cho phép các nhà nghiên cứu tập trung vào những đặc điểm kiến trúc cụ thể như đường viền mái nhà, cách sắp xếp cửa sổ hoặc họa tiết trên tường. Bằng cách trượt các mẫu hoặc hình ảnh tham chiếu qua những hình ảnh lớn hơn, họ có thể xác định các hình dạng lặp lại và giảm thời gian phân tích hình ảnh thủ công, vốn có thể kéo dài hàng giờ.

Một ví dụ thú vị đến từ một nghiên cứu liên quan đến nhà truyền thống Indonesia. Các nhà nghiên cứu đã tạo những mẫu nhỏ thể hiện các đặc điểm tiêu biểu và so sánh chúng với ảnh chụp toàn cảnh. Phương pháp này được sử dụng để làm nổi bật các vùng hình ảnh khớp gần với mẫu và phân loại phong cách kiến trúc giữa các khu vực.

Hình 3. Sử dụng đối sánh mẫu để phân loại nhà truyền thống ở Indonesia (Nguồn)

Phát hiện đối tượng trong các hệ thống thị giác công nghiệp#

Môi trường công nghiệp có thể hưởng lợi từ các hệ thống thị giác có khả năng nhanh chóng phát hiện linh kiện, xác minh quá trình lắp ráp hoặc nhận diện lỗi. Trước khi học sâu trở nên phổ biến trong sản xuất, nhiều nhóm đã thử nghiệm các phương pháp đối sánh hình ảnh để tự động hóa những tác vụ này.

Nói đơn giản, một mẫu tham chiếu của linh kiện có thể được sử dụng để quét hình ảnh từ dây chuyền sản xuất và làm nổi bật các vùng khớp với mẫu. Phương pháp này hoạt động hiệu quả khi các bộ phận xuất hiện ở những vị trí nhất quán và ánh sáng ổn định.

Đối sánh mẫu để phát hiện khối u phổi#

Ngay cả khi công nghệ tiên tiến đang tạo ra tác động trong lĩnh vực chăm sóc sức khỏe, việc chẩn đoán các vấn đề sức khỏe từ hình ảnh y khoa như ảnh chụp CT vẫn là một thách thức. Theo phương pháp truyền thống, bác sĩ chẩn đoán hình ảnh phải xem xét thủ công từng lát cắt, một quy trình đòi hỏi độ chính xác cực cao và nhiều thời gian.

Trước khi học sâu được áp dụng trong chăm sóc sức khỏe, các nhà nghiên cứu đã thử sử dụng đối sánh mẫu để tinh gọn quy trình và hỗ trợ xác định các bất thường. Một ví dụ tiêu biểu của kỹ thuật này là phát hiện khối u hoặc nốt phổi.

Trong phương pháp này, các nhà nghiên cứu tạo ra những mẫu tham chiếu thể hiện hình dạng và cường độ điển hình của khối u. Sau đó, hệ thống trượt các mẫu này qua ảnh chụp của bệnh nhân và đo độ tương đồng tại từng tọa độ.

Hình 4. Phát hiện khối u phổi bằng đối sánh mẫu (Nguồn)

Ưu điểm và nhược điểm của đối sánh mẫu#

Dưới đây là một số lợi ích chính của việc sử dụng đối sánh mẫu:

• Trực quan và đơn giản: Đối sánh mẫu dễ hiểu và dễ triển khai, là điểm khởi đầu lý tưởng cho người mới bắt đầu với AI và thị giác máy tính.
• Đáng tin cậy trong điều kiện được kiểm soát: Phương pháp này hoạt động hiệu quả trên hình ảnh grayscale với ánh sáng nhất quán, cho kết quả chính xác khi các mẫu và nền ổn định.
• Dễ tích hợp: Sử dụng các thư viện Python như OpenCV, đối sánh mẫu có thể nhanh chóng được áp dụng vào các dự án thực tế mà không cần thiết lập phức tạp hoặc tính toán nặng.

Mặc dù đối sánh mẫu mang lại nhiều lợi ích, phương pháp này cũng có những hạn chế. Dưới đây là một số thách thức cần lưu ý:

• Nhạy cảm với tỷ lệ và phép xoay: Sự thay đổi về kích thước hoặc hướng của mẫu có thể làm giảm độ chính xác.
• Phụ thuộc vào ánh sáng và độ tương phản: Những thay đổi về ánh sáng hoặc độ tương phản giữa mẫu và hình ảnh có thể gây ra kết quả khớp sai hoặc khiến mẫu khó được phát hiện hơn.
• Khả năng thích ứng hạn chế: Không giống các phương pháp dựa trên AI, đối sánh mẫu không thể học từ dữ liệu hoặc cải thiện theo thời gian. Phương pháp này hoạt động tốt nhất trong các bối cảnh được kiểm soát hoặc lặp lại.

Những điểm chính#

Thị giác máy tính là một lĩnh vực rộng lớn và bao quát nhiều kỹ thuật khác nhau. Tìm hiểu về các kỹ thuật xử lý ảnh truyền thống, chẳng hạn như đối sánh mẫu, là một điểm khởi đầu tuyệt vời để hiểu cách thức hoạt động của phân tích hình ảnh. Những đổi mới tiên tiến về AI thị giác được xây dựng trên cùng các khái niệm cốt lõi và giải quyết các vấn đề tương tự.

Bạn muốn tìm hiểu thêm về AI? Hãy tham gia cộng đồng của chúng tôi và xem repository GitHub của chúng tôi. Tìm hiểu cách AI trong bán lẻ và AI thị giác trong sản xuất đang thúc đẩy thay đổi. Khám phá các tùy chọn cấp phép của chúng tôi để xây dựng với AI thị giác ngay hôm nay!