Tương quan hình ảnh là gì? Các bài báo nghiên cứu khoa học

Khái niệm tương quan hình ảnh

Tương quan hình ảnh (image correlation) là phép đo định lượng mức độ tương đồng giữa hai tín hiệu ảnh hoặc giữa một vùng ảnh và một mẫu tham chiếu. Trong xử lý ảnh số, ảnh thường được biểu diễn dưới dạng hàm rời rạc hai chiều, và tương quan cho phép đánh giá mức độ khớp về cấu trúc cường độ giữa các hàm này khi có sự dịch chuyển không gian.

Khái niệm tương quan bắt nguồn từ xử lý tín hiệu, sau đó được mở rộng sang miền hai chiều cho ảnh số. Không giống các đặc trưng trừu tượng, tương quan làm việc trực tiếp trên giá trị điểm ảnh, do đó mang tính trực quan và dễ diễn giải trong nhiều bài toán cơ bản.

Trong thực tế, tương quan hình ảnh thường được sử dụng để trả lời các câu hỏi như: một mẫu ảnh có xuất hiện trong ảnh lớn hay không, hai ảnh có giống nhau ở mức độ nào, hoặc sự thay đổi vị trí của một cấu trúc giữa hai thời điểm là bao nhiêu.

• So sánh mức độ giống nhau giữa các vùng ảnh
• Phát hiện mẫu hoặc đối tượng lặp lại
• Đo độ dịch chuyển không gian

Cơ sở toán học của tương quan

Xét hai ảnh rời rạc hai chiều $f(x,y)$ và $g(x,y)$, phép tương quan chéo được định nghĩa như một tổng các tích điểm ảnh, trong đó một ảnh được dịch chuyển tương đối so với ảnh còn lại. Giá trị thu được phản ánh mức độ chồng khớp giữa hai ảnh tại mỗi độ dịch chuyển.

Công thức tổng quát của tương quan chéo hai chiều được biểu diễn như sau:

$C(u,v) = \sum_x \sum_y f(x,y)\, g(x+u, y+v)$

Trong biểu thức này, $(u,v)$ là vector dịch chuyển. Khi $C(u,v)$ đạt giá trị cực đại, điều đó cho thấy hai ảnh hoặc hai vùng ảnh tương đồng nhất tại vị trí dịch chuyển tương ứng.

Đối với ảnh rời rạc có kích thước hữu hạn, miền tính toán của tổng thường bị giới hạn để tránh truy cập ngoài biên. Các kỹ thuật đệm biên (zero-padding, mirror-padding) thường được áp dụng nhằm đảm bảo tính ổn định của phép tính.

Phân biệt tương quan và tích chập

Tương quan (correlation) và tích chập (convolution) có biểu thức toán học rất giống nhau, dẫn đến việc dễ bị nhầm lẫn trong thực hành. Sự khác biệt cốt lõi giữa hai phép toán này nằm ở việc có hay không đảo ngược kernel trước khi thực hiện phép tính.

Trong tích chập hai chiều, kernel được đảo ngược theo cả hai trục trước khi trượt qua ảnh, trong khi tương quan sử dụng kernel theo đúng hướng ban đầu. Điều này khiến kết quả của hai phép toán khác nhau, đặc biệt khi kernel không đối xứng.

Bảng dưới đây tóm tắt sự khác biệt chính:

Tiêu chí	Tương quan	Tích chập
Đảo kernel	Không	Có
Mục đích chính	Đo tương đồng	Lọc, biến đổi tín hiệu
Ứng dụng phổ biến	So khớp mẫu, đo dịch chuyển	Làm mờ, phát hiện biên

Trong nhiều thư viện xử lý ảnh, các hàm được gọi là convolution nhưng thực chất lại thực hiện tương quan, do việc đảo kernel không ảnh hưởng đến một số ứng dụng thực tế.

Các dạng tương quan trong xử lý ảnh

Tương quan hình ảnh không chỉ tồn tại dưới một dạng duy nhất, mà được phân loại dựa trên mối quan hệ giữa các tín hiệu tham gia phép tính. Hai dạng cơ bản và phổ biến nhất là tương quan tự động và tương quan chéo.

Tương quan tự động (autocorrelation) đo mức độ tương đồng của một ảnh với chính nó khi bị dịch chuyển. Dạng tương quan này thường được sử dụng để phân tích tính lặp, tính chu kỳ và cấu trúc kết cấu của ảnh.

Tương quan chéo (cross-correlation) đo mức độ tương đồng giữa hai ảnh khác nhau. Đây là dạng được sử dụng rộng rãi nhất trong các bài toán so khớp mẫu, căn chỉnh ảnh và ước lượng chuyển động.

• Tương quan tự động: phân tích cấu trúc nội tại của ảnh
• Tương quan chéo: so sánh hai ảnh hoặc hai vùng ảnh
• Tương quan cục bộ: tính trên cửa sổ nhỏ thay vì toàn ảnh

Việc lựa chọn dạng tương quan phù hợp phụ thuộc vào mục tiêu bài toán, kích thước dữ liệu và yêu cầu về độ chính xác cũng như chi phí tính toán.

Tương quan chuẩn hóa

Trong nhiều tình huống thực tế, giá trị tương quan thuần túy bị ảnh hưởng mạnh bởi độ sáng tuyệt đối và độ tương phản của ảnh. Hai vùng ảnh có cùng cấu trúc nhưng khác mức chiếu sáng có thể cho giá trị tương quan thấp, dẫn đến kết quả so khớp không chính xác. Để khắc phục hạn chế này, tương quan chuẩn hóa được sử dụng nhằm loại bỏ ảnh hưởng của các yếu tố tuyến tính.

Tương quan chuẩn hóa phổ biến nhất là tương quan chéo chuẩn hóa (Normalized Cross-Correlation, NCC), trong đó giá trị trung bình và độ lệch chuẩn của các vùng ảnh được đưa vào công thức. Kết quả của NCC thường nằm trong khoảng từ -1 đến 1, giúp việc so sánh và đặt ngưỡng trở nên trực quan hơn.

Một dạng biểu thức chuẩn hóa thường gặp được mô tả như sau:

$NCC(u,v) = \frac{\sum (f(x,y)-\bar{f})(g(x+u,y+v)-\bar{g})} {\sqrt{\sum (f(x,y)-\bar{f})^2 \sum (g(x+u,y+v)-\bar{g})^2}}$

Phân tích chi tiết và các biến thể của tương quan chuẩn hóa có thể tham khảo tại ScienceDirect.

Ứng dụng của tương quan hình ảnh

Tương quan hình ảnh là nền tảng của nhiều bài toán kinh điển trong xử lý ảnh và thị giác máy tính. Một trong những ứng dụng phổ biến nhất là so khớp mẫu (template matching), trong đó một mẫu nhỏ được trượt trên ảnh lớn để xác định vị trí xuất hiện của đối tượng quan tâm.

Trong căn chỉnh ảnh (image registration), tương quan được dùng để ước lượng độ dịch chuyển giữa các ảnh chụp cùng một cảnh ở các thời điểm hoặc góc nhìn khác nhau. Ứng dụng này đặc biệt quan trọng trong ảnh y sinh, ảnh viễn thám và chụp ảnh toàn cảnh.

Ngoài ra, tương quan còn xuất hiện trong:

• Theo dõi chuyển động và ước lượng vận tốc.
• Nhận dạng ký tự và nhận dạng khuôn mặt ở mức cơ bản.
• Phân tích kết cấu và phát hiện mẫu lặp.

Tương quan trong miền không gian và miền tần số

Tương quan hình ảnh có thể được tính trực tiếp trong miền không gian bằng cách trượt kernel và thực hiện phép nhân–cộng. Cách tiếp cận này đơn giản, dễ cài đặt, nhưng có độ phức tạp tính toán cao đối với ảnh kích thước lớn.

Một cách tiếp cận khác là thực hiện tương quan trong miền tần số dựa trên biến đổi Fourier rời rạc (DFT). Theo định lý tích chập, tương quan trong miền không gian tương đương với phép nhân trong miền tần số, giúp giảm đáng kể chi phí tính toán khi sử dụng thuật toán FFT.

Cách tiếp cận miền tần số thường được sử dụng trong các hệ thống yêu cầu hiệu năng cao, ví dụ xử lý ảnh vệ tinh hoặc video độ phân giải lớn. Các phân tích lý thuyết và thực nghiệm có thể tham khảo tại IEEE Xplore.

Hạn chế và thách thức của tương quan hình ảnh

Mặc dù trực quan và dễ áp dụng, tương quan hình ảnh có nhiều hạn chế khi đối mặt với dữ liệu thực tế phức tạp. Phép tương quan nhạy cảm với nhiễu, đặc biệt là nhiễu có biên độ lớn hoặc phân bố không đồng đều.

Ngoài ra, tương quan thuần túy không xử lý tốt các biến đổi hình học như xoay, co giãn hoặc biến dạng phi tuyến. Trong các trường hợp này, các vùng ảnh có cùng nội dung ngữ nghĩa nhưng khác hình dạng có thể cho giá trị tương quan thấp.

Một thách thức khác là chi phí tính toán. Đối với ảnh lớn hoặc tìm kiếm trên nhiều mức dịch chuyển, việc tính tương quan trực tiếp có thể không đáp ứng yêu cầu thời gian thực nếu không có các kỹ thuật tối ưu hóa.

Vai trò của tương quan trong nghiên cứu hiện đại

Trong các hệ thống thị giác máy tính hiện đại, tương quan hình ảnh không còn hoạt động độc lập mà thường được tích hợp vào các mô hình phức tạp hơn. Nhiều kiến trúc học sâu sử dụng lớp tương quan để đo mức độ tương đồng giữa các đặc trưng trích xuất từ ảnh.

Ví dụ, trong các mạng theo dõi đối tượng, phép tương quan được dùng để so sánh đặc trưng của khung hiện tại với đặc trưng mục tiêu đã học trước đó. Cách tiếp cận này kết hợp ưu điểm của tương quan truyền thống và khả năng biểu diễn mạnh của mạng nơ-ron.

Do đó, mặc dù là khái niệm cổ điển, tương quan hình ảnh vẫn giữ vai trò quan trọng trong cả nghiên cứu học thuật lẫn các ứng dụng công nghiệp hiện nay.

Tài liệu tham khảo

• Gonzalez, R. C., & Woods, R. E. Digital Image Processing. Pearson, 2018.
• Jain, A. K. Fundamentals of Digital Image Processing. Prentice Hall, 1989.
• Lewis, J. P. “Fast Normalized Cross-Correlation.” Vision Interface, 1995.
• Oppenheim, A. V., & Schafer, R. W. Discrete-Time Signal Processing. Pearson, 2010.