Thị giác máy tính là gì? Hướng dẫn nhập môn về phân tích hình ảnh

Hình ảnh ở khắp mọi nơi. Chúng ta đang sống trong thời đại mà hình ảnh và video chứa rất nhiều thông tin, đôi khi khó có được bằng cách khác. Đó là lý do phân tích hình ảnh, còn gọi là thị giác máy tính, trở thành một kỹ năng vô cùng giá trị và có thể áp dụng trong nhiều trường hợp sử dụng. 

Hướng dẫn này giới thiệu lĩnh vực thú vị của thị giác máy tính. Nội dung giải thích những điều căn bản của lĩnh vực khoa học này, các ứng dụng chính, và cách học máy và học sâu đang cách mạng hóa thị giác máy tính, mở ra những khả năng mới mang tính đột phá.  

Thị giác máy tính là gì?

Nói một cách đơn giản, thị giác máy tính là một nhánh của AI nghiên cứu cách máy tính có thể nhìn và hiểu nội dung của hình ảnh và video kỹ thuật số.  

Mục tiêu tối thượng của thị giác máy tính là mô phỏng khả năng thị giác của con người trên máy móc. Tuy nhiên, trong khi con người dùng võng mạc, dây thần kinh thị giác và các vùng chuyên biệt của não để thu thập và xử lý thông tin thị giác, thì quá trình này ở máy móc hoàn toàn khác. Thay vào đó, để dạy máy biết “nhìn”, chúng ta dựa vào nhiều thành phần công nghệ, bao gồm:

• Cảm biến. Máy ảnh và các thiết bị khác được trang bị cảm biến chuyên dụng đóng vai trò then chốt trong việc thu nhận dữ liệu trực quan xung quanh chúng ta.  
• Dữ liệu. Hầu hết mọi người đã quen với dữ liệu hình ảnh và video cùng các định dạng truyền thống của chúng, như .jpg và .png cho ảnh, .mov và .avi cho video. Tuy nhiên, cũng cần lưu ý rằng phạm vi dữ liệu hình ảnh có thể ở nhiều dạng, như góc nhìn từ nhiều camera, dữ liệu đa chiều từ máy quét 3D, hoặc các thiết bị chụp chiếu y khoa. 
• Thuật toán. Cũng như mọi phân tích dữ liệu khác, bước tiền xử lý dữ liệu là cần thiết trước khi phân tích. Có vô số kỹ thuật và thuật toán mà các nhà nghiên cứu thị giác máy tính đã phát triển để làm sạch và chuẩn bị dữ liệu hình ảnh, bao gồm lọc, thay đổi kích thước, hoặc chuẩn hóa ảnh. Khi dữ liệu trực quan đã sẵn sàng, đến phần thú vị. Nhờ sự trỗi dậy của học sâu, chúng ta có thể huấn luyện các mô hình học sâu mạnh mẽ nhanh chóng vượt qua khả năng của con người ở nhiều tác vụ, như bạn sẽ thấy ở phần tiếp theo. 

Ứng dụng của thị giác máy tính

Thị giác là giác quan quan trọng mà nhiều người trong chúng ta dùng cho vô số tác vụ mỗi ngày. Trong bối cảnh đó, không ngạc nhiên khi có rất nhiều ứng dụng thị giác máy tính trong thực tế ngày nay.

Dưới đây là danh sách không đầy đủ các ứng dụng nổi bật nhất của thị giác máy tính.

Phát hiện đối tượng

Nhiều ứng dụng thị giác máy tính phổ biến liên quan đến việc nhận biết vật thể trong ảnh. Một ví dụ điển hình là xe tự lái. Nhà sản xuất xe tự hành sử dụng nhiều camera để thu nhận hình ảnh từ môi trường, giúp xe phát hiện vật thể, vạch kẻ đường và biển báo giao thông để lái an toàn. Vậy phát hiện đối tượng hoạt động thế nào trong thực tế? Chúng tôi khuyến nghị bạn đọc hướng dẫn về Phát hiện Đối tượng với YOLO.

Nhận diện khuôn mặt

Dùng cho an ninh và giám sát, nhận diện khuôn mặt phân tích các đặc điểm then chốt để xác định danh tính. Điều này được thực hiện bằng cách huấn luyện mạng nơ-ron trên các cơ sở dữ liệu sinh trắc học khổng lồ, cho phép mô hình nhận ra những đặc trưng khuôn mặt độc nhất của con người. Đọc hướng dẫn riêng để khám phá cách thực hiện Phát hiện Khuôn mặt với Python.

Dịch tự động

Các công cụ như Google Dịch cho phép người dùng hướng camera điện thoại vào một biển báo bằng ngôn ngữ khác và gần như ngay lập tức có bản dịch sang ngôn ngữ ưa thích.

Tạo sinh ảnh

Ứng dụng thị giác máy tính không chỉ hiểu ảnh mà hiện còn có thể tạo ảnh chân thực bằng AI sinh. Chẳng hạn như DALL-E, một mô hình genAI tạo ảnh từ mô tả văn bản, hoặc Sora, thực hiện điều tương tự nhưng với video. Một ví dụ khác là deepfake. Deepfake là phần mềm dùng để dựng các video giả mạo có người xuất hiện dù họ chưa từng tham gia. Bằng cách hiểu cấu thành của khuôn mặt người, deepfake có thể tạo ra khuôn mặt mới.

Muốn biết thêm các ứng dụng khác của thị giác máy tính? Xem bài viết chuyên đề về 19 Dự án Thị giác Máy tính từ Cơ bản đến Nâng cao.

Thị giác máy tính trong AI

Những ứng dụng độc đáo của thị giác máy tính hiện nay sẽ không thể có nếu thiếu AI, đặc biệt là các mô hình học sâu. Để hiểu lý do, trước hết ta cần hiểu ảnh kỹ thuật số là gì – đơn vị thông tin cơ bản nhất trong thị giác máy tính. 

Một ảnh kỹ thuật số được tạo bởi hàng trăm, nếu không muốn nói là hàng nghìn, điểm ảnh (pixel) chứa thông tin về màu sắc và cường độ. Với ảnh thang xám, cường độ của mỗi pixel có thể được biểu diễn bằng một số từ 0 đến 255.

Ảnh thang xám. Nguồn: DataCamp

Ngược lại, ảnh màu thường được lưu trữ theo hệ RGB. RGB là viết tắt của Red, Green và Blue. Có thể hình dung mỗi ảnh được biểu diễn bởi ba ma trận raster, mỗi ma trận cho một kênh màu. Điều này có nghĩa bạn cần lượng dữ liệu gấp ba lần để lưu một ảnh màu so với ảnh thang xám.

Ảnh màu. Nguồn: DataCamp

Vì vậy, có thể xem ảnh kỹ thuật số như một tập hợp các con số. Không lâu trước đây, chúng ta còn thiếu những công cụ đủ mạnh để xử lý và trích xuất thông tin từ ảnh. Điều này thay đổi vào đầu thập niên 2010 khi các nhà nghiên cứu học sâu phát triển được những mạng nơ-ron mới đặc biệt phù hợp với các tác vụ thị giác máy tính.

Ngày nay, nhờ những bước tiến trong học sâu cùng sự phát triển của GPU, điện toán đám mây và nguồn dữ liệu hình ảnh dồi dào, các chuyên gia dữ liệu có thể huấn luyện những mạng nơ-ron mạnh mẽ có khả năng xử lý các tác vụ phức tạp trong thị giác máy tính. 

Theo sau làn sóng AI sinh, các mô hình ngôn ngữ-thị giác (VLM) hiện đại có thể hiểu và xử lý cả dữ liệu hình ảnh lẫn văn bản, cho phép thực hiện các nhiệm vụ mới như tạo mô tả ảnh, hỏi đáp dựa trên hình ảnh và chuyển văn bản thành ảnh.

Quan tâm đến mạng nơ-ron? Hãy xem Khóa học Nhập môn Học Sâu với Python để bắt đầu ngay hôm nay.

Mạng nơ-ron cho thị giác máy tính. Nguồn: NVIDIA

Sự khác nhau giữa Machine Vision và Computer Vision

Một ngộ nhận phổ biến với người mới là sự khác biệt giữa machine vision và computer vision. 

Machine vision đề cập đến việc sử dụng camera, cảm biến, cũng như thuật toán để giúp máy tính và robot phân tích hình ảnh và đưa ra quyết định trong quá trình sản xuất. Ứng dụng của machine vision bao gồm các tác vụ như kiểm tra tự động, kiểm soát chất lượng và dẫn hướng robot.

Thuật ngữ này thường được dùng trong môi trường sản xuất và công nghiệp, do đó phạm vi thiên về ứng dụng cụ thể và hẹp hơn so với computer vision, vốn có dải ứng dụng rộng hơn trên nhiều ngành. Tương tự, xét về độ phức tạp, computer vision thường liên quan đến xử lý và diễn giải phức tạp hơn so với machine vision.

Bạn có thể xem sự khác nhau giữa machine vision và computer vision trong bảng dưới đây: 

Bắt đầu với thị giác máy tính

Thị giác máy tính là một trong những lĩnh vực hấp dẫn và có nhu cầu cao nhất trong AI. Nếu bạn muốn bắt đầu, DataCamp sẵn sàng đồng hành. Chúng tôi nỗ lực cung cấp các khóa học và tài liệu chuyên sâu, cập nhật cho giới thực hành dữ liệu.

Chúng tôi khuyến nghị bạn bắt đầu với Lộ trình Kỹ năng Xử lý Ảnh bằng Python. Lộ trình này bao quát những nền tảng, từ tiền xử lý ảnh đến học sâu. Bạn sẽ bắt đầu với tăng cường và khôi phục ảnh, sau đó chuyển sang ảnh y sinh để phân tích các loại ảnh phức tạp hơn như MRI và X-quang. Lộ trình kết thúc với khóa học về mạng nơ-ron tích chập, nơi bạn sẽ học cách xây dựng các bộ phân loại ảnh học sâu mạnh mẽ.

Đối với tài nguyên kỹ thuật, hãy cân nhắc các nội dung sau:

• AI cho Dữ liệu Trực quan: Thị giác máy tính trong Kinh doanh
• Nhìn như Máy: Hướng dẫn nhập môn Phân tích Hình ảnh trong Học máy
• Machine Perception là gì?
• Giải thích Phát hiện Đối tượng YOLO: Hướng dẫn cho Người mới bắt đầu
• Hướng dẫn OpenCV: Khai mở Sức mạnh của Xử lý Dữ liệu Trực quan

Kết luận

Hy vọng bạn thích phần giới thiệu thân thiện này về thị giác máy tính. Lĩnh vực này tràn đầy hứng khởi, với các ứng dụng mới xuất hiện trên thị trường mỗi ngày. Nếu bạn muốn trở thành chuyên gia thị giác máy tính, Lộ trình Kỹ năng Xử lý Ảnh bằng Python là nơi lý tưởng để bắt đầu.