A Functional Data Framework For Analyzing Shapes and Textures in Images

Resumen Técnico: Un Marco de Datos Funcionales para el Análisis de Formas y Texturas en Imágenes

Planteamiento del Problema
El artículo aborda los desafíos del análisis estadístico de imágenes, específicamente las limitaciones de las representaciones basadas en píxeles. Si bien las imágenes están cada vez más disponibles para aplicaciones que van desde el diagnóstico médico hasta la agronomía, tratar las imágenes como matrices de alta dimensión con estructuras de correlación complejas hace que los métodos estadísticos clásicos resulten inadecuados. Además, los enfoques dominantes como las Redes Neuronales Convolucionales (CNN), aunque efectivos, sufren de altos costos computacionales y una falta de interpretabilidad. Los autores argumentan que, a medida que las tecnologías de adquisición producen imágenes más detalladas, la carga computacional de los modelos basados en píxeles aumentará, lo que requiere el desarrollo de métodos estadísticos "frugales" que respeten la naturaleza continua de los contornos y texturas de los objetos.

Metodología
El marco propuesto cambia la perspectiva de las rejillas de píxeles discretos hacia un enfoque de Análisis de Datos Funcionales (FDA), modelando las imágenes como observaciones de funciones aleatorias continuas. La metodología avanza a través de las siguientes etapas:

1. Segmentación de Imagen y Extracción de Contornos:
   El proceso comienza identificando un único objeto dentro de una imagen $I$ para obtener su silueta $I'$. El límite del objeto se representa como una curva plana cerrada $C: [0, 1] \to \mathbb{R}^2$. Utilizando algoritmos como el umbral de Otsu y el método de marching squares, la silueta discreta se convierte en un contorno funcional.

2. Análisis de Forma (Alineación de Deformación):
   Siguiendo el trabajo de Moindjié et al. (2025), el contorno $C$ se descompone en un componente de forma $\tilde{C}$ (en el sentido de Kendall) y variables de deformación: escalado uniforme ($\rho$), traslación ($c$), rotación ($O$) y reparametrización ($\gamma$). Los autores estiman estas variables para alinear y centrar las curvas, resultando en una variable de forma $S$ que es invariante a estas transformaciones. Esto permite el análisis estadístico de la forma del objeto independientemente de su posición o tamaño.

3. Representación de Textura mediante Dominios Estrellados:
   Una innovación central es el tratamiento de la textura (variación de color interior). El marco asume que el dominio interior del objeto $D$ es estrellado (star-shaped) con respecto a un punto central $c$. Bajo esta hipótesis, los autores definen una aplicación $\phi$ que transforma el disco unitario $\mathbb{D}$ al interior del objeto $D$.

   • Esta aplicación permite que la función de textura $T^*(u) = I(u)$, definida originalmente en el dominio irregular $D$, sea reparametrizada en el disco unitario $\mathbb{D}$ (o un cuadrado $[0,1]^2$ mediante una transformación biyectiva $g$).
   • La textura resultante $T(v)$ es una superficie aleatoria definida sobre un dominio común, lo que permite la aplicación de técnicas estándar de datos funcionales.

4. Modelado Estadístico Conjunto:
   El marco construye una variable funcional conjunta $Z$ que combina la textura $T \circ g$ y el contorno alineado $\tilde{C}$. Para la clasificación supervisada, los autores emplean modelos lineales donde la respuesta $Y$ se regresa sobre $Z$.

   • Dado que el espacio de la forma es una variedad (manifold) no lineal, el componente de la forma se proyecta sobre el espacio tangente en la media de Fréchet $\mu$.
   • Para manejar la naturaleza mal planteada de la regresión con covariables funcionales, los autores utilizan el Análisis de Componentes Principales Funcionales Multivariantes (MFPCA) y los Mínimos Cuadrados Parciales Funcionales Multivariantes (MFPLS) para estimar los coeficientes de regresión.

Contribuciones Clave

• Representación Frugal: El artículo introduce una representación dispersa de las imágenes que separa explícitamente la forma (contorno) y la textura (color interior), evitando la alta dimensionalidad de las matrices basadas en píxeles.
• Mapeo Estrellado: Proporciona un mapeo teórico y práctico para el análisis de textura bajo el supuesto de dominio estrellado, permitiendo la integración de variaciones de color interior sin requerir puntos de referencia (landmarks) anotados.
• Marco Funcional Conjunto: Extiende el análisis previo de solo contorno (Moindjié et al., 2025) a un análisis conjunto de contornos y texturas, tratando ambos como variables funcionales continuas.
• Interpretabilidad: Al utilizar modelos lineales sobre datos funcionales, el enfoque ofrece una alternativa más interpretable a las "cajas negras" del aprendizaje profundo.

Resultados
El marco fue evaluado con un conjunto de datos reales de 2,148 imágenes de pistachos (dos variedades: Kirmizi y Siirt) de Singh et al. (2022). El estudio involucró:

• Aumento de Datos: Se aplicaron rotaciones aleatorias y zoom para probar la robustez contra deformaciones.
• Comparación: El método propuesto ("OUR") se comparó contra un competidor de referencia ("COMP") que trataba las imágenes como superficies aleatorias (regresión escalar-sobre-imagen) sin separación explícita de forma/textura.
• Desempeño: Utilizando validación cruzada de 10 pliegues, el marco propuesto logró una precisión y puntuación F1 significativamente mayores.
  • OUR (MFPCA): 77% de Precisión, 74% de F1.
  • OUR (MFPLS): 76% de Precisión, 73% de F1.
  • COMP (MFPCA): 63% de Precisión, 42% de F1.
  • COMP (MFPLS): 57% de Precisión, 54% de F1.
    El competidor de referencia se desempeñó cerca de los niveles de azar, mientras que el marco propuesto demostró capacidades de discriminación robustas.

Significancia y Reivindicaciones
Los autores afirman que este trabajo establece un nuevo paradigma para el análisis estadístico de imágenes al modelar explícitamente los aspectos primarios de las imágenes (forma y textura) como funciones continuas en lugar de píxeles discretos. La significancia radica en:

1. Eficiencia: Ofrece una alternativa computacionalmente más ligera ("frugal") a las CNN y a los modelos de píxeles de alta dimensión.
2. Robustez: El manejo explícito de las variables de deformación (rotación, escalado) permite que el modelo funcione bien incluso cuando los objetos no están perfectamente alineados.
3. Aplicabilidad: El supuesto de la forma estrellada se presenta como una condición débil satisfecha por muchos objetos en el análisis de imágenes (por ejemplo, células biológicas, hojas, órganos), lo que hace que el método sea ampliamente aplicable.

El artículo señala modestamente que la dependencia del supuesto de dominio estrellado es una limitación para objetos no estrellados (como un herradura) y sugiere que el trabajo futuro podría explorar extensiones de envolvente convexa o la incorporación de colores de fondo para manejar geometrías más complejas.