A Discrete Combinatorial Yamabe Flow Operator for Grayscale Image Structure Analysis: Curvature, Flow, and Conformal Enhancement

Resumen Técnico: Un Operador de Flujo de Yamabe Combinatorio Discreto para el Análisis de la Estructura de Imágenes en Escala de Grises

Planteamiento del Problema
Los operadores clásicos de estructura de imagen (p. ej., Sobel, Canny, Perona-Malik) dependen del cálculo diferencial euclídeo aplicado a funciones de intensidad. Si bien la geometría diferencial discreta se ha aplicado a las imágenes mediante curvaturas basadas en aristas (p. ej., la curvatura de Ricci de Forman o de Ollivier), existe un vacío en la aplicación de la geometría conformal discreta basada en vértices a las rejillas de píxeles (raster). Específicamente, el flujo de Yamabe combinatorio —un mecanismo que evoluciona un factor conformal escalar en cada vértice de una superficie triangulada para dirigir la curvatura hacia un objetivo— no ha sido adaptado como un operador de estructura para rejillas de píxeles. Además, el comportamiento de esta curvatura basada en vértices sobre elementos primarios de imagen elementales (bordes rectos frente a esquinas) no ha sido caracterizado teóricamente en este contexto.

Metodología
Los autores proponen un flujo de trabajo que eleva una imagen en escala de grises $I$ a una superficie de grafo de geometría lineal por partes (PL) y la hace evolucionar mediante un flujo de Yamabe combinatorio discreto.

1. Elevación de Imagen a Superficie:

   • Triangulación: La rejilla de píxeles se convierte en una superficie triangulada utilizando un esquema "Union–Jack", donde cada bloque de $2\times2$ píxeles se divide a lo largo de una diagonal en dos triángulos.
   • Métrica Inducida: La imagen se trata como un terreno $z = \lambda I(r,c)$ en $\mathbb{R}^3$. Las longitudes de las aristas $\ell_e$ de la triangulación se definen como las distancias euclídeas 3D reales entre puntos de terreno adyacentes: $\ell_{pq} = \sqrt{\Delta r^2 + \Delta c^2 + \lambda^2(I_p - I_q)^2}$, donde $\lambda$ es una constante de sensibilidad.
   • Definición de Curvatura: La curvatura combinatoria $K_v$ en un vértice $v$ se define mediante el defecto angular de Gauss–Bonnet discreto: $K_v = 2\pi - \sum \theta_i$, donde $\theta_i$ son los ángulos interiores de los seis triángulos incidentes.

2. Flujo de Yamabe Combinatorio:

   • El flujo evoluciona un factor conformal $u_v$ en cada vértice. Las longitudes de las aristas se reescalan conformalmente: $\ell_{pq}(u) = e^{(u_p + u_q)/2} \ell_{pq}(0)$.
   • La ecuación de evolución es $\frac{du_v}{dt} = -(K_v(u) - \bar{K}_v)$, donde $\bar{K}$ es un campo de curvatura objetivo.
   • Instanciaciones:
     • Aplanamiento (Reducción de Ruido): Se establece $\bar{K} = 0$. Esto impulsa la superficie hacia una forma desarrollable (localmente plana), suprimiendo la micro-curvatura causada por el ruido.
     • Mejora (Nitidez/Sharpening): Se establece $\bar{K} = \alpha K(0)$ ($\alpha > 1$). Esto amplifica la curvatura existente en esquinas y uniones.
     • Detección: Utilizar la curvatura inicial bruta $|K(0)|$ como un mapa de estructura.
   • Reconstrucción: Para el flujo de aplanamiento, la métrica evolucionada se mapea de nuevo a las intensidades de los píxeles utilizando una reconstrucción de Poisson en grafos (resolviendo un sistema lineal disperso) para recuperar las intensidades a partir del nuevo campo de gradiente implícito por las aristas reescaladas.

Contribuciones Teóricas Clave
El artículo proporciona pruebas rigurosas para dos teoremas centrales:

1. Dualidad Curvatura–Singularidad (Teorema 4.1):

   • Los Bordes Rectos son Planos: Si una región de la imagen es afín por partes (incluyendo escalones de intensidad rectos), la curvatura combinatoria inducida es identicamente cero ($K_v = 0$). Esto se demuestra mostrando que la superficie elevada sobre una región afín es isométrica a un plano plano bajo la métrica inducida.
   • Las Singularidades son Curvas: Las singularidades 2D genuinas (esquinas, uniones, manchas) producen una curvatura no nula concentrada exactamente en la singularidad.
   • Significado: A diferencia de los operadores basados en gradientes que responden tanto a bordes como a esquinas, este operador es intrínsecamente selectivo para esquinas y uniones, ignorando los bordes rectos.

2. Disminución Monótona de la Energía (Teorema 5.3):

   • Los autores demuestran que la energía cuadrática natural $E(u) = \frac{1}{2}\sum (K_v(u) - \bar{K}_v)^2$ es no creciente a lo largo del flujo para tamaños de paso suficientemente pequeños.
   • Esto se fundamenta en el principio variacional de Springborn, Schröder y Pinkall, estableciendo un certificado de Lyapunov para la estabilidad del flujo.

Resultados Experimentales y Limitaciones Honestas
Los autores evalúan tres instanciaciones del operador, reportando explícitamente los resultados donde el método no es competitivo:

• Reducción de Ruido (Flujo de Aplanamiento):

  • Evaluado en la imagen "cameraman" y ocho imágenes de prueba estándar contra desenfoque Gaussiano, Bilateral, Non-Local Means (NLM), Wavelet y BM3D.
  • Resultado: El método mejora mensurablemente respecto a la entrada con ruido (p. ej., +1.23 dB PSNR con $\sigma=25$) pero está sustancialmente por detrás de BM3D (por ~8.3 dB) y NLM.
  • Razonamiento: El flujo de una sola escala carece del prior de similitud de parches (patch-level) que utiliza BM3D. Los autores declaran explícamente que este no es un algoritmo de reducción de ruido competitivo en su forma actual.

• Detección de Esquinas:

  • Evaluado en una escena sintética con 17 esquinas conocidas frente a Harris, FAST y ORB.
  • Resultado: El detector basado en curvatura logró precisión, exhaustividad (recall) y F1 perfectas (1.0), igualando a Harris exactamente.
  • Limitación: El benchmark fue una única escena sintética con un umbral ajustado. Los autores reconocen que no pudieron evaluar en benchmarks estándar del mundo real (p. ej., HPatches) debido a restricciones de red en su entorno de computación.

• Mejora de Nitidez (Flujo de Sharpening):

  • Evaluado utilizando métricas de nitidez sin referencia (Varianza de Laplaciano, Tenengrad) en ocho imágenes.
  • Resultado: Las métricas aumentaron significativamente (p. ej., un aumento medio de 24x en VoL).
  • Advertencia: Los autores señalan que estas métricas responden al ruido de alta frecuencia/artefactos. La inspección visual reveló "moteado" (speckling) en regiones planas, lo que sugiere que el aumento de la métrica no es puramente perceptual.

Significado y Reivindicaciones
La contribución principal del artículo es el operador y su teoría, no un nuevo algoritmo de reducción de ruido o mejora.

• Teórica: Transfiere con éxito la geometría conformal discreta basada en vértices (flujo de Yamabe) a la rejilla de píxeles, demostando que los bordes rectos son intrínsecamente planos en esta geometría mientras que las esquinas no lo son.
• Práctica: Demuestra un mecanismo de suavizado preservador de la estructura y detección de esquinas matemáticamente fundamentado en la geometría diferencial discreta.
• Modestia: Los autores enmarcan explícitamente los resultados de reducción de ruido y mejora como "instanciaciones ilustrativas" en lugar de soluciones de vanguardia (state-of-the-art). Destacan la incapacidad de acceder a benchmarks de gran escala (BSD500, Kodak24, etc.) como una restricción dura, lo que impide alegar competitividad general.

Trabajo Futuro Identificado por los Autores

• Extender el flujo a una versión multiescala (variando $\lambda$ o la granularidad de la malla) para mejorar la reducción de ruido.
• Evaluar en corpus de benchmarks estándar (BSD500, HPatches) una vez que se disponga de acceso a la red.
• Desarrollar un umbral para el detector de esquinas que sea independiente de la escena.
• Optimizar la etapa de reconstrucción de Poisson en grafos (actualmente, el costo computacional dominante).