A Functional Data Framework For Analyzing Shapes and Textures in Images

तकनीकी सारांश: छवियों में आकृतियों और बनावटों के विश्लेषण के लिए एक कार्यात्मक डेटा ढांचा (Functional Data Framework)

समस्या विवरण
यह शोध पत्र सांख्यिकीय छवि विश्लेषण की चुनौतियों को संबोधित करता है, विशेष रूप से पिक्सेल-आधारित निरूपणों की सीमाओं को। जबकि चिकित्सा निदान से लेकर कृषि विज्ञान तक के अनुप्रयोगों के लिए छवियां तेजी से उपलब्ध हो रही हैं, छवियों को उच्च-आयामी मैट्रिसेस (high-dimensional matrices) के रूप में मानना, जिनमें जटिल सहसंबंध संरचनाएं होती हैं, शास्त्रीय सांख्यिकीय विधियों को अनुपयुक्त बना देता है। इसके अलावा, डोमिनेंट दृष्टिकोण जैसे कि कनवल्शनल न्यूरल नेटवर्क (CNN), हालांकि प्रभावी हैं, उच्च कम्प्यूटेशनल लागत और व्याख्यात्मकता (interpretability) की कमी से ग्रस्त हैं। लेखक तर्क देते हैं कि जैसे-जैसे अधिग्रहण तकनीकें अधिक विस्तृत छवियां उत्पन्न करेंगी, पिक्सेल-आधारित मॉडलों पर कम्प्यूटेशनल बोझ बढ़ेगा, जिससे वस्तुओं के कंटूर (contours) और बनावट की निरंतर प्रकृति का सम्मान करने वाले "मितव्ययी" (frugal) सांख्यिकीय तरीकों के विकास की आवश्यकता होगी।

कार्यप्रणाली (Methodology)
प्रस्तावित ढांचा कार्यात्मक डेटा विश्लेषण (FDA) परिप्रेक्ष्य से डिस्क्रीट पिक्सेल ग्रिड से हटकर, छवियों को निरंतर यादृच्छिक फलनों (continuous random functions) के अवलोकनों के रूप में मॉडल करता है। कार्यप्रणाली निम्नलिखित चरणों के माध्यम से आगे बढ़ती है:

1. छवि विभाजन और कंटूर निष्कर्षण (Image Segmentation and Contour Extraction):
   प्रक्रिया एक छवि $I$ के भीतर एक एकल वस्तु की पहचान करके उसके सिल्हूट (silhouette) $I'$ को प्राप्त करने से शुरू होती है। वस्तु की सीमा को एक बंद समतलीय वक्र (closed planar curve) $C: [0, 1] \to \mathbb{R}^2$ के रूप में दर्शाया जाता है। ओत्सु थ्रेशोल्डिंग (Otsu's thresholding) और मार्चिंग स्क्वायर्स (marching squares) जैसे एल्गोरिदम का उपयोग करके, डिस्क्रीट सिल्हूट को एक कार्यात्मक कंटूर (functional contour) में परिवर्तित किया जाता है।

2. आकृति विश्लेषण (विकृति संरेखण - Deformation Alignment):
   मोइन्डीजे एट अल (2025) के कार्य का अनुसरण करते हुए, कंटूर $C$ को एक आकृति घटक $\tilde{C}$ (केंडल के अर्थ में) और विरूपण चरों (deformation variables) में विभाजित किया जाता है: समान स्केलिंग ($\rho$), अनुवाद ($c$), रोटेशन ($O$), और रीपैरामीट्राइजेशन ($\gamma$)। लेखक इन चरों का अनुमान लगाने के लिए उन्हें वक्रों को संरेखित और केंद्रित करते हैं, जिसके परिणामस्वरूप एक आकृति चर $S$ प्राप्त होता है जो इन रूपांतरणों के प्रति अपरिवर्तनीय (invariant) है। यह वस्तु की स्थिति या आकार से स्वतंत्र होकर उसके रूप के सांख्यिकीय विश्लेषण की अनुमति देता है।

3. तारा-आकार के डोमेन के माध्यम से बनावट का निरूपण (Texture Representation via Star-Shaped Domains):
   एक मुख्य नवाचार बनावट (आंतरिक रंग भिन्नता) का उपचार है। ढांचा यह मानता है कि वस्तु का आंतरिक डोमेन $D$ एक केंद्र बिंदु $c$ के सापेक्ष तारा-आकार का (star-shaped) है। इस परिकल्पना के तहत, लेखक एक मैपिंग $\phi$ को परिभाषित करते हैं जो यूनिट डिस्क $\mathbb{D}$ को वस्तु के आंतरिक भाग $D$ में रूपांतरित करती है।

• यह मैपिंग एक फंक्शन $T^*(u) = I(u)$ को, जो मूल रूप से अनियमित डोमेन $D$ पर परिभाषित है, यूनिट डिस्क $\mathbb{D}$ (या एक बायजेक्टिव रूपांतरण $g$ के माध्यम से एक वर्ग $[0,1]^2$) पर पुन: पैरामीटराइज करने की अनुमति देती है।
• परिणामी बनावट $T(v)$ एक सामान्य डोमेन पर परिभाषित एक रैंडम सरफेस है, जो मानक कार्यात्मक डेटा तकनीकों के अनुप्रयोग को सक्षम बनाती है।

4. संयुक्त सांख्यिकीय मॉडलिंग (Joint Statistical Modeling):
   ढांचा एक संयुक्त कार्यात्मक चर $Z$ का निर्माण करता है जो बनावट $T \circ g$ और संरेखित आकृति $\tilde{C}$ को जोड़ता है। पर्यवेक्षित वर्गीकरण (supervised classification) के लिए, लेखक रैखिक मॉडल का उपयोग करते हैं जहाँ रिस्पॉन्स $Y$ को $Z$ पर रिग्रेस किया जाता है।

• चूंकि आकृति स्थान (shape space) एक गैर-रैखिक मैनिफोल्ड है, इसलिए आकृति घटक को फ्रेचेट मीन (Fréchet mean) $\mu$ पर स्पर्श रेखा स्थान (tangent space) पर प्रोजेक्ट किया जाता है।
• कार्यात्मक कोवेरिएट्स के साथ रिग्रेशन की इल-पोज़्ड (ill-posed) प्रकृति को संभालने के लिए, लेखक रिग्रेशन गुणांकों का अनुमान लगाने के लिए मल्टीवेरिएट फंक्शनल प्रिंसिपल कंपोनेंट एनालिसिस (MFPCA) और मल्टीवेरिएट फंक्शनल पार्शियल लीस्ट स्क्वायर्स (MFPLS) का उपयोग करते हैं।

प्रमुख योगदान

• मितव्ययी निरूपण (Frugal Representation): यह पेपर छवियों का एक स्पार्स प्रतिनिधित्व पेश करता है जो स्पष्ट रूप से आकृति (कंटूर) और बनावट (आंतरिक रंग) को अलग करता है, जिससे पिक्सेल-आधारित मैट्रिसेस की उच्च आयामीता से बचा जा सके।
• तारा-आकार मैपिंग (Star-Shaped Mapping): यह तारा-आकार के डोमेन धारणा के तहत बनावट विश्लेषण के लिए एक सैद्धांतिक और व्यावहारिक मैपिंग प्रदान करता है, जो बिना किसी एनोटेटेड लैंडमार्क की आवश्यकता के आंतरिक रंग भिन्नताओं को एकीकृत करने की अनुमति देता है।
• संयुक्त कार्यात्मक ढांचा (Joint Functional Framework): यह पिछले केवल-कंटूर विश्लेषण (मोइन्डीजे एट अल, 2025) को कंटूर और बनावट दोनों के संयुक्त विश्लेषण तक विस्तारित करता है, दोनों को निरंतर कार्यात्मक चरों के रूप में मानता है।
• व्याख्यात्मकता (Interpretability): कार्यात्मक डेटा पर रैखिक मॉडल का उपयोग करके, यह दृष्टिकोण डीप लर्निंग के 'ब्लैक बॉक्स' के मुकाबले एक अधिक व्याख्या योग्य विकल्प प्रदान करता है।

परिणाम
इस ढांचे का मूल्यांकन सिंह एट अल (2022) के पिस्ता छवियों (दो किस्में: किर्मिजी और सीर्ट) के वास्तविक दुनिया के डेटासेट पर किया गया। अध्ययन में शामिल थे:

• डेटा ऑग्मेंटेशन: विकृतियों के विरुद्ध मजबूती का परीक्षण करने के लिए रैंडम रोटेशन और ज़ूमिंग लागू की गई।
• तुलना: प्रस्तावित विधि ("OUR") की तुलना एक बेसलाइन प्रतियोगी ("COMP") से की गई जो छवियों को रैंडम सर्फेस (स्केलर-ऑन-इमेज रिग्रेशन) के रूप में मानती थी, जिसमें स्पष्ट आकृति/बनावट पृथक्करण नहीं था।
• प्रदर्शन: 10-फोल्ड क्रॉस-वैलिडेशन का उपयोग करते हुए, प्रस्तावित ढांचे ने काफी उच्च सटीकता और F1 स्कोर प्राप्त किया।
  • OUR (MFPCA): 77% सटीकता, 74% F1।
  • OUR (MFPLS): 76% सटीकता, 73% F1।
  • COMP (MFPCA): 63% सटीकता, 42% F1।
  • COMP (MFPLS): 57% सटीकता, 54% F1।
    बेसलाइन प्रतियोगी लगभग यादृच्छिक संभावना (random chance) के स्तर पर प्रदर्शन कर रहा था, जबकि प्रस्तावित ढांचे ने मजबूत विभेदन क्षमता प्रदर्शित की।

महत्व और दावे
लेखक दावा करते हैं कि यह कार्य छवियों के प्राथमिक पहलुओं (आकृति और बनावट) को डिस्क्रीट पिक्सेल के बजाय निरंतर फलनों के रूप में स्पष्ट रूप से मॉडल करके सांख्यिकीय छवि विश्लेषण के लिए एक नया प्रतिमान स्थापित करता है। इसका महत्व यहाँ है:

1. दक्षता (Efficiency): यह CNNs और उच्च-आयामी पिक्सेल मॉडलों के मुकाबले एक कम्प्यूटेशनल रूप से हल्का ("मितव्ययी") विकल्प प्रदान करता है।
2. मजबूती (Robustness): विरूपण चरों (रोटेशन, स्केलिंग) का स्पष्ट प्रबंधन मॉडल को तब भी अच्छा प्रदर्शन करने की अनुमति देता है जब वस्तुएं पूरी तरह से संरेखित न हों।
3. अनुप्रयोग क्षमता (Applicability): तारा-आकार की धारणा को एक कमजोर शर्त के रूप में प्रस्तुत किया गया है जो कई वस्तुओं (जैसे जैविक कोशिकाएं, पत्तियां, अंग) द्वारा संतुष्ट की जाती है, जिससे यह विधि व्यापक रूप से लागू करने योग्य बनती है।

पेपर विनम्रतापूर्वक नोट करता है कि गैर-तारा-आकार की वस्तुओं (जैसे हॉर्सशू) के लिए तारा-आकार के डोमेन पर निर्भरता एक सीमा है और भविष्य के कार्यों के लिए सुझाव देता है कि वे अधिक जटिल ज्यामिति को संभालने के लिए कॉनवेक्स-हल (convex-hull) विस्तार या बैकग्राउंड रंगों के समावेश का पता लगा सकते हैं।