A Functional Data Framework For Analyzing Shapes and Textures in Images

Sintesi Tecnica: Un Framework di Dati Funzionali per l'Analisi di Forme e Texture nelle Immagini

Problema
Il documento affronta le sfide dell'analisi statistica delle immagini, specificamente i limiti delle rappresentazioni basate sui pixel. Sebbene le immagini siano sempre più disponibili per applicazioni che spaziano dalla diagnosi medica all'agronomia, il trattamento delle stesse come matrici ad alta dimensionalità con strutture di correlazione complesse rende inadatti i metodi statistici classici. Inoltre, gli approcci dominanti come le Reti Neurali Convoluzionali (CNN), pur essendo efficaci, soffrono di elevati costi computazionali e di una mancanza di interpretabilità. Gli autori sostengono che, man mano che le tecnologie di acquisizione producono immagini più dettagliate, il carico computazionale dei modelli basati sui pixel aumenterà, rendendo necessaria lo sviluppo di metodi statistici "frugali" che rispettino la natura continua dei contorni degli oggetti e delle texture.

Metodologia
Il framework proposto sposta la prospettiva dalle griglie discrete di pixel all'Analisi dei Dati Funzionali (FDA), modellando le immagini come osservazioni di funzioni casuali continue. La metodologia procede attraverso le seguenti fasi:

1. Segmentazione dell'Immagine ed Estrazione del Contorno:
   Il processo inizia identificando un singolo oggetto all'interno di un'immagine $I$ per ottenere la sua silhouette $I'$. Il confine dell'oggetto è rappresentato come una curva piana chiusa $C: [0, 1] \to \mathbb{R}^2$. Utilizzando algoritmi come la soglia di Otsu e il metodo delle marching squares, la silhouette discreta viene convertita in un contorno funzionale.

2. Analisi della Forma (Allineamento della Deformazione):
   Seguendo il lavoro di Moindjié et al. (2025), il contorno $C$ viene decomposto in una componente di forma $\tilde{C}$ (nel senso di Kendall) e variabili di deformazione: scalatura uniforme ($\rho$), traslazione ($c$), rotazione ($O$) e riparametrizzazione ($\gamma$). Gli autori stimano queste variabili per allineare e centrare le curve, ottenendo una variabile di forma $S$ che è invariante rispetto a tali trasformazioni. Ciò consente l'analisi statistica della forma dell'oggetto indipendentemente dalla sua posizione o dimensione.

3. Rappresentazione della Texture tramite Domini Stellati:
   Una innovazione centrale è il trattamento della texture (variazione di colore interno). Il framework assume che il dominio interno dell'oggetto $D$ sia stellato rispetto a un punto centrale $c$. Sotto questa ipotesi, gli autori definiscono una mappatura $\phi$ che trasforma il disco unitario $\mathbb{D}$ nel dominio interno dell'oggetto $D$.

   • Questa mappatura permette alla funzione di texture $T^*(u) = I(u)$, originariamente definita sul dominio irregolare $D$, di essere ri-parametrizzata sul disco unitario $\mathbb{D}$ (o su un quadrato $[0,1]^2$ tramite una trasformazione biettiva $g$).
   • La texture risultante $T(v)$ è una superficie casuale definita su un dominio comune, consentendo l'applicazione delle tecniche standard dei dati funzionali.

4. Modellazione Statistica Congiunta:
   Il framework costruisce una variabile funzionale congiunta $Z$ che combina la texture $T \circ g$ e il contorno allineato $\tilde{C}$. Per la classificazione supervisionata, gli autori impiegano modelli lineari in cui la risposta $Y$ è una regressione su $Z$.

   • Poiché lo spazio delle forme è un manifold non lineare, la componente di forma viene proiettata sullo spazio tangente nel valore medio di Fréchet $\mu$.
   • Per gestire la natura mal posta della regressione con covariate funzionali, gli autori utilizzano la Analisi delle Componenti Principali Funzionali Multivariata (MFPCA) e la Regressione dei Minimi Quadrati Parziali Funzionali Multivariata (MFPLS) per stimare i coefficienti di regressione.

Contributi Chiave

• Rappresentazione Frugale: Il documento introduce una rappresentazione sparsa delle immagini che separa esplicitamente forma (contorno) e texture (colore interno), evitando l'alta dimensionalità delle matrici basate sui pixel.
• Mappatura Stellata: Fornisce una mappatura teorica e pratica per l'analisi della texture sotto l'ipotesi del dominio stellato, permettendo l'integrazione delle variazioni di colore interno senza richiedere landmark annotati.
• Framework Funzionale Congiunto: Estende l'analisi precedente basata solo sui contorni (Moindjié et al., 2025) a un'analisi congiunta di contorni e texture, trattando entrambi come variabili funzionali continue.
• Interpretabilità: Utilizzando modelli lineari sui dati funzionali, l'approccio offre un'alternativa più interpretabile alle "black box" del deep learning.

Risultati
Il framework è stato valutato su un dataset reale di 2.148 immagini di pistacchi (due varietà: Kirmizi e Siirt) da Singh et al. (2022). Lo studio ha previsto:

• Data Augmentation: Rotazioni casuali e zoom sono stati applicati per testare la robustezza contro le deformazioni.
• Confronto: Il metodo proposto ("OUR") è stato confrontato con un competitore di base ("COMP") che tratta le immagini come superfici casuali (regressione scalar-on-image) senza separazione esplicita tra forma e texture.
• Performance: Utilizzando la validazione incrociata a 10 pieghe (10-fold cross-validation), il framework proposto ha raggiunto un'accuratezza e un punteggio F1 significativamente più elevati.
  • OUR (MFPCA): 77% Accuratezza, 74% F1.
  • OUR (MFPLS): 76% Accuratezza, 73% F1.
  • COMP (MFPCA): 63% Accuratezza, 42% F1.
  • COMP (MFPLS): 57% Accuratezza, 54% F1.
    Il competitore di base ha ottenuto prestazioni vicine al caso casuale, mentre il framework proposto ha dimostrato capacità di discriminazione robuste.

Significato e Rivendicazioni
Gli autori affermano che questo lavoro stabilisce un nuovo paradigma per l'analisi statistica delle immagini, modellando esplicitamente gli aspetti primari delle immagini (forma e texture) come funzioni continue piuttosto che come pixel discreti. La significatività risiede in:

1. Efficienza: Offre un'alternativa computazionalmente più leggera ("frugale") rispetto alle CNN e ai modelli di pixel ad alta dimensionalità.
2. Robustezza: La gestione esplicita delle variabili di deformazione (rotazione, scalatura) permette al modello di funzionare bene anche quando gli oggetti non sono perfettamente allineati.
3. Applicabilità: L'ipotesi del dominio stellato è presentata come una condizione debole soddisfatta da molti oggetti nell'analisi delle immagini (ad esempio, cellule biologiche, foglie, organi), rendendo il metodo ampiamente applicabile.

Il documento nota con modestia che la dipendenza dall'ipotesi del dominio stellato è un limite per oggetti non stellati (come un ferro di cavallo) e suggerisce che il lavoro futuro potrebbe esplorare estensioni dell'inviluppo convesso o l'incorporazione dei colori di sfondo per gestire geometrie più complesse.