A Python implementation of some geometric tools on Kendall 3D shape space for practical applications

Dit artikel introduceert een Python-implementatie van geometrische hulpmiddelen voor Kendall's 3D-vormruimte om de kloof tussen theoretische Riemanniaanse geometrie en praktische toepassingen te overbruggen, waarbij bestaande bibliotheken zoals Geomstats worden aangevuld met specifieke functionaliteit voor geavanceerde 3D-vormanalyse.

De kern

🏠 De Wiskunde van Vormen: Een Reis door de "Vormenwereld"

Stel je voor dat je een kamer vol met Lego-huizen hebt. Sommige huizen zijn groot, sommige klein. Sommige staan recht, sommige liggen op hun kant. Sommige staan links, sommige rechts.

In de echte wereld (en in de computerwetenschap) willen we vaak weten: Zijn dit eigenlijk hetzelfde huis?
Als je een klein Lego-huisje vergroot, het draait en verplaatst, is het nog steeds hetzelfde ontwerp. De wiskundigen noemen dit het analyseren van vorm, los van grootte, positie of draaiing.

Dit paper (geschreven door Jorge Valero en zijn team) gaat over een heel speciale manier om deze vormen te bestuderen, genaamd Kendall's Vormruimte.

1. Het Probleem: De "Kromme" Wereld

Stel je voor dat alle mogelijke vormen van een huis op een gigantisch, gekruld oppervlak liggen. Dit is geen plat vlak (zoals een stuk papier), maar een bol of een kromme berg.

• De uitdaging: Wiskundigen hebben al jaren de theorie om hierover te praten (Riemanniaanse meetkunde). Maar in de praktijk is het heel lastig om die theorie om te zetten in software die een computer begrijpt.
• De huidige tool: Er is al een populaire Python-bibliotheek genaamd Geomstats. Die is geweldig, maar hij mist specifieke gereedschappen voor complexe 3D-vormen (zoals menselijke organen of gebouwen). Het is alsof je een gereedschapskist hebt met hamers en schroevendraaiers, maar je moet een heel specifiek type moersleutel gebruiken die er niet bij zit.

2. De Oplossing: Een Nieuwe Gereedschapskist

De auteurs hebben Python-code geschreven om die ontbrekende gereedschappen toe te voegen. Ze doen twee belangrijke dingen:

A. De "Vloer" vinden (Het Orthonormale Basis)
Stel je voor dat je op die gekrulde berg staat (op een specifiek punt, bijvoorbeeld een bepaald huis). Je wilt weten hoe je je kunt bewegen in alle mogelijke richtingen vanaf dat punt.

• Omdat de berg krom is, is het moeilijk om te zeggen "ga 1 meter naar links".
• De auteurs hebben een methode bedacht om een perfect platte vloer (een raakvlak) te tekenen onder je voeten op dat exacte punt.
• Op die vloer kunnen ze dan willekeurige bewegingen simuleren. Het is alsof ze een "tijdelijk vlakke kaart" maken van een punt op de aarde, zodat ze daarop kunnen tekenen en rekenen zonder dat de kromming van de aarde hen verstoort.

B. De "Kromming" meten (De Secturale Kromming)
Dit is misschien wel het coolste deel.

• Op een plat stuk papier (een Euclidische ruimte) zijn de regels van de meetkunde simpel: twee lijnen die evenwijdig lopen, blijven dat voor altijd.
• Op een bol (zoals de aarde) lopen lijnen die evenwijdig beginnen, uiteindelijk naar elkaar toe (zoals lengtegraden bij de polen).
• De auteurs hebben een formule bedacht om precies te meten hoe krom die vormruimte is op een specifiek punt.
• De analogie: Stel je voor dat je twee mensen hebt die een touw vasthouden. Als ze het touw strak trekken op een plat veld, is het recht. Als ze dat doen op een heuvel, buigt het touw. De code van de auteurs meet precies hoe hard dat touw moet buigen. Dit helpt wetenschappers te begrijpen hoe "gevoelig" een vorm is voor veranderingen.

3. Hoe werkt het technisch? (Maar dan simpel)

De auteurs gebruiken een slimme truc met wiskunde die Singular Value Decomposition (SVD) heet.

• Vergelijking: Stel je hebt een rommelige berg Lego-stenen. SVD is als een super-efficiënte robot die die stenen sorteert in perfecte rijen en kolommen, zodat je precies ziet wat de "kern" van het huis is.
• Met die gesorteerde gegevens kunnen ze de "kromming" berekenen door te kijken naar hoe de verschillende onderdelen van het huis (de hoekpunten) met elkaar interageren als je ze draait.

4. Waarom is dit nuttig?

Deze code is niet alleen voor wiskundigen die in hun eentje zitten te rekenen. Het is bedoeld voor praktische toepassingen:

• Geneeskunde: Om te zien hoe een hart of een bot verandert door ziekte, zonder dat het verschil in grootte of draaiing het resultaat verstoort.
• Computer Vision: Om robots te leren herkennen of twee objecten hetzelfde zijn, ongeacht hoe ze staan.

Samenvatting in één zin

De auteurs hebben een nieuwe, slimme Python-toolkit gebouwd die complexe wiskundige theorieën over de vorm van 3D-objecten omzet in bruikbare software, zodat onderzoekers makkelijker kunnen meten hoe "krom" en veranderlijk vormen in de echte wereld zijn.

Waar vind je het?
De code is gratis beschikbaar en open source, zodat iedereen het kan gebruiken om hun eigen "vormen" te analyseren.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het paper in het Nederlands:

Technische Samenvatting: Python-implementatie van geometrische hulpmiddelen voor de Kendall 3D-vormruimte

Auteurs: Jorge Valero, Vicent Gimeno i Garcia, M. Victoria Ibáñez, Pau Martinavarro en Amelia Simó.
Context: Universiteit Politècnica de València en Universitat Jaume I (Spanje).

---

1. Het Probleem

De analyse van geometrische structuren in domeinen zoals computer vision en medische beeldvorming vereist methoden die onafhankelijk zijn van positie, schaal en oriëntatie. De Kendall-vormruimte (Σk³) biedt hiervoor een rigoureus wiskundig raamwerk op basis van Riemanniaanse meetkunde.

Hoewel de theoretische fundamenten van vormmanifolds goed gevestigd zijn, vormt de vertaling van deze complexe abstracties naar efficiënte, praktische computationele workflows een aanzienlijke hindernis voor onderzoekers.

• Bestaande tools: De Python-bibliotheek Geomstats is de toonaangevende tool voor statistiek op manifolds.
• De lacune: Geomstats mist specifieke hulpmiddelen die noodzakelijk zijn voor geavanceerde 3D-vormanalyse. Er ontbreken bijvoorbeeld geoptimaliseerde methoden voor het genereren van orthonormale bases in de raakruimte en het berekenen van sectiekromming (sectional curvature) in de specifieke context van de Kendall 3D-vormruimte.

2. Methodologie

Het paper introduceert een reeks wiskundige afleidingen en algoritmen om deze lacunes op te vullen, met als doel de complexe Riemanniaanse meetkunde om te zetten in efficiënte software.

A. Wiskundige Preliminaria

• Voorvorm (Pre-shape): Configuratiematrix $X$ wordt "gehelmetiseerd" (verwijdering van locatie) en genormaliseerd (verwijdering van schaal) om een voorvorm $Z$ te krijgen op een eenheidshypersfeer in $\mathbb{R}^{3(k-1)}$.
• Vormruimte: De vormruimte is de quotiëntruimte van de voorvormruimte onder rotaties ($SO(3)$).
• Raakruimte: De raakruimte $T_X\Sigma^k_3$ is de horizontale deelruimte van de raakruimte van de voorvormsfeer.

B. Orthonormale Basis voor Simulatie (Sectie 2)
Om simulaties uit te voeren in de raakruimte, moet een orthonormale basis $\{v_1, ..., v_d\}$ worden gevonden, waarbij $d = 3k - 7$ de dimensie van de vormruimte is.

• Benadering: De auteurs herformuleren het probleem als het vinden van de kern van een specifieke lineaire operator $f$.
• Algoritme:
  1. Definieer de verticale verdeling $V(Z)$ gebaseerd op de Lie-algebra van $SO(3)$ (rotaties).
  2. Construeer een operator $f$ die projecteert op de verticale ruimte en de richting van $Z$.
  3. De horizontale ruimte $H_Z$ is de kern van $f$.
  4. Gebruik Singular Value Decomposition (SVD) op de matrixrepresentatie van $f$ om een orthonormale basis te extraheren die correspondeert met de nul-eigenwaarden. Dit maakt het mogelijk om willekeurige vectoren in de raakruimte te genereren en terug te projecteren naar de vormruimte.

C. Berekening van Sectiekromming (Sectie 3)
De sectiekromming $K(u, v)$ in de Kendall-vormruimte is niet constant en complexer dan op een standaard sfeer vanwege de quotiëntafbeelding. De formule is:
$$K(u, v) = 1 + \frac{3}{4} \|[u, v]_V\|^2$$
waarbij $[u, v]_V$ de verticale component is van de Lie-haak (bracket) van twee raakvectoren.

• Uitdaging: Er is geen directe formule voor de verticale component voor willekeurige vectoren.
• Oplossing:
  1. Voer SVD uit op het punt $X$ om singuliere waarden $\lambda_i$ en matrices $U, V$ te krijgen.
  2. Construeer een aangepaste basis voor de raakruimte bestaande uit vectoren $\frac{\partial}{\partial \lambda_i}$ en $\xi_{ij}$, gebaseerd op de werken van Kendall et al. (2009).
  3. Transformeer de invoervectoren $u$ en $v$ naar deze basis.
  4. Gebruik bekende commutatorrelaties (Lie-haak regels) en inproducten voor de basisvectoren om de verticale component van de haak te berekenen.
  5. Bereken de kromming met de bovenstaande formule.

3. Belangrijkste Bijdragen

De auteurs hebben een Python-implementatie ontwikkeld die de functionaliteit van Geomstats uitbreidt met twee specifieke modules:

1. orthonormal_basis_to_simulate.py:

   • Implementeert de SVD-gebaseerde methode om een orthonormale basis van de raakruimte te genereren.
   • Biedt een functie simulate_in_tangent_space om willekeurige steekproeven te genereren in de raakruimte en deze te projecteren naar de vormruimte.
   • Voorbeeld: Simulatie van 3D-huizen gedefinieerd door 10 landmarks.

2. sectional_curvature.py:

   • Implementeert de volledige pipeline voor het berekenen van de sectiekromming.
   • Functies omvatten: SVD-extractie, constructie van de aangepaste basis ($\xi_{ij}$), berekening van de genormeerde verticale haak, en de uiteindelijke krommingsberekening.
   • Dit maakt het mogelijk om de lokale kromming van de vormruimte op specifieke configuraties te kwantificeren.

4. Resultaten en Toepasbaarheid

• De software is beschikbaar gesteld via een openbare repository (Google Sites van de Universiteit Jaume I).
• De implementatie is getest op specifieke voorbeelden (zoals 3D-huizen), wat aantoont dat de methoden werkend zijn voor praktische datasets.
• De tools stellen onderzoekers in staat om statistische analyses uit te voeren die afhankelijk zijn van de kromming van de manifold, zonder zelf de complexe wiskundige afleidingen te hoeven implementeren.

5. Significantie

Dit werk is van groot belang voor de toepassing van Riemanniaanse statistiek in de praktijk:

• Brug tussen theorie en praktijk: Het vertaalt abstracte wiskundige concepten (zoals sectiekromming en horizontale bases) naar gebruiksvriendelijke code.
• Uitbreiding van Geomstats: Het vult een cruciale gat in de huidige Python-ecosystemen voor vormanalyse, waardoor Geomstats nu ook geschikt is voor geavanceerde 3D-vormstudies.
• Toekomstige toepassingen: De mogelijkheid om kromming te berekenen en simulaties in de raakruimte uit te voeren, opent de deur voor meer geavanceerde statistische modellen in medische beeldvorming, robotica en computer vision, waar de niet-Euclidische aard van vormdata essentieel is.