A Functional Data Framework For Analyzing Shapes and Textures in Images

Resumo Técnico: Uma Estrutura de Dados Funcionais para Analisar Formas e Texturas em Imagens

Definição do Problema
O artigo aborda os desafios da análise estatística de imagens, especificamente as limitações das representações baseadas em pixels. Embora as imagens estejam cada vez mais disponíveis para aplicações que variam do diagnóstico médico à agronomia, tratar as imagens como matrizes de alta dimensão com estruturas de correlação complexas torna os métodos estatísticos clássicos inadequados. Além disso, as abordagens dominantes, como as Redes Neurais Convolucionais (CNNs), embora eficazes, sofrem com altos custos computacionais e falta de interpretabilidade. Os autores argumentam que, à medida que as tecnologias de aquisição produzem imagens mais detalhadas, o ônus computacional dos modelos baseados em pixels aumentará, necessitando o desenvolvimento de métodos estatísticos "frugais" que respeitem a natureza contínua dos contornos e texturas dos objetos.

Metodologia
A estrutura proposta altera a perspectiva de grades discretas de pixels para uma perspectiva de Análise de Dados Funcionais (FDA), modelando imagens como observações de funções aleatórias contínuas. A metodologia procede através das seguintes etapas:

1. Segmentação de Imagem e Extração de Contorno:
   O processo começa identificando um único objeto dentro de uma imagem $I$ para obter sua silhueta $I'$. A fronteira do objeto é representada como uma curva plana fechada $C: [0, 1] \to \mathbb{R}^2$. Utilizando algoritmos como o limiar de Otsu e o método de marching squares, a silhueta discreta é convertida em um contorno funcional.

2. Análise de Forma (Alinhamento de Deformação):
   Seguindo o trabalho de Moindjié et al. (2025), o contorno $C$ é decomposto em um componente de forma $\tilde{C}$ (no sentido de Kendall) e variáveis de deformação: escala uniforme ($\rho$), translação ($c$), rotação ($O$) e reparametrização ($\gamma$). Os autores estimam essas variáveis para alinhar e centralizar as curvas, resultando em uma variável de forma $S$ que é invariante a essas transformações. Isso permite a análise estatística da forma do objeto independentemente de sua posição ou tamanho.

3. Representação de Textura via Domínios Estrela-Forma (Star-Shaped):
   Uma inovação central é o tratamento da textura (variação de cor interna). A estrutura assume que o domínio interior do objeto $D$ é estrela-forma (star-shaped) em relação a um ponto central $c$. Sob esta hipótese, os autores definem um mapeamento $\phi$ que transforma o disco unitário $\mathbb{D}$ para o interior do objeto $D$.

   • Este mapeamento permite que a função de textura $T^*(u) = I(u)$, originalmente definida no domínio irregular $D$, seja re-parametrizada no disco unitário $\mathbb{D}$ (ou um quadrado $[0,1]^2$ via uma transformação bijetiva $g$).
   • A textura resultante $T(v)$ é uma superfície aleatória definida em um domínio comum, permitindo a aplicação de técnicas funcionais de dados padrão.

4. Modelagem Estatística Conjunta:
   A estrutura constrói uma variável funcional conjunta $Z$ combinando a textura $T \circ g$ e o contorno alinhado $\tilde{C}$. Para classificação supervisionada, os autores empregam modelos lineares onde a resposta $Y$ é regredida sobre $Z$.

   • Como o espaço de formas é uma variedade (manifold) não linear, o componente de forma é projetado no espaço tangente na média de Fréchet $\mu$.
   • Para lidar com a natureza mal posta da regressão com covariáveis funcionais, os autores utilizam Análise de Componentes Principais Funcionais Multivariadas (MFPCA) e Mínimos Quadrados Parciais Funcionais Multivariados (MFPLS) para estimar os coeficientes de regressão.

Principais Contribuições

• Representação Frugal: O artigo introduz uma representação esparsa de imagens que separa explicitamente a forma (contorno) e a textura (cor interna), evitando a alta dimensionalidade das matrizes de pixels.
• Mapeamento Estrela-Forma: Fornece um mapeamento teórico e prático para análise de textura sob a hipótese de domínio estrela-forma, permitindo a integração de variações de cor interna sem a necessidade de marcos (landmarks) anotados.
• Estrutura Funcional Conjunta: Estende a análise anterior de apenas contorno (Moindjié et al., 2025) para uma análise conjunta de contornos e texturas, tratando ambos como variáveis funcionais contínuas.
• Interpretabilidade: Ao utilizar modelos lineares em dados funcionais, a abordagem oferece uma alternativa mais interpretável às "caixas pretas" do aprendizado profundo (deep learning).

Resultados
A estrutura foi avaliada em um conjunto de dados do mundo real de 2.148 imagens de pistache (duas variedades: Kirmizi e Siirt) de Singh et al. (2022). O estudo envolveu:

• Aumento de Dados (Data Augmentation): Rotações aleatórias e zoom foram aplicados para testar a robustez contra deformações.
• Comparação: A abordagem proposta ("OUR") foi comparada contra um competidor de linha de base ("COMP") que tratava as imagens como superfícies aleatórias (regressão escalar-na-imagem) sem separação explícita de forma/textura.
• Desempenho: Usando validação cruzada de 10 dobras, a estrutura proposta alcançou acurácia e F1-score significativamente superiores.
  • OUR (MFPCA): 77% de Acurácia, 74% de F1.
  • OUR (MFPLS): 76% de Acurácia, 73% de F1.
  • COMP (MFPCA): 63% de Acurácia, 42% de F1.
  • COMP (MFPLS): 57% de Acurácia, 54% de F1.
    O competidor de linha de base apresentou desempenho próximo ao acaso, enquanto a estrutura proposta demonstrou capacidades de discriminação robustas.

Significância e Alegações
Os autores afirmam que este trabalho estabelece um novo paradigma para a análise estatística de imagens ao modelar explicitamente os aspectos primários das imagens (forma e textura) como funções contínuas, em vez de pixels discretos. A significância reside em:

1. Eficiência: Oferece uma alternativa computacionalmente mais leve ("frugal") às CNNs e modelos de pixels de alta dimensão.
2. Robustez: O tratamento explícito das variáveis de deformação (rotação, escala) permite que o modelo funcione bem mesmo quando os objetos não estão perfeitamente alinhados.
3. Aplicabilidade: A hipótese de domínio estrela-forma é apresentada como uma condição fraca satisfeita por muitos objetos na análise de imagens (ex: células biológicas, folhas, órgãos), tornando o método amplamente aplicável.

O artigo nota modestamente que a dependência da hipótese de domínio estrela-forma é uma limitação para objetos não estrela-forma (como um ferradura) e sugere que trabalhos futuros possam explorar extensões de invólucro convexo (convex-hull) ou a incorporação de cores de fundo para lidar com geometrias mais complexas.