A Functional Approach to Curve Alignment and Shape Analysis

技术摘要：曲线对齐与形状分析的函数方法

问题陈述
本文探讨了作为从图像中提取的轮廓所表示的对象形状的统计分析。传统的形状分析通常依赖于离散观测（地标或点云），这种方法忽视了轮廓的连续性质及其潜在的几何结构。此外，从图像中提取的轮廓会受到变形变量的影响，包括缩放（$\rho$）、平移（$T$）、旋转（$O$）和重参数化（$\gamma$）。图像衍生轮廓的一个特定挑战是由边缘检测算法确定的任意起点所导致的相位变异性。现有的方法，如弹性形状分析框架（例如 Srivastava 等人，2010）或迭代最近点（ICP）算法，往往依赖于离散化，缺乏闭式解，或者未能显式地将变形参数与内在形状解耦，从而导致潜在统计信息的丢失和可解释性的降低。

方法论
作者提出了一个基于函数数据分析（FDA）的框架，将轮廓视为定义在 $t \in [0, 1]$ 上的双变量函数变量 $C(t) = (X(t), Y(t))^\top$。核心方法论包含两个主要阶段：

1. 通过迭代最近函数（ICF）算法进行曲线对齐：

   • 模型： 观测曲线被建模为 $C(t) = \rho O_\theta \tilde{C} \circ \gamma_\delta(t) + T$，其中 $\tilde{C}$ 是潜在形状（预形状）。
   • 基展开： 为了处理数据的连续性，曲线被平滑并使用傅里叶基展开表示。这一选择 motivated 于闭合曲线的周期性以及傅里叶函数特有的时移性质，后者简化了重参数化的估计。
   • 重参数化空间： 作者将重参数化函数 $\gamma$ 限制在特定空间 $\Gamma$ 内，该空间代表起点的循环移位（$\gamma_\delta(t) = \text{mod}(t-\delta, 1)$）。这解决了图像轮廓中对齐误差的主要来源，而无需全微分同胚扭曲的复杂性。
   • 估计： 该算法通过最小化曲线与模板（Fréchet 均值）之间的 $L^2$ 距离来估计变形变量（$\rho, T, \theta, \delta$）。
     • 平移和缩放直接从傅里叶系数推导得出。
     • 旋转（$\theta$）和重参数化（$\delta$）通过交替优化过程（ICF）进行估计。对于固定的 $\delta$，$\theta$ 通过 Procrustes 问题求解；对于固定的 $\theta$，$\delta$ 通过求解由基函数矩阵表示导出的三角方程找到。
   • Fréchet 均值： 采用迭代过程联合估计 Fréchet 均值形状并对齐曲线，因为均值依赖于对齐，反之亦然。

2. 通过分离 PCA 进行生成建模：

   • 一旦对齐，数据就被分解为形状分量和变形分量。
   • 形状建模： 对齐后的预形状（缩放至单位范数）使用多元函数主成分分析（MFPCA）进行建模，以捕捉内在形状变异性。
   • 变形建模： 变形变量（$\rho, \theta, \delta, T$）被转换到无约束的欧几里得空间（$Z_2$），并使用标准多元主成分分析（PCA）进行建模。
   • 生成模型： 通过假设拼接后的得分向量服从多元高斯分布，构建联合生成模型。这允许模拟新曲线，同时保持形状与变形之间的依赖性。

主要贡献

• 函数对齐过程： 引入了 ICF 算法，该算法直接在函数空间中使用傅里叶基展开进行操作。这避免了基表示之外的额外离散化需求，并为变形变量的估计提供了分析解。
• 显式变形建模： 与将变形视为 nuisance 参数的方法不同，该框架显式地估计和建模缩放、平移、旋转和起点移位。这使得能够分别分析形状变异性和变形效应。
• 分离 PCA 框架： 一种新颖的生成模型，对对齐后的形状和变形参数分别执行 PCA。这保留了主成分的可解释性，区分了由形状几何驱动的变异模式与由对齐参数驱动的变异模式。
• 处理相位变异性： 将重参数化空间特别限制为循环移位，解决了图像轮廓中任意起点的实际问题，提供了一种可行的解决方案，而更灵活的弹性框架可能在此类问题的可识别性上遇到困难。

结果

• 模拟研究： 将 ICF 算法与迭代最近点（ICP）算法和平方根速度函数（SRVF）弹性对齐方法进行了比较。
  • 准确性： ICF 在估计重参数化参数 $\delta$ 和旋转 $\theta$ 方面表现出更优越的性能，特别是在较低的采样分辨率下。ICP 由于在无序点云上操作而遭受较大误差，而 SRVF 在旋转估计方面表现不佳，这可能是由于弹性框架中旋转与重参数化之间的部分补偿所致。
  • 鲁棒性： 函数方法被证明对离散化水平具有鲁棒性。
• 真实数据分析（MPEG-7 数据库）： 该方法应用于蝴蝶和叉子对象类别。
  • 对齐： 该过程成功对齐了具有不同方向和起点的曲线，生成了连贯的 Fréchet 均值形状。
  • 可解释性： 分离的 PCA 揭示了不同的变异模式。对于蝴蝶，第一主成分捕捉了翅膀的缩放，而后续成分捕捉了翅膀的几何形状。对于叉子，成分区分了三齿和四齿结构。
  • 生成性能： 与应用于未对齐曲线的基线 MFPCA 相比，由所提模型生成的曲线更加真实且结构一致（例如，保留了蝴蝶的触角和叉子的叉齿），后者产生了扭曲或不连贯的形状。

意义与主张
本文声称，其函数方法为复杂的弹性对齐框架提供了一种“简单、可识别且计算高效”的替代方案，专门针对从图像中自动提取的轮廓。通过关注相位变异性的主要来源（起点）并利用傅里叶基的性质，该方法实现了曲线对齐，而无需承担在微分同胚上进行数值优化的计算负担。

作者强调，他们的框架融合了函数数据分析、形状分析和图像分析。一个显著的优势是能够在显式建模缩放的线性函数空间内工作，从而避免了将缩放视为 nuisance 参数时所需的非线性流形（如预形状球面）的复杂性。这项工作表明，与那些混淆形状和对齐变异性的方法相比，显式建模变形变量能带来更好的可解释性和更现实的生成模型。作者承认了局限性，指出当前关注的是单对象轮廓且仅限于起点移位，建议未来的工作可以扩展到多个相互作用的曲线和更灵活的重参数化类别。