Matematika pro geometrickou morfometrii (3)

Transkript

1 Ján Dupej Laboratoř 3D zobrazovacích a analytických metod Katedra antropologie a genetiky člověka Přírodovědecká fakulta UK v Praze

2 Opakování Prokrustovská transformace (analýza, registrace) Idea Nalezení rigidní transformace která minimializuje vzájemnou vzdálenost eliminuje rozdílnou polohu a velikost Algoritmus Rozklad na dva problémy (dvojice a množina) Těžiště v počátku Jednotková velikost Minimalizace vzálenosti od průměru (ne vzájemnou) Suboptimální 2

3 Opakování Prokrustovská transformace Postupná aproximace průměrného tvaru Zarovnání dvojice (jedinec na aproximaci průměrného tvaru) Výhody 2D, 3D, rychlá, stabilní (malá změna vstupních dat = malá změna výsledku) Jednotková velikost Nevýhody Rozloží chybu mezi landmarky tak aby celková byla nejmenší Všechny landmarky mají stejnou váhu Pinocchio efekt 3

4 Opakování Teorie tvaru Stupeň volnosti = minimální počet čísel popisující tvar Může jich být více, pak tvary tvoří zakřivený podprostor v tomto prostoru (např. po Prokrustovské analýze) Statistické metody nefungují na zakřiveném prostoru Projekce do tečné roviny pro malé vzdálenosti Metody odvozené pro Kendallův prostor Vzdálenost mezi tvary Proskrustovská Částečná Prokrustovská Úplná Prokrustovská indukuje Kendallův prostor 4

5 Zobrazení rozdílů Skupina nebo dvojice Pro jednoduché konfigurace moho stačit překryté exempláře Scatter plot 5

6 Zobrazení rozdílů Velikost, barva, orientace symbolů Složitější ve 3D 6

7 Thin Plate Spline Větší počet landmarků mnoho šipek, nepřehledné Zobrazení pomocí deformované mřížky Vytvoření spojitého prostoru pomocí interpolace Znám posun landmarků Co je mezi, spočítám interpolací n TPS x = a 0 + a 1 x + a 2 y + i=1 w i U p i x x = (x, y) Radial basis function: U t = t 2 ln (t)? 7

8 TPS odvození Afinní část Elastická část TPS x x = a 0x + a 1x x + a 2x y + w ix U p i x n i=1 Neznámé Znám: TPS x p j = q jx j = 1,.. n 3 + n neznámých, n rovnic chybí tři rovnice abychom měli jednoznačné řešení n i=1 w ix = 0 n i=1 w ix p ix = 0 n i=1 w ix p iy = 0 8

9 TPS odvození Soustava rovnic 1, p jx, p jy, U 1j,, U nj TPS x p j = a 0x 1 + a 1x p jx + a 2x p jy + w ix n i=1 w = a 0x, a 1x, a 2x, w 1x,, w nx U p i p j = q jx n daných podmínek 3 další podmínky 1 p 1x p 1y U 1j U nj 1 p nx p ny U nj U nn p 1x p nx p 1y p ny a 0x a 1x a 2x w 1x w nx = q 0x q nx

10 TPS odvození Soustava rovnic Mw = x M 1 Mw = M 1 x w = M 1 x Získám potřebné parametry w pro transformační funkci Provedu vykreslení Levá dolní část M 1 velikosti n n se nazývá matice ohybové energie (Bending energy matrix) 10

11 TPS ukázka Morphome3cs 11

12 TPS ukázka 12

13 TPS - shrnutí První použití visualizace D Arcy Thompson, ruční kreslení Inspirace v matematice strojního inženýrství Nekonečně tenký kovový plátek Interpolace definovaná všude Může vést k falešným závěrům Důležité je husté pokrytí landmarky Visualizace rozdílů jako deformací ve 2D Lze snadno ve 3D, problém se zobrazováním 2D řezy, 3D mřížky 13 Landmarky se nesmějí křížit nestabilita

14 Ukázka 1 Jiné použití TPS rektifikace obrazu Lokální deformace má globální efekt Přitáhnout prsty k sobě Vznikající nestabilita Vzdálená deformace 14

15 Ukázka 2 15

16 Warps Parametrický model tvaru odvozený z TPS Principal warps, Partial warps Vlastní vektory bending energy matrix E Setříděné nejvýraznější po dvou kolmé směry lokálních deformací Příklad P = Q = T T 16

17 Warps - příklad Na spočtení M 1 potřebuji pouze souřadnice vstupních landmarků, P E = Principal warps tvoří komponenty deformační složky bez ohledu na cílové landmarky v 1 = v 2 =

18 Warps - model Konkrétní exemplář získáme z: Afinní transformace vstupních landmarků Lineární kombinace warpů Q = PA + v 1 k 1 T + v 2 k 2 T i U p i x Koeficienty k se spočítají ze znalosti vstupních P a výstupních Q landmarků z TPS koeficientů Nazývají se partial warp scores a tvoří tvarové proměnné Je možné vizualizovat vliv jednotlivých warpů na tvar odděleně (nastavením ostatních k i = 0) 18

19 Warps - dekompozice k 1x, k 1y + k 2x, k 2y 19

20 Analýza konečných prvků Spojitá deformace (TPS nebo jiná) nenabízí přímo žádnou míru (číslo) hodnotící deformaci nebo lokální změnu velikosti Motivace v mechanice kontinua Popis oblasti mezi landmarky jako celku konečné uzavřené prvky většinou trojúhelníkového tvaru Přirazení hodnoty popisující rozdíly v tvaru nebo velikosti FESA Finite Element Scaling Analysis 20

21 Konečné prvky 21

22 Mechanika kontinua Je možné dodefinovat spojitou transformační funkci a analyzovat ji prostředky mechaniky kontinua (Cheverud and Richtmeier 1986) Strain tensor F = ε i,j = 1 2 u + ut Rozklad na dvojici tenzorů velikosti a deformace F = S + T Redukce každého tensoru na jediný skalár (lokální rozdíl velikostí/tvarů) 22

23 FESA na trojúhelníkových sítích Velikost je dána poměrem ploch odpovídajících si trojúhelníků, nebo kružnice a elipsy Tvar je dán poměrem velikostí vlastních čísel deformační matice P = QA = x 1 y 1 x 2 y 2 = x 3 y 3 x 1 y 1 x 2 y a b 2 x 3 y c d 3 23

24 Lineární model tvaru Model matematický popis jevu z reálného světa Reálné příklady ho mohou více nebo méně splňovat Příklad Model tvaru lebky může být jeden vhodný reprezentant Splňuje ho pouze on sám, extrémy jsou daleko Může být průměrný reprezentant ze zkoumané populace Nesplňuje ho nikdo, ale všichni jsou blízko Průměr + tolerance Může popisovat i nemožné exempláře Parametrický model Každý exemplář odpovídá číselné konfiguraci 24

25 Lineární model tvaru Zohledňuje tendence vyskytující se v pozorované množině jedinců, vzorku P 1, P 2, P n F k 1, k 2, k m Takový model dokáže popsat nekoněčně velkou populaci generování jedinců Matematický nástroj analýza hlavních komponent Principal component analysis (PCA) Jeden exemplář se skladá z příspěvků různých komponent Hledáme komponenty které přispívají nejvíc 25

26 PCA Data p i = p i1, p i2,, p in Rozklad na p 0, k i Průměr p 0 Hlavní komponenty (PC) k i Komponenty jsou seřazeny dle míry přispění (zachycené variability) Každého jedince lze zapsat jako součet průměru a lineární kombinace komponent p i = p 0 + v j skóre n j=1 v j k j 26

27 PCA k 1 k 2 p i p 0 27

28 PCA Jak najít množinu hlavních komponent? Komplikovaná teorie, vynecháme (tl, dr) Odpovídá vlastním vektorům kovariační matice Kovariance popisuje závislost dvou náhodných proměnných Kovariační matice popisuje vzájemnou závislost všech dvojic c ij = 1 N k P ki P i P kj P j C = c 11 c 1n c 1n c nn 28

29 PCA výpočet Rozklad kovariační matice na vlastní vektory Dvojic vlastní vektor x, číslo λ je stejně jako souřadnic Vlastní číslo určuje důležitost komponenty Cx = λx Můžu se rozhodnout kolik komponent chci zahrnou do svého modelu Víc komponent víc (potenciálně zbytečných) detailů, parametrů Poměr součtu vlastních čísel vybraných komponent ku celkovému součtu odpovídá množství informace 29

30 PCA váha komponent Nejvíc informace je typicky obsaženo v prvních několika komponentách vzorek není náhodný Procento informace 30 komponenta

31 PCA příklad Data Kovariační matice P = cov P = Vlastní vektory Model v 1 = v 2 = v 3 = v 4 = λ 1 = 0 λ 2 = λ 3 = λ 4 = % informace 2.87% informace 37.92% informace 59.21% informace Průměr P 0 =

32 PCA příklad Zbývá dopočítat koeficienty (souřadnice, skóre) pro namodelování původních dat k 1 = P 0 = P 0 + v 4 k 1,4 = P 0 + v 3 k 1,3 + v 4 k 1,4 = P 0 + v 2 k 1,2 + v 3 k 1,3 + v 4 k 1,4 = P 0 + v 1 k 1,1 + v 2 k 1,2 + v 3 k 1,3 + v 4 k 1,4 = = P 1 Zobrazení vybraných 2 až 3 koeficientů do grafu pro všechny exempláře (scatter plot) 32

33 PCA demonstrace 33

34 PCA aplikace Eigenfaces (1) Yale faces dataset Registrované fotografie lidských tváří 2D data převedeny na 1D sploštěním 34 Obrázek z

35 PCA aplikace Eigenfaces (2) PCA na vektorech tváří produkuje hlavní komponenty eigenfaces Každou tvář je možné vyjádřit jako součet průměrné tváře a lineární kombinace eigenfaců 35 Obrázek z

36 PCA aplikace Eigenfaces (3) Kolik hlavních komponent je potřeba sečíst? Ideálně všechny (někdy není možné) Čím více, tím přesnější aproximace Nejvýraznější příspěvky od komponent s nízkým indexem 36 Obrázek z

37 PCA aplikace Eigenfaces (4) Do báze určené PC je možné převést data q které nebyly zahrnuty do analýzy Takové data nemusí být přesně rekonstruovatelné v j = q p 0 k j 37 Obrázek z

38 PCA závěr PCA modeluje vztahy mezi landmarky pouze lineárně Existují metody které dokáží zachytit nelineární vztahy Další užitečné použití Dobře separuje třídy odlišnost se projevuje v prvních komponentách (shluková analýza) Redukce dimenze vytvoří stejný počet nových proměnných, ale poslední nesou jen minimum informace, ty je možné zanedbat Dopočítání chybějících dat 38