MMPersistence: A mathematical morphology-oriented software library for computing persistent homology on cubical complexes

1. 연구 배경 및 문제 제기 (Problem)

• 기존 방법의 한계: 기존 디지털 이미지 분석에서 널리 사용되는 지속적 호몰로지 (Persistent Homology, PH) 는 주로 **하위 레벨 집합 여과 (sublevel-set filtration)**에 기반합니다. 이는 픽셀 값 (강도) 을 기준으로 임계값을 변화시키며 위상적 특징 (연결 성분, 구멍 등) 의 탄생과 소멸을 추적합니다.
• 문제점: 하위 레벨 집합 방식은 픽셀 값의 극단적인 강도 (예: 매우 밝거나 어두운 픽셀) 에 민감하게 반응합니다. 이로 인해 실제 공간적 크기는 작지만 강도가 극단적인 노이즈 (예: 소금 노이즈) 가 위상적 특징으로 잘못 인식되어 지속 다이어그램 (Persistence Diagram, PD) 에서 비정상적으로 긴 수명을 갖게 되거나, 반대로 공간적으로 넓지만 강도가 중간인 구조는 중요도가 낮게 평가되는 문제가 발생합니다.
• 결론: 기존 방식은 이미지의 기하학적 형태 (shape) 와 공간적 구조에 대한 정보를 충분히 포착하지 못하며, 노이즈에 대한 강건성 (robustness) 이 부족합니다.

2. 방법론 (Methodology)

이 논문은 **수학적 형태론 (Mathematical Morphology, MM)**의 원리를 지속적 호몰로지 계산에 접목하여 새로운 프레임워크를 제안합니다.

• 핵심 아이디어: 픽셀 값의 강도 대신, **구조 요소 (Structuring Element, SE)**를 사용하여 이미지의 국소적 구조를 변형 (침식, 팽창, 열기, 닫기) 시키고, 이 과정을 통해 생성된 위상적 여과 (filtration) 를 기반으로 PH 를 계산합니다.
• 주요 연산:
  • 침식 (Erosion) 과 열기 (Opening): 이미지 내의 흰색 영역 (또는 검은색 영역) 을 축소하거나 작은 구조물을 제거하여 구멍 (hole) 의 크기와 형태를 추적합니다.
  • 팽창 (Dilation) 과 닫기 (Closing): 인접한 구조물을 연결하여 구멍의 공간적 분산도 (sparseness) 와 연결성을 추적합니다.
  • 정사각형 구조 요소 (Square SEs): $S_1 \subseteq S_2 \subseteq \dots$로 정의된 정사각형 형태의 구조 요소 시퀀스를 사용하여 다중 스케일 (multiscale) 분석을 수행합니다.
• 소프트웨어 구현 (MMPersistence):
  • Python 기반 라이브러리로, GUDHI 패키지의 큐비컬 컴플렉스 (cubical complexes) 기능을 기반으로 구축되었습니다.
  • 이진 이미지 (Binary) 와 회색조 이미지 (Grayscale) 모두를 지원합니다.
  • 회색조 이미지의 경우, 임계값 (thresholding) 과 MM 연산을 결합하여 이중 여과 (bifiltration) 개념을 적용하거나, 다양한 임계값에서 MM 기반 PD 를 생성하여 다중 스케일 특징을 추출합니다.

3. 주요 기여 (Key Contributions)

1. MMPersistence 라이브러리 개발: 수학적 형태론 기반의 여과를 수행하고 지속적 호몰로지를 계산할 수 있는 오픈소스 Python 라이브러리를 최초로 공개했습니다.
2. 기하학적 해석의 확장: 기존 하위 레벨 집합 방식이 놓쳤던 **구멍의 크기 (size), 두께 (thickness), 공간적 위치 (spatial location)**에 대한 정량적 정보를 지속적 호몰로지를 통해 추출할 수 있음을 증명했습니다.
   • 예: 침식 연산을 통해 구멍이 사라질 때까지의 '사망 값 (death value)'은 해당 구멍의 기하학적 크기를 직접적으로 반영합니다.
3. 노이즈에 대한 강건성 입증: 소금 노이즈 (salt noise) 가 추가된 이미지에서 기존 PH 와 MMPersistence 기반 PH 를 비교했습니다.
   • 기존 방식: 노이즈로 인해 PD 간 거리 (Bottleneck distance) 가 크게 증가하여 이미지 간 유사성이 왜곡됨.
   • MMPersistence: 노이즈가 미세한 구조물이므로 MM 연산 (특히 열기) 을 통해 쉽게 제거되어, 원본 이미지와 노이즈 이미지의 PD 간 거리가 매우 작게 유지됨. 이는 기하학적 형태에 기반한 분석이 노이즈에 덜 민감함을 보여줍니다.

4. 실험 결과 (Results)

• 이진 이미지 분석:
  • 침식/열기 여과: 다양한 크기의 직사각형 구멍이나 불규칙한 곡선으로 형성된 구멍들에 대해, 지속 다이어그램의 '사망 값'이 구멍의 실제 기하학적 크기 (너비/두께) 와 높은 상관관계를 가짐을 확인했습니다.
  • 팽창/닫기 여과: 구멍들이 서로 얼마나 멀리 떨어져 있는지 (공간적 희소성) 나 연결되어 있는지를 정량화했습니다. 구멍들이 밀집된 이미지와 분산된 이미지에서 PD 의 수명 분포가 명확히 다르게 나타났습니다.
• 회색조 이미지 및 노이즈 테스트:
  • 소금 노이즈가 추가된 이미지에서, 기존 하위 레벨 집합 방식은 노이즈 픽셀의 높은 강도 때문에 위상적 특징이 왜곡되었습니다.
  • 반면, MMPersistence (특히 열기 연산 기반) 는 노이즈를 작은 구조물로 간주하여 제거하거나 무시함으로써, 원본 이미지의 위상적 특성을 더 정확하게 보존했습니다.
  • 정규화된 PD 간의 **병목 거리 (Bottleneck distance)**를 계산한 결과, MM 기반 방식이 노이즈에 대해 훨씬 더 안정적이고 신뢰할 수 있는 결과를 제공했습니다.

5. 의의 및 결론 (Significance)

• 위상 데이터 분석 (TDA) 의 새로운 패러다임: TDA 가 이미지 처리에 적용될 때, 단순한 픽셀 강도뿐만 아니라 기하학적 형태와 공간적 구조를 통합적으로 고려할 수 있는 새로운 프레임워크를 제시했습니다.
• 실용적 응용 가능성: 의료 영상 (미토콘드리아 네트워크 분석 등), 미세 현미경 이미지, 복잡한 패턴 인식 등 노이즈가 많거나 기하학적 형태가 중요한 분야에서 기존 딥러닝 모델의 특징 추출기 (feature extractor) 로서 또는 전처리 도구로서 높은 잠재력을 가집니다.
• 오픈소스 생태계 기여: GUDHI 및 Persim 등 기존 TDA 도구들과 호환되는 Python 라이브러리를 제공함으로써, 연구자들이 MM 기반의 지속적 호몰로지를 쉽게 실험하고 적용할 수 있는 기반을 마련했습니다.

요약하자면, 이 논문은 수학적 형태론의 국소적 구조 변형 능력을 지속적 호몰로지의 전역적 위상 분석과 결합함으로써, 기존 방법의 한계를 극복하고 디지털 이미지 분석의 정확성과 강건성을 획기적으로 향상시킨 획기적인 도구 (MMPersistence) 와 이론적 근거를 제시했습니다.