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

1. Problema e Motivação

A Análise de Dados Topológicos (TDA), especificamente a Homologia Persistente (PH), é amplamente utilizada para extrair características topológicas (como componentes conectados e buracos) de dados de imagem. O método convencional para imagens digitais baseia-se na filtração de subconjuntos de nível (sublevel-set filtration), onde a imagem é tratada como uma função e a topologia é analisada variando um limiar de intensidade de pixel.

No entanto, a abordagem tradicional apresenta limitações significativas:

• Sensibilidade a Ruído: Estruturas topológicas formadas por pixels com valores de intensidade extremos (mesmo que sejam ruído, como ruído "sal e pimenta") podem gerar intervalos de persistência longos e enganosos, distorcendo a análise.
• Perda de Informação Geométrica Local: A filtração baseada apenas em intensidade ignora características geométricas e morfológicas locais, como o tamanho, a forma e a espessura das estruturas, focando apenas na intensidade global.
• Fragilidade: Pequenas perturbações nos valores de intensidade podem alterar drasticamente o Diagrama de Persistência (PD), tornando a representação menos robusta para tarefas de processamento de imagem.

O artigo propõe que a Morfologia Matemática (MM), uma teoria clássica de processamento de imagem baseada em conjuntos e geometria discreta, pode ser integrada à PH para superar essas limitações, capturando não apenas a topologia, mas também a informação geométrica e espacial das estruturas da imagem.

2. Metodologia

O artigo apresenta a biblioteca de software MMPersistence, uma ferramenta em Python que integra operações de Morfologia Matemática com o cálculo de Homologia Persistente em complexos cúbicos.

Fundamentos Teóricos

• Imagens e Complexos Cúbicos: Imagens binárias são tratadas como complexos cúbicos em $\mathbb{R}^2$, onde pixels pretos são quadrados fechados unitários. A homologia captura componentes conectados ($H_0$) e buracos ($H_1$).
• Operações de Morfologia Matemática: O framework utiliza quatro operações fundamentais definidas por um Elemento Estruturante (SE):
  • Erosão ($\epsilon$) e Dilatação ($\delta$).
  • Abertura ($O$) e Fechamento ($C$).
• Construção de Filtrações: Em vez de variar o limiar de intensidade, o método constrói filtrações variando o tamanho e a forma do Elemento Estruturante.
  • Filtração por Erosão/Abertura: Aumenta progressivamente o SE, removendo regiões brancas (ou expandindo pretas), o que permite medir o "tamanho" ou "espessura" de buracos e estruturas.
  • Filtração por Dilatação/Fechamento: Promove a conectividade de regiões brancas, permitindo analisar a proximidade e a fusão de estruturas.

Implementação da Biblioteca (MMPersistence)

• Base: A biblioteca é construída sobre o pacote GUDHI (para homologia persistente em complexos cúbicos) e utiliza Persim para visualização.
• Suporte a Imagens:
  • Binárias: Aplica diretamente as operações de MM para gerar filtrações e calcular PDs.
  • Cinzentas (Grayscale): Utiliza um processo de dois passos:
    1. Binarização da imagem cinzenta através de um limiar ($t$).
    2. Aplicação da filtração baseada em MM sobre a imagem binarizada.
    3. Agregação dos resultados para múltiplos limiares, criando uma representação multiescala.
• Medida de Distância: Utiliza a distância de gargalo (bottleneck distance) para comparar a robustez dos PDs gerados por MM versus os PDs tradicionais, demonstrando que a abordagem MM é menos sensível a ruídos de intensidade extrema.

3. Principais Contribuições

1. Biblioteca MMPersistence: Desenvolvimento e disponibilização de uma biblioteca de código aberto em Python que implementa filtrações baseadas em MM para cálculo de homologia persistente.
2. Integração MM-PH: Proposição de um framework unificado que combina a robustez geométrica da Morfologia Matemática com o poder analítico da TDA.
3. Interpretação Geométrica:
   • Demonstra que os valores de "morte" (death values) nos PDs gerados por erosão/abertura correspondem diretamente ao tamanho físico (largura/espessura) dos buracos ou estruturas na imagem.
   • Mostra que a abordagem baseada em MM é capaz de distinguir estruturas topologicamente equivalentes (ex: dois buracos do mesmo tamanho) com base em sua localização espacial e contexto geométrico, algo que a PH tradicional baseada em subconjuntos de nível não faz.
4. Robustez ao Ruído: Evidência empírica de que a PH baseada em MM é significativamente mais robusta a ruídos de tipo "sal e pimenta" do que a PH tradicional, mantendo a estabilidade do Diagrama de Persistência mesmo na presença de pixels com intensidade extrema.

4. Resultados

Os experimentos realizados com a biblioteca MMPersistence demonstraram:

• Análise de Buracos: Em imagens binárias com buracos retangulares e irregulares, a filtração por erosão/abertura produziu Diagramas de Persistência onde os valores de morte codificavam com precisão as dimensões físicas dos buracos.
• Distinção Espacial: Em imagens com buracos de mesma forma e tamanho, mas em diferentes posições (ex: um perto da borda e outro no centro), a PH baseada em MM gerou intervalos de persistência distintos, refletindo a localização espacial, enquanto a PH tradicional tratava-os de forma idêntica.
• Comparação com Ruído: Ao comparar uma imagem limpa com uma versão corrompida por ruído "sal":
  • A distância de gargalo entre os PDs tradicionais foi alta ($\approx 0.4353$), indicando grande sensibilidade ao ruído.
  • A distância de gargalo entre os PDs baseados em MM foi muito baixa ($\approx 0.091$), demonstrando que a abordagem baseada em MM ignora o ruído de intensidade extrema e foca na estrutura geométrica subjacente.
• Visualização: A biblioteca permite a visualização clara de como as estruturas topológicas nascem e morrem à medida que o Elemento Estruturante cresce, fornecendo insights sobre a "espessura" e a "conectividade" das formas.

5. Significado e Impacto

O trabalho de Hu representa um avanço significativo na interseção entre Topologia Computacional e Processamento de Imagens:

• Nova Perspectiva na TDA: Oferece uma alternativa à filtração por subconjuntos de nível, enriquecendo a análise de dados de imagem com informações morfológicas locais que são cruciais para aplicações reais.
• Aplicações em Aprendizado de Máquina: A robustez e a riqueza de informações geométricas tornam a PH baseada em MM um candidato ideal para ser usada como feature (característica) em redes neurais profundas, potencialmente melhorando a interpretabilidade e a precisão de modelos de visão computacional.
• Análise Biomédica: A metodologia é particularmente promissora para tarefas como a análise de redes mitocondriais, onde a quantificação da conectividade e do tamanho de estruturas é vital, superando as limitações de métodos baseados apenas em intensidade.
• Acessibilidade: Ao fornecer uma biblioteca Python de código aberto, o autor democratiza o acesso a essas técnicas avançadas, facilitando sua adoção pela comunidade de pesquisa e desenvolvimento.

Em suma, o MMPersistence não é apenas uma ferramenta de software, mas um framework conceitual que redefine como a topologia pode ser aplicada a imagens digitais, priorizando a forma e a geometria local sobre a mera intensidade de pixel.