[論文レビュー] DisPerSE: robust structure identification in 2D and 3D

T. Sousbie|arXiv (Cornell University)|Feb 25, 2013

Topological and Geometric Data Analysis被引用数 5

ひとこと要約

DisPerSE は、離散モース理論と位相的パーシステンスを用いて、ノイズのある 2D や 3D データセットにおいて、フィラメント、壁、ボイド、ピークなどの構造を頑健に同定するオープンソースのソフトウェアである。パーシステンスに基づいて位相的特徴をフィルタリングすることで、物理的に意味のある構造とノイズを区別し、画像、グリッド、点群、球面トポロジー分割など、さまざまなデータ形式において信頼性の高いセグメンテーションと解析を可能にする。

ABSTRACT

We present the DIScrete PERsistent Structures Extractor (DisPerSE), an open source software for the automatic and robust identification of structures in 2D and 3D noisy data sets. The software is designed to identify all sorts of topological structures, such as voids, peaks, sources, walls and filaments through segmentation, with a special emphasis put on the later ones. Based on discrete Morse theory, DisPerSE is able to deal directly with noisy datasets using the concept of persistence (a measure of the robustness of topological features) and can be applied indifferently to various sorts of data-sets defined over a possibly bounded manifold : 2D and 3D images, structured and unstructured grids, discrete point samples via the delaunay tesselation, Healpix tesselations of the sphere, ... Although it was initially developed with cosmology in mind, various I/O formats have been implemented and the current version is quite versatile. It should therefore be useful for any application where a robust structure identification is required as well as for studying the topology of sampled functions (e.g. computing persistent Betti numbers). DisPerSE can be downloaded directly from the website http://www2.iap.fr/users/sousbie/ and a thorough online documentation is also available at the same address.

研究の動機と目的

• さまざまな科学分野において、ノイズのある 2D や 3D データセットにおける位相的構造を、頑健で自動化された手法で同定すること。
• サンプル関数における物理的に意味のある位相的特徴とノイズを区別する課題に取り組むこと。
• 構造的グリッド、非構造的点群、球面メッシュを含む、さまざまなデータ形式に適用可能な汎用ツールを提供すること。
• サンプル関数における持続的ベッチ数と位相的記述子の計算を可能にすること。
• 宇宙論、天体物理学、画像処理の応用を支援するために、位相的厳密性を保ったまま、フィラメント状、壁状、ボイド状の構造を抽出できること。

提案手法

• サンプル関数における臨界点（極小、へそ、極大）と積分線（勾配フロー経路）を離散モース理論によって定義する。
• 上昇多様体と下降多様体の交差として p-セルを形成することで、モース＝スメール複体を構築する。
• パーシステンスを位相的特徴の頑健さの指標として用いる——同一の臨界点ペair（成分の生成と消失）の関数値の差として定義される。
• パーシステンスの閾値（-nsig オプションまたは -cut オプションにより）を適用して、低パーシステンスの特徴をフィルタリングし、ノイズを除去する。
• 2D/3D イメージ、構造的／非構造的グリッド、デローニ三角形分割、球面の Healpix 分割を含む、多様な入力形式をサポートする。
• フィラメント（一方の端に極大を持つ弧）、壁（上昇 2-多様体）、ボイド（上昇 3-多様体）などの構造の可視化と解析を可能にする。

実験結果

リサーチクエスチョン

• RQ1 ノイズのある 2D や 3D データセットにおいて、フィラメント、壁、ボイドといった位相的構造をどのようにして頑健に同定できるか？
• RQ2 サンプル関数における物理的に意味のある位相的特徴とノイズを区別する最も効果的な方法は何か？
• RQ3 離散モース理論とパーシステンスをどのように組み合わせれば、滑らかさの仮定なしに構造抽出を可能にすることができるか？
• RQ4 点群、グリッド、球面表面を含む多様なデータタイプに、同じフレームワークをどの程度まで適用できるか？
• RQ5 持続的ホモロジーを用いて、大規模構造を保持しながらノイズを除去する形で、位相的特徴を定量化・フィルタリングできるか？

主な発見

• DisPerSE は、3D のダークマター N ボディシミュレーションにおいてフィラメント構造を効果的に同定し、極大値（ダークマターのハローを表す）に正しく接続されている。
• 低密度領域における持続的ボイドは、上昇 3-多様体として正確に検出され、表面に色分けされた密度がその位相的定義を確認している。
• ユーザーが定めた閾値以下のパーシステンスペアを削除することで、ピーク上の小さな盛り上がりなどの低パーシステンス特徴が効果的にノイズとして抑制されている。
• 宇宙背景放射（CMB）および銀河間媒体（HERSCHEL データ）におけるフィラメント状構造が、Healpix 分割された球面データから直接、頑健に抽出されている。
• 臨界点（極小、へそ、極大）とその位相的関係が信頼性高く同定されており、モース＝スメール複体とパーシステンス図を用いて構造が可視化されている。
• このフレームワークは、2D イメージ、3D グリッド、非構造的ネットワークに対しても適用可能であり、宇宙論を越えた広範な適用性を示している。