Titelaufnahme

Titel
On visualization and reconstruction from non-uniform point sets / Erald Vuçini
VerfasserVuçini, Erald
Begutachter / BegutachterinGroeller, Eduard
Erschienen2009
UmfangVII, 105 Bl. : Ill., graph. Darst.
HochschulschriftWien, Techn. Univ., Diss., 2009
Anmerkung
Zsfassung in dt. Sprache
SpracheEnglisch
Bibl. ReferenzOeBB
DokumenttypDissertation
Schlagwörter (DE)Rekonstruktion / Rekonstruktion mittels Variationsrechnung / Mehrfachaufloesung / Vektorrekonstruktion / Optimale Aufloesung
Schlagwörter (EN)Reconstruction / Variational Reconstruction / Multi-resolution / Vector Reconstruction/ Optimal Resolution
Schlagwörter (GND)Daten / Unregelmäßigkeit / Rekonstruktion / Variationsrechnung / Visualisierung
URNurn:nbn:at:at-ubtuw:1-33017 Persistent Identifier (URN)
Zugriffsbeschränkung
 Das Werk ist frei verfügbar
Dateien
On visualization and reconstruction from non-uniform point sets [28.25 mb]
Links
Nachweis
Klassifikation
Zusammenfassung (Deutsch)

Der ständige Fortschritt in Forschung und Technik bei der Erfassung und der Simulation von Vorgängen führt zu immer größeren hochaufgelösten volumetrischen Daten. Die enormen Datenmengen übersteigen bei weitem die Kapazitäten heutiger Graphikkarten und Bildschirme. Die ungleichförmige Verteilung der Information in den Daten bietet eine Möglichkeit, die Datenmenge zu reduzieren. Durch adaptives Messen der Daten werden Bereiche mit hoher Wichtigkeit (Varianz) genauer gemessen und repräsentiert.

Im Vergleich zu regelmäßig repräsentierten Daten ist die Verarbeitung von unregelmäßigen Daten sehr viel aufwendiger. In der Signalverarbeitung ist aus diesem Grund die Transformation von unregelmäßigen zu regelmäßigen Daten ein häufig verwendetes Modell. In dieser Arbeit wird dieses Konzept ebenfalls verwendet. Der Hauptgrund für die Verwendung dieses Ansatzes ist die Anwendbarkeit von vorhandenen Techniken und Methoden der Signalverarbeitung, des Data-Minings und der Datenexploration für regelmäßige Daten. Diese Methoden sind für cartesische Daten wohldefiniert und stabil. Für unregelmäßige Daten ist die Anwendung dieser Techniken und Methoden hingegen nicht trivial. %Darüber hinaus bietet die Transformation der Daten die Möglichkeit die Kapazität moderner Graphikprozessoren auszunützen.

In unregelmäßigen Daten kann die Datendichte in unterschiedlichen Regionen stark variieren. Dies erschwert, eine geeignete Auflösung für die Rekonstruktion in regelmäßige Daten festzulegen, welche einen Ausgleich zwischen Genauigkeit und Effizienz herstellt. In der Arbeit wird prinzipiell zwischen zwei Arten der Verteilung in unregelmäßigen Daten unterschieden: eine gleichförmige Verteilung der Daten und eine Verteilung mit starken Konzentrationen von Daten in kleinen Teilbereichen des Datenraums. Für die erste Art der Verteilung wird in der Arbeit eine Rekonstruktion in verschiedenen Auflösungen vorgeschlagen, die auf dem gewünschten Detailgrad basieren. Die zweite Art der Verteilung wird mit Hilfe eines adaptiven Auflösungsschemas behandelt. Die genaue Auflösung der Rekonstruktion wird dabei adaptiv in Abhängigkeit der Datendichte in jeder Region des Datenraums bestimmt.

Des Weiteren stellt die Arbeit ein komplettes System zur drei-dimensionalen Rekonstruktion und Visualisierung unregelmäßigen Skalar- und Vektordaten vor. Dabei wird ein Rekonstruktionsansatz mittels Variantenrechnung angewendet. Mit dieser Methode werden unregelmäßige Daten in regelmäßige Daten umgewandelt indem Koeffizienten einer B-Spline-Repräsentation in einer Gitterstruktur gespeichert werden. Mit diesen Koeffizienten ist es möglich, eine C2 stetige Funktion über das gesamte Volumen zu definieren. Für die Analyse und Feinabstimmung des vorgestellten Systems wurde auch eine Reihe von Tests durchgeführt. All diese Tests und die Resultate der Arbeit bieten einen neuartigen Blickwinkel auf die Visualisierung und Rekonstruktion von unregelmäßigen Datensätzen.

Zusammenfassung (Englisch)

Technological and research advances in both acquisition and simulation devices provide continuously increasing high-resolution volumetric data that by far exceed today's graphical and display capabilities. Non-uniform representations offer a way of balancing this deluge of data by adaptively measuring (sampling) according to the importance (variance) of the data. Also, in many real-life situations the data are known only on a non-uniform representation. Processing of non-uniform data is a non-trivial task and hence more difficult when compared to processing of regular data. Transforming from non-uniform to uniform representations is a well-accepted paradigm in the signal processing community. In this thesis we advocate such a concept. The main motivation for adopting this paradigm is that most of the techniques and methods related to signal processing, data mining and data exploration are well-defined and stable for Cartesian data, but generally are non-trivial to apply to non-uniform data. Among other things, this will allow us to better exploit the capabilities of modern GPUs.

In non-uniform representations sampling rates can vary drastically even by several orders of magnitude, making the decision on a target resolution a non-trivial trade-off between accuracy and efficiency. In several cases the points are spread non-uniformly with similar density across the volume, while in other cases the points have an enormous variance in distribution. In this thesis we present solutions to both cases. For the first case we suggest computing reconstructions of the same volume in different resolutions based on the level of detail we are interested in. The second case scenario is the main motivation for proposing a multi-resolution scheme, where the scale of reconstruction is decided adaptively based on the number of points in each subregion of the whole volume.

We introduce a novel framework for 3D reconstruction and visualization from non-uniform scalar and vector data. We adopt a variational reconstruction approach. In this method non-uniform point sets are transformed to a uniform representation consisting of B-spline coefficients that are attached to the grid. With these coefficients we can define a C2 continuous function across the whole volume. Several testings were performed in order to analyze and fine-tune our framework.

All the testings and the results of this thesis offer a view from a new and different perspective to the visualization and reconstruction from non-uniform point sets.