Titelaufnahme

Titel
Information-based feature enhancement in scientific visualization / Martin Haidacher
VerfasserHaidacher, Martin
Begutachter / BegutachterinGröller, Eduard ; Ropinski, Timo
Erschienen2011
UmfangX, 93 S. : Ill., graph. Darst.
HochschulschriftWien, Techn. Univ., Diss., 2011
Anmerkung
Zsfassung in dt. Sprache
SpracheEnglisch
Bibl. ReferenzOeBB
DokumenttypDissertation
Schlagwörter (DE)Visualisierung / Klassifizierung / Informationstheorie / Transferfunktion / Multimodalität
Schlagwörter (EN)visualization / classification / information theory / transfer function / multimodality
Schlagwörter (GND)Visualisierung / Volumendaten / Klassifikation / Informationstheorie / Statistik
URNurn:nbn:at:at-ubtuw:1-45141 Persistent Identifier (URN)
Zugriffsbeschränkung
 Das Werk ist frei verfügbar
Dateien
Information-based feature enhancement in scientific visualization [1.67 mb]
Links
Nachweis
Klassifikation
Zusammenfassung (Deutsch)

Wissenschaftliche Visualisierung ist ein Forschungsgebiet, das Einblick in gemessene oder simulierte volumetrischen Daten gibt. Die Visualisierung ermöglicht eine schnellere und intuitivere Erforschung der Daten.

Durch die rasante Entwicklung der Hardware für die Messung und Simulation von wissenschaftlichen Daten nimmt die Größe und Komplexität der Daten ständig zu. Dies hat den Vorteil, dass es möglich ist einen genaueren Einblick in die gemessenen oder simulierten Phänomene zu erhalten. Jedoch wird es zunehmend schwieriger, eine geeignete Darstellung für diese Daten zu finden.

Da in den meisten Fällen nur bestimmte Teile der Daten erforderlich sind, um eine Entscheidung zu treffen, können Teile der Daten verworfen werden, welche für einen bestimmten Anwendungsfall nicht erforderlich sind. Diese Klassifizierung in wichtige und unwichtige Teile der Daten erfolgt durch eine Transfer-Funktion. Die Transfer-Funktion beschreibt eine Abbildung von bestimmten Ausprägungen der Daten auf optische Eigenschaften.

In dieser Arbeit werden drei neue Ansätze vorgestellt, die Techniken aus der Informationstheorie und Statistik verwenden, um Eigenschaften aus den Daten für die Klassifizierung zu extrahieren. Durch die Informationstheorie und Statistik ist es möglich, Eigenschaften zu berechnen, welche verschiedene Materialien in den Daten besser unterscheidbar machen als bestehende Methoden.

Ein Ansatz extrahiert statistische Eigenschaften - wie den Mittelwert und die Standardabweichung - aus einer lokalen Umgebung um jeden Punkt in den Daten auf eine adaptive Weise. Durch die statistischen Eigenschaften ist es möglich, verschiedene Materialen besser zu unterscheiden, auch wenn die Daten sehr verrauscht sind.

Die beiden anderen Ansätze verwenden Methoden aus der Informationstheorie, um Merkmale aus multimodalen Daten zu extrahieren.

Dadurch können Eigenschaften in den Daten hervorgehoben werden die entweder in beiden Modalitäten sehr ähnlich oder sehr unterschiedlich sind. Durch die Informationstheorie hat der Wertebereich der Daten in beiden Modalitäten keinen Einfluss auf die Klassifizierung dieser Merkmale.

Alle drei in dieser Arbeit vorgestellten Ansätze definieren Transfer-Funktions Räume die das Design einer Transfer-Funktion für den Benutzer erleichtern. Dies ist möglich, da unterschiedliche Eigenschaften der Daten - wie etwa verschiedene Materialien - in diesen Räumen klar unterscheidbar sind. Daher ist es für den Benutzer einfacher, bestimmte Teile der Daten hervorzuheben, welche für eine bestimme Aufgabe benötigt werden.

In der Arbeit werden für jede neue Technik Ergebnisse und Vergleiche zu existierenden Methoden gezeigt, um den Nutzen der Techniken hervorzuheben. Durch die Forschung in diesem Bereich wurde bewiesen, dass die Informationstheorie und Statistik in der Lage ist, aussagekräftige Eigenschaften aus den Daten zu extrahieren.

Die Einleitung bietet einen Überblick über die wissenschaftliche Visualisierung und die Visualisierung-Pipeline. Die Klassifizierung wird im folgenden näher beschrieben. Da Informationstheorie und Statistik eine wichtige Rolle für alle drei Methoden spielen, wird die Einleitung mit einer kurzen Einführung in diese Theorie abgeschlossen.

Zusammenfassung (Englisch)

Scientific visualization is a research area which gives insight into volumetric data acquired through measurement or simulation. The visualization allows a faster and more intuitive exploration of the data.

Due to the rapid development in hardware for the measurement and simulation of scientific data, the size and complexity of data is constantly increasing. This has the benefit that it is possible to get a more accurate insight into the measured or simulated phenomena. A drawback of the increasing data size and complexity is the problem of generating an expressive representation of the data.

Since only certain parts of the data are necessary to make a decision, it is possible to mask parts of the data along the visualization pipeline to enhance only those parts which are important in the visualization. For the masking various properties are extracted from the data which are used to classify a part as important or not. In general a transfer function is used for this classification process which has to be designed by the user.

In this thesis three novel approaches are presented which use methods from information theory and statistics to enhance features from the data in the classification process that are important for a certain task.

With the tools of information theory and statistics it is possible to extract properties from the data which are able to classify different materials or tissues in the data better than comparable other approaches.

One approach adaptively extracts statistical properties, i.e. the mean value and the standard deviation, of the data values in the local neighborhood of each point in the data set. With these statistical properties it is possible to better distinguish between different materials in a data set even though the data is very noisy.

The other two approaches in this thesis employ methods from information theory to extract features from multimodal data sets. Thus it is possible to enhance features of the data which are either very similar or very dissimilar in both modalities. Through information theory the variations in the value ranges of both modalities do not influence the classification of these features.

All three approaches define novel transfer-function spaces which simplify the design process of a transfer function for the user.

Different features of the data, such as different materials, can be clearly depicted in these spaces. Therefore, it is easier for a user to design a transfer function which enhances the features of importance for a certain task.

For each of the new approaches results and comparisons to other existing techniques are shown to highlight the usefulness of the proposed methods. Through the described research it is shown that information theory and statistics are tools which are able to extract expressive properties from the data.

In the introduction a broad overview over scientific visualization and the visualization pipeline is given. The classification process is described in more detail. Since information theory and statistics play an important role for all three approaches, a brief introduction to these concepts is given as well.