Opitz, A. (2009). Classification and visualization of volume data using clustering [Diploma Thesis, Technische Universität Wien]. reposiTUm. https://resolver.obvsg.at/urn:nbn:at:at-ubtuw:1-33895
E186 - Institut für Computergraphik und Algorithmen
-
Date (published):
2009
-
Number of Pages:
89
-
Keywords:
Volumenvisualisierung; Klassifikation; Transferfunktion; Clusteranalyse; Mean Shift Clustering; LH-Histogramme; GPU ray casting
de
volume visualization; volume rendering; classification; transfer function; clustering; mean shift clustering; LH histograms; GPU ray casting
en
Abstract:
Mit der zunehmenden Verbreitung und Weiterentwicklung von bildgebenden Verfahren, wie zum Beispiel der Computertomographie oder der Magnetresonanztomographie in den Gebieten der Medizin und der Industrie, steigen nicht nur die Auflösung und somit die Datenmenge, sondern auch die Anforderungen an eine möglichst effiziente Auswertung der gesuchten Informationen. Da in einem Volumendatensatz verschiedenste Objekte und Materialien enthalten sein können, wird eine sogenannte Transferfunktion verwendet um Sichtbarkeit und Farbe der verschiedenen Strukturen zu kontrollieren. Eine einfache, nur auf Skalarwerten basierende Transferfunktion stößt aufgrund ihrer groben Selektivität und Anfälligkeit gegenüber fehlerhaften Messwerten schnell an ihre Grenzen.<br />Bei ausgefeilteren und komplexeren Methoden steigen jedoch die Anforderungen an den Benutzer, erfordern zumindest Grundkenntnisse der Thematik und einiges an Übung um gute Ergebnisse erzielen zu können.<br />Diese Arbeit gibt einen Überblick über die Materie der Volumenvisualisierung und der Transferfunktionen. Ebenso werden verschiedene Ansätze von Clustering betrachtet und ein möglichst intuitive Methode zum Entwurf von Transferfunktionen basierend auf Mean Shift Clustering und LH-Histogrammen präsentiert.<br />
de
The increasing prevalence and improvement of imaging techniques like computed tomography or magnetic resonance imaging enhances the resolution and thereby the amount of the acquired data. This development leads to a rising demand for means which are efficient and easy to use in order to evaluate the desired information. As a volumetric data set may contain various objects and materials, a transfer function is used to steer visibility and coloring of the different structures based on certain properties. Standard transfer functions which rely on scalar values only, rapidly come up against limiting factors because of their coarse selectivity and liability to noise. The usage of more complex methods leads to increased demands concerning the user's knowledge and requires some practice in order to obtain good results. This thesis provides an overview of volume visualization and techniques for the creation of transfer functions. It also deals with various approaches to clustering and presents an intuitive method for the design of transfer functions based on Mean Shift Clustering and LH histograms.