Uma abordagem de exploração volumétrica baseada em agrupamento e redução dimensional para apoiar a definição de funções de transferência multidimensionais

• Ano de defesa: 2018
• Autor(a) principal: Santos, Rafael Silva
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual Paulista (Unesp)
• Palavras-chave em Português: Função de transferência; Especificação de funções de transferência; Agrupamento; Redução dimensional; Transfer function; Transfer function specification; Clustering; Dimensional reduction
• Link de acesso: http://hdl.handle.net/11449/153618

Funções de transferência (FTs) são uma parte crucial do processo de exploração volumétrica em Visualização Direta de Volumes. Nesse processo, FTs desempenham duas tarefas principais: a classificação de materiais e o mapeamento de informações presentes nos dados para propriedades visuais. A busca por uma solução que lide com ambas as tarefas envolve uma série de fatores que, em conjunto, são um dos maiores desafios de visualização volumétrica. Neste trabalho, propomos uma abordagem de exploração que tem por objetivo envolver todo escopo e simplificar tanto a definição de FTs multidimensionais quanto a manipulação de datasets. A abordagem se organiza em três componentes: uma heurística baseada em entropia e correlação que guia a seleção de atributos para formação do espaço de entrada; um método de classificação que emprega a técnica de redução de dimensionalidade FastMap e a técnica de agrupamento DBSCAN para proporcionar a descoberta semiautomática de características volumétricas; e uma interface simplificada que, atrelada ao método de classificação, produz um gráfico de dispersão 2D de características para a exploração do volume. Inicialmente, o usuário deve analisar o ranking de atributos para formar um espaço multidimensional. Depois, deve escolher parâmetros para gerar o gráfico de características. Finalmente, deve navegar por esse gráfico a fim de identificar materiais ou estruturas relevantes. Nos experimentos realizados para avaliar a abordagem, os mecanismos disponibilizados permitiram encontrar e isolar de forma efetiva características inseridas em todos os datasets investigados. Aponta-se ainda como contribuição o baixo custo computacional, na prática, a complexidade de tempo do método de classificação é de O (n log n). O tempo de execução foi inferior a 11 segundos, mesmo quando datasets formados por cerca de 10 milhões de instâncias e com mais de 10 dimensões são utilizados.