Submitted by Rafael Silva Santos (rafael.silva.sts@gmail.com) on 2018-04-19T01:03:05Z No. of bitstreams: 1 Dissertacao - Rafael Silva Santos - vDeposito.pdf: 42155755 bytes, checksum: fb36b8d70ad22da512d7f23dc3a13691 (MD5) / Approved for entry into archive by Elza Mitiko Sato null (elzasato@ibilce.unesp.br) on 2018-04-19T14:25:43Z (GMT) No. of bitstreams: 1 santos_rs_me_sjrp.pdf: 42155755 bytes, checksum: fb36b8d70ad22da512d7f23dc3a13691 (MD5) / Made available in DSpace on 2018-04-19T14:25:44Z (GMT). No. of bitstreams: 1 santos_rs_me_sjrp.pdf: 42155755 bytes, checksum: fb36b8d70ad22da512d7f23dc3a13691 (MD5) Previous issue date: 2018-03-27 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) / 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. / Transfer functions (TFs) are a crucial part of the volume exploration process in Direct Volume Rendering. In this process, TFs perform two main tasks: material classification and mapping of information to visual properties. The search for a solution that copes with both tasks involves a number of factors that, together, is one of the greatest challenges of volume visualization. In this work, we propose an exploration approach that aims to involve the entire scope and a simplify both the definition of multidimensional TFs and the manipulation of datasets. The approach is organized into three components: a heuristic based on entropy and correlation that guides the selection of attributes to conceive the input space; a classification method, which uses the dimensionality reduction technique FastMap and the clustering technique DBSCAN to provide a semiautomatic features finding; and a simplified interface that, linked to the previous method, provide a 2D scatter plot of features for volume exploration. Initially, the user must analyze at the ranking of attributes to form a multidimensional space. Afterwards, it must choice parameters to generate the scatter plot. Finally, it must navigate through this chart in order to reveal relevant materials and features. In the experiments performed to evaluate the approach, the available mechanisms allow to effectively find and isolate features inserted in all investigated datasets. It is also pointed out as contribution a low computational cost, in practice the time complexity of the classification method is O(n log n). The runtime was less than 11 seconds, even when datasets formed by about 10 million instances and with more than 10 dimensions are used.