This Master s thesis proposes a non-assisted procedural method for 3D canyons scenes
generation based on techniques of computer graphics, computer vision and graph search
algorithm. In order to define all the features to be reproduced in our scenes, we have
analyzed several images of real canyons and have categorized them in two canyon features
models: a recursive and an ordinary one. The proposed approach manipulates a
heightmap, created using Perlin noise, in order to imitate the geological features formation
previously analyzed. Several parametrizations are used to guide and constraint the
generation of terrains, canyons features, course of river, plain areas, soft slope regions,
cliffs and plateaus. This work also uses the Mean Shift algorithm as mechanism of segmentation
to define regions of interest. A binary mask, with plain areas, is defined based
on a threshold operation by a given data set provided by the Mean Shift algorithm. Thereafter
a connected-component labeling algorithm is executed using the previously binary
mask. This algorithm finds all plains centroids. Right after that, the Dijkstra s algorithm
is performed in order to connect all plain areas, creating a valid path between the centroids.
The Dijkstra s algorithm is executed again to define the river s course. Finally, a
Gaussian smoothing operation is applied to interpolate the soft slope regions. The combination
of all those techniques produces as a result automatically generated feature-rich
canyons. / Esta dissertação propõe um método procedural não assistido, baseado em técnicas de
computação gráfica, visão computacional e busca em grafos, para a geração de cenários
3D de cânions com foco em jogos digitais. Para definir as características a serem reproduzidas,
foram analisadas diversas imagens de cânions reais chegando-se em dois modelos,
um comum e outro recursivo. A abordagem proposta manipula um reticulado gerado com
ruído de Perlin, moldando assim as características inerentes a essa formação geológica.
São levadas em conta as diversas parametrizações necessárias para permitir que o algoritmo
construa cânions com curso de rio, áreas de planícies, regiões de encosta suave,
estruturas de penhascos e, por fim, planaltos nas regiões mais altas. Para atingir o resultado
final, o trabalho utiliza o algoritmo Mean Shift como mecanismo de segmentação,
definindo dados e regiões de interesse. Munido dos dados do algoritmo de clusterizacao,
é definido um limiar para a criação de uma máscara binária com a definição das planícies.
Em um segundo momento, um algoritmo de rotulação de componentes conectados é executado,
extraindo-se os centróides de cada planície. Por sua vez, o algoritmo de Dijkstra
encaixa-se na definição de rotas que conectam estas planícies. O algoritmo de Dijkstra
é, então, executado novamente, tendo por base uma função de custo de inclinação, para
definir o curso do rio. Por fim, uma filtragem espacial baseada em um filtro Gaussiano
é aplicada para interpolar as regiões de encostas de declive suave. A combinação dessas
técnicas gera terrenos com grande variabilidade e com as características inerentes à
formação geológica de cânions.
| Identifer | oai:union.ndltd.org:IBICT/oai:repositorio.ufsm.br:1/5394 |
| Date | 05 March 2012 |
| Creators | Carli, Daniel Michelon de |
| Contributors | Pozzer, Cesar Tadeu, Oliveira Neto, Manuel Menezes de, Vizzotto, Juliana Kaizer |
| Publisher | Universidade Federal de Santa Maria, Programa de Pós-Graduação em Informática, UFSM, BR, Ciência da Computação |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Format | application/pdf |
| Source | reponame:Repositório Institucional da UFSM, instname:Universidade Federal de Santa Maria, instacron:UFSM |
| Rights | info:eu-repo/semantics/openAccess |
| Relation | 100300000007, 400, 300, 300, 300, 300, 7a18407a-9bdc-4098-9de7-4e45311009db, a643bba2-8e16-443d-9806-05dc079b2511, d2b523d2-9788-4560-950b-bf05df319056, b993e6b8-5f7a-499f-a2fd-67ba5a6daf95 |
Page generated in 0.0028 seconds