In vielen Forschungsbereichen wie Medizin, Natur- oder Ingenieurwissenschaften spielt die wissenschaftliche Visualisierung eine wichtige Rolle und hilft Wissenschaftlern neue Erkenntnisse zu gewinnen. Der Hauptgrund hierfür ist, dass Visualisierungen das Unsichtbare sichtbar machen können. So können Visualisierungen beispielsweise den Verlauf von Nervenfasern im Gehirn von Probanden oder den Luftstrom um Hindernisse herum darstellen. Diese Arbeit trägt insbesondere zum Teilgebiet der Strömungsvisualisierung bei, welche sich mit der Untersuchung von Prozessen in Flüssigkeiten und Gasen beschäftigt.
Eine beliebte Methode, um Einblicke in komplexe Datensätze zu erhalten, besteht darin, einfache und bekannte Strukturen innerhalb eines Datensatzes aufzuspüren. In der Strömungsvisualisierung führt dies zum Konzept der lokalen Linearisierung und Linearität im Allgemeinen. Dies liegt daran, dass lineare Vektorfelder die einfachste Form von nicht-trivialen Feldern darstellen und diese sehr gut verstanden sind. In der Regel werden simulierte Datensätze in einzelne Zellen diskretisiert, welche auf linearer Interpolation basieren. Beispielsweise können auch stationäre Punkte in der Vektorfeldtopologie mittels linearen Strömungsverhaltens charakterisiert werden. Daher ist Linearität allgegenwärtig.
Durch das Verständnis von lokalen linearen Strömungsverhalten in Vektorfeldern konnten verschiedene Visualisierungsmethoden erheblich verbessert werden. Ähnliche Erfolge sind auch für andere Methoden zu erwarten. In dieser Arbeit wird das Konzept der Linearität in der Visualisierung weiterentwickelt. Zunächst wird eine bestehende Definition von linearen Nachbarschaften hin zu affin-linearen Nachbarschaften erweitert. Affin-lineare Nachbarschaften sind Regionen mit einem überwiegend linearem Strömungsverhalten. Es wird eine detaillierte Diskussion über die Definition sowie die gewählten Fehlermaße durchgeführt. Weiterhin wird ein Region Growing-Verfahren vorgestellt, welches affin-lineare Nachbarschaften um beliebige Positionen bis zu einem bestimmten, benutzerdefinierten Fehlerschwellwert extrahiert. Um die lokale Linearität in Vektorfeldern zu messen, wird ein komplementärer Ansatz, welcher die Qualität der bestmöglichen linearen Näherung für eine gegebene n-Ring-Nachbarschaft berechnet, diskutiert. In einer ersten Anwendung werden affin-lineare Nachbarschaften an stationären Punkten verwendet, um deren Einflussbereich sowie ihre Wechselwirkung mit der sie umgebenden, nichtlinearen Strömung, aber auch mit sehr nah benachbarten stationären Punkten zu visualisieren.
Insbesondere bei sehr großen Datensätzen kann die analytische Beschreibung der Strömung innerhalb eines linearisierten Bereichs verwendet werden, um Vektorfelder zu komprimieren und vorhandene Visualisierungsansätze zu beschleunigen. Insbesondere sollen eine Reihe von Komprimierungsalgorithmen für gitterbasierte Vektorfelder verbessert werden, welche auf der sukzessiven Entfernung einzelner Gitterkanten basieren. Im Gegensatz zu vorherigen Arbeiten sollen affin-lineare Nachbarschaften als Grundlage für eine Segmentierung verwendet werden, um eine obere Fehlergrenze bereitzustellen und somit eine hohe Qualität der Komprimierungsergebnisse zu gewährleisten. Um verschiedene Komprimierungsansätze zu bewerten, werden die Auswirkungen ihrer jeweiligen Approximationsfehler auf die Stromlinienintegration sowie auf integrationsbasierte Visualisierungsmethoden am Beispiel der numerischen Berechnung von Lyapunov-Exponenten diskutiert.
Zum Abschluss dieser Arbeit wird eine mögliche Erweiterung des Linearitätbegriffs für Vektorfelder auf zweidimensionalen Mannigfaltigkeiten vorgestellt, welche auf einer adaptiven, atlasbasierten Vektorfeldzerlegung basiert. / In many research areas, such as medicine, natural sciences or engineering, scientific visualization plays an important role and helps scientists to gain new insights. This is because visualizations can make the invisible visible. For example, visualizations can reveal the course of nerve fibers in the brain of test persons or the air flow around obstacles. This thesis in particular contributes to the subfield of flow visualization, which targets the investigation of processes in fluids and gases.
A popular way to gain insights into complex datasets is to identify simple and known structures within a dataset. In case of flow visualization, this leads to the concept of local linearizations and linearity in general. This is because linear vector fields represent the most simple class of non-trivial fields and they are extremely well understood. Typically, simulated datasets are discretized into individual cells that are based on linear interpolation. Also, in vector field topology, stationary points can be characterized by considering the local linear flow behavior in their vicinity. Therefore, linearity is ubiquitous.
Through the understanding of local linear flow behavior in vector fields by applying the concept of local linearity, some visualization methods have been improved significantly. Similar successes can be expected for other methods. In this thesis, the use of linearity in visualization is investigated. First, an existing definition of linear neighborhoods is extended towards the affine linear neighborhoods. Affine linear neighborhoods are regions of mostly linear flow behavior. A detailed discussion of the definition and of the chosen error measures is provided. Also a region growing algorithm that extracts affine linear neighborhoods around arbitrary positions up to a certain user-defined approximation error threshold is introduced. To measure the local linearity in vector fields, a complementary approach that computes the quality of the best possible linear approximation for a given n-ring neighborhood is discussed. As a first application, the affine linear neighborhoods around stationary points are used to visualize their region of influence, their interaction with the non-linear flow around them as well as their interaction with closely neighbored stationary points.
The analytic description of the flow within a linearized region can be used to compress vector fields and accelerate existing visualization approaches, especially in case of very large datasets. In particular, the presented method aims at improving over a series of compression algorithms for grid-based vector fields that are based on edge collapse. In contrast to previous approaches, affine linear neighborhoods serve as the basis for a segmentation in order to provide an upper error bound and also to ensure a high quality of the compression results. To evaluate different compression approaches, the impact of their particular approximation errors on streamline integration as well as on integration-based visualization methods is discussed on the example of Finite-Time Lyapunov Exponent computations.
To conclude the thesis, a first possible extension of linearity to fields on two-dimensional manifolds, based on an adaptive atlas-based vector field decomposition, is given.
| Identifer | oai:union.ndltd.org:DRESDEN/oai:qucosa:de:qucosa:74834 |
| Date | 07 May 2021 |
| Creators | Koch, Stefan |
| Contributors | Scheuermann, Gerik, Sadlo, Filip, Hlawitschka, Mario, Universität Leipzig |
| Source Sets | Hochschulschriftenserver (HSSS) der SLUB Dresden |
| Language | English |
| Detected Language | German |
| Type | info:eu-repo/semantics/acceptedVersion, doc-type:doctoralThesis, info:eu-repo/semantics/doctoralThesis, doc-type:Text |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0029 seconds