| عنوان فارسی مقاله: | مجازی سازی حجم کمی آماری |
| عنوان انگلیسی مقاله: | Statistically Quantitative Volume Visualization |
| دانلود مقاله انگلیسی: | برای دانلود رایگان مقاله انگلیسی با فرمت pdf اینجا کلیک نمائید |
| سال انتشار | 2005 |
| تعداد صفحات مقاله انگلیسی | 8 صفحه |
| تعداد صفحات ترجمه مقاله | 33 صفحه |
| مجله | تجسم |
| دانشگاه | یوتا |
| کلمات کلیدی | مجازی سازی حجم، عدم قطعیت، دسته بندی، تحلیل ریسک |
| نشریه IEEE | IEEE |
فهرست مطالب:
چکیده
۱ مقدمه
۲ کارهای قبل
۳ دسته بندی آماری کلی
۱ ۳ انتخاب ویژگی
۲ ۳ انتخاب دسته بند
۳ ۳ تخمین پارامتر
۴ ۳ تخمین احتمال کلاس
۵ ۳ تحلیل ریسک و تصمیم
۴ مجازی سازی داده های دسته بندی شده
۱ ۴ احتمالات چند کلاسه نگاشت رنگ
۲ ۴ توابع انتقال ریسک محور
۵ پارامتری کردن
۱ ۵ کاهش ابعاد بر مبنای گراف GDR
۱ ۱ ۵ ساخت گراف
۲ ۱ ۵ طرح گراف
۳ ۱ ۵ درونیابی و رمزگذاری داده های پراکنده
۶ اجرا
۱ ۶ برش و کاوش
۲ ۶ دسته بندی و قطعه بندی
۳ ۶ رمزگذاری GDR
۴ ۶ مجازی سازی
۷ نتایج و بحث
۸ نتیجه گیری و کار آتی
بخشی از ترجمه:
۱ مقدمه
مجازی سازی و نمایش حجم تلاش می کند تصاویری معنادار از ویژگیهای نهفته در داده ها ارائه دهد. درطول ۱۷ سال گذشته تحقیقات زیادی روی مجازی سازی داده های حجم انجام شده است. مجازی سازی حجم تعاملی به کاربر امکان روشن شدن ویژگیهای مربوطه در داده های حجم، مثلاً مرزهای مواد یا تیپ های مختلف بافت را می دهد. چنین ویژگیهایی به عواملی از قبیل نوع داده ها، دانش مختص حوزه و معانی کاربر بستگی دارند. همزمان با آن، پیشرفتهایی در جهت دسته بندی ویژگیها از داده های حجمی صورت گرفته است. اگرچه قطعه بندی به عنوان مشکل حل شده در نظر گرفته نشده است، اما روشهای مختلف زیادی برای قطعه بندی داده های حجمی وجود دارد.
تقاضا برای معیارهای کمی بیشتردر خصوص مجازی سازی، در درون جامعه مجازی سازی و با کاربران ابزارهای مجازی رشد کرده است. در برنامه های نمایش حجم ، ازتوابع انتقال برای دسته بندی و تخصیص خصوصیات نوری استفاده شده است. اما کاربرد توابع انتقال برای دسته بندی، توانایی کاربر برای تغییر تیپ دسته بندی رخ داده را محدود و معیاری کمیت پذیر برای تعیین عدم قطعیت فراهم نمی کند.
شکل ۱٫ مقایسه دسته بندی بر مبنای تابع انتقال و دسته بندی احتمالی مختص داده ها.هر دو تصویر براساس اسکن های T1 MRI از سر انسان بوده و مایع مغزی نخاعی، ماده سفید و خاکستری دسته بندی شده فازی را نشان می دهند. زیرشکل A نتایج دسته بندی با استفاده از تابع انتقال ۲ بعدی دقیق طراحی شده براساس مقدار داده ها و دامنه گرادیان را نشان می دهد. زیرشکل B مجازی سازی یا بصری سازی داده های دسته بندی شده با استفاده از روش کاملاً خودکار مبتنی بر اطلس را نشان می دهد که آماره های کلاس را با استفاده از تخمین چگالی غیر پارامتری حداقل انتروپی استنباط می کند.
استفاده از توابع انتقال غیر شهودی بوده و مفهومی روشن از نحوه اجرای دسته بندی روی داده ها در اختیار کاربر قرار نمی دهند.
روشهای دسته بندی و قطعه بندی آماری از مدل احتمالی برای رفتار داده ها و ویژگی، مفهوم و تصور پیچیده از مکان فضایی و همچنین توانایی کاربر برای ورود مهارت و تخصص استفاده می کنند. تعامل با این نوع داده های احتمالی و قواعد تصمیم به کاربر توانایی تعریف اطلاعات مهم برای وظیفه خاصش به عنوان بخشی از روند مجازی سازی را می دهد.
8. نتیجه گیری و کار آتی
مقاله حاضر راهی کلیدی برای ادغام دسته بندی و قطعه بندی مختص حوزه با تکنیک های مجازی سازی یا بصری سازی حجم پیشرفته شرح می دهد. با تجزیه دسته بندی و نگاشت رنگ، دسته بندی را می توان مستقل از نگاشت رنگ انجام داد که این کار امکان تکامل راه حل های مختص برنامه کاربردی بدون نگرانی در مورد محدودیت های فعلی نمایش حجم بر مبنای تابع انتقال را فراهم می آورد. رابط تابع انتقال نیز به طرز چشمگیری ساده می شود، در این وضعیت نه تنها فضای ویژگی به مولفه های مستقل تقسیم می شود، بلکه همچنین این مولفه ها برای کاربر دارای معنا می باشند. در اینجا نشان می دهیم که مرحله تصمیم در مورد پایپ لاین یا خط لوله دسته بندی تا زمانی که زمان نمایش به کاربر توانایی دستکاری فرایند تصمیم گیری و پژوهش عدم قطعیت در دسته بندی را دهد به تعویق می افتد. همچنین افزایش اندازه مجموعه داده ها به خاطر نیاز به ذخیره احتمالات هر کلاس را به گونه ای مستقل با توسعه تکنیک کاهش ابعاد داده ها خطاب قرار می دهیم که مخصوصاً برای رمزگذاری درست داده های تصویر احتمالی طراحی و بعد از نمونه برداری مجدد در طول فاز نمایش پایپ لاین مجازی سازی به گونه ای کارآمد رمزگشایی می شود.
بخشی از مقاله انگلیسی:
1 Introduction
Volume visualization endeavors to provide meaningful imagesof features ”embedded” in data. There has been a significantamount of research over the past 17 years on providingvisualization of volume data [4, 6, 17, 19]. Interactivevolume visualization strives to allow the user to highlight featuresof interest in the volume data, such as material boundariesor different tissue types. Such features are dependenton a number of factors: the kind of data, domain specificknowledge, and the user’s semantics. Simultaneously, therehas been progress towards classifying features from volumetricdata [5, 7, 21]. While segmentation is not considered tobe a solved problem, there exist many different methods forsegmenting volume data [10].The demand for more quantitative measures in visualizationhas grown both within the visualization communityand with the users of visualization tools. In volume renderingapplications, transfer functions have typically beenused for both classification and assignment of optical properties.However, using transfer functions for classificationlimits the user’s ability to change the type of classificationthat occurs and does not provide any quantifiable measure of uncertainty. Transfer functions also tend to be unintuitiveto use and do not provide the user with a clear concept ofhow classification is being performed on the data.Statistical classification and segmentation methods incorporatea probabilistic model of the data and feature behaviors,a sophisticated notion of spatial locality, as well as theability for the user to input their expertise. Interaction withthis kind of probabilistic data and decision rules can provideeach user the ability to define what information is importantto his/her particular task as part of the visualization.In this paper, we propose a system that provides theuser access to the quantitative information computed duringfuzzy segmentation. The decision making step of classificationis deferred until render time, allowing the userfiner control of the ”importance” of each class. Unfortunately,postponing this decision result comes at the cost ofincreased memory consumption. To accomodate this memoryuse, we propose a data dimensionality reduction (DDR)scheme that is designed to accurately represent pre-classifiedor segmented data for visualization. This approach allowsdata to be classified using the most appropriate fuzzy segmentationmethod, while utilizing existing volume visualizationtechniques. We also show that statistical risk is arobust measure for visualizing features and assigning opticalproperties. 2 Previous WorkThere has been an enormous number of publications onboth volume visualization and classification/segmentation.A comprehensive overview is outside the scope of this paper.For an extensive overview of volume rendering, the reader isrefered to an excellent survey by Kaufman and Mueller [13].
| عنوان فارسی مقاله: | مجازی سازی حجم کمی آماری |
| عنوان انگلیسی مقاله: | Statistically Quantitative Volume Visualization |
خرید ترجمه فارسی مقاله با فرمت ورد