Abstract-Band - Fakultät für Informatik, TU Wien - Technische ...
Abstract-Band - Fakultät für Informatik, TU Wien - Technische ...
Abstract-Band - Fakultät für Informatik, TU Wien - Technische ...
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
Ivan Maricic<br />
Visual Feature Exploration for ssTEM Image Segmentation<br />
Studium: Masterstudium Visual Computing<br />
BetreuerIn: Ao.Univ.Prof. Dr. Eduard Gröller<br />
Der Forschungsbereich Computational Neuroanatomy verwendet rechnergestützte<br />
Techniken wie Visualisierung, Modellierung und Analyse, um die<br />
neuronalen Strukturen von Gehirnproben aus Bild-Stapeln (semi-)automatisch<br />
abzuleiten. Für die Gewinnung der Bilder, in der relevante Strukturen hoch<br />
genug aufgelöst sind, verwendet man die sogenannte Transmissionselektronenmikroskopie<br />
(TEM), die eine Pixelauflösung von unter 5 nm ermöglicht. Die<br />
manuelle Segmentierung dieser hochaufgelösten aber kontrastarmen und mit<br />
Aufnahmefehlern behafteten Bilder wäre allein wegen der hohen Auflösung<br />
der 200.000 Bilder mit 2.000.000×2.000.000 Pixel pro Bild in einem Kubikzentimeter<br />
Gehirnprobendatensatz impraktikabel. Da die Pixel einen geringen<br />
Wertebereich (8 Bits pro Pixel) haben und verschiedenste Aufnahmeartefakte<br />
beinhalten, ist eine vollautomatische Segmentierung fehleranfällig. Deshalb ist<br />
es wichtig, die Ergebnisse aufwendiger automatischer Segmentierungsverfahren<br />
zu quantifizieren, zu visualisieren und reproduzieren zu können. Diese<br />
Arbeit basiert auf dem Membran-Segment-ierungsverfahren von Kaynig-Fittkau<br />
[2011], welches <strong>für</strong> ssTEM Hirngewebe-Bilder unter anderem folgende Ausgaben<br />
liefert: (a) ein Zuversichtswert <strong>für</strong> jeden Pixel (bezüglich des analytischen<br />
Modelles der Benutzerwahl der Zellmembranen) der angibt, wie sicher sich das<br />
zugrundeliegende statistische Modell ist, dass das Pixel zur Membran gehört<br />
und (b) die nach der Optimierung erhaltenen Kanten, welche die Zellmembranen<br />
repräsentieren. Wir setzen genau hier an und verwenden Benutzerwissen<br />
ein weiteres Mal, um entscheiden zu können, welche und in welcher Form man<br />
Daten dem Random-Forest-Klassifizierer zur Verfügung stellen muss. Das Ziel<br />
dabei ist es, die Segmentierungsergebnisse zu verbessern, indem man die<br />
Qualität der Segmentierung verbessert, die Segmentierung beschleunigt oder<br />
den Speicheraufwand reduziert.<br />
Aaron Meier-Stauffer<br />
Realistic Local Lighting in Dynamic Height Fields<br />
Studium: Masterstudium Visual Computing<br />
BetreuerIn: Associate Prof. Dr. Michael Wimmer<br />
This thesis presents a method to compute soft shadows from environment maps<br />
and local light sources on dynamic height fields, extending the work of Snyder<br />
and Nowrouzezahrai (Fast Soft Self-Shadowing on Dynamic Height Fields). While<br />
direct illumination in static scenes is very common in video games and 3D<br />
applications, realtime globalillumination methods supporting dynamic scenes<br />
and lights are still an active field of research. In this work, a short general<br />
introduction to global illumination and spherical harmonics is presented as well<br />
as an overview of the state of the art methods in interactive global illumination<br />
for height fields. In our method, visibility at each receiver point of a height field is<br />
51