Abstract-Band - Fakultät für Informatik, TU Wien - Technische ...

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