Charakterisierung von Röntgen-CT-Volumendaten von Multi-Material-Messobjekten

Information

• Visibility: hidden
• Publication Type: Bachelor Thesis
• Workgroup(s)/Project(s):
  • Visualization Group
• Date: September 2020
• Date (Start): February 2020
• Date (End): 8. September 2020
• Matrikelnummer: 01527148
• First Supervisor: Eduard Gröller

Abstract

Die Computertomografie hat sich in der industriellen Messtechnik in den letzten Jahren als Verfahren zur zerstörungsfreien und schnellen Erfassung aller äußeren und inneren Oberflächen bewährt. Die Ergebnisse einer Computertomografie liegen zunächst in Form eines Volumendatensatzes vor. Für die messtechnische Anwendung müssen Oberflächen-punkte ermittelt werden. Besteht das gemessene Werkstück nur aus einem Material, im Folgenden Monomaterial genannt, so reicht zumeist ein Binarisierungsverfahren aus (z.B. Marching Cubes). Besteht es jedoch aus mehreren Materialien, im Folgenden Multi-Material genannt, werden Segmentierungsverfahren benötigt, insbesondere dann, wenn eine geschlossene Oberflächenbeschreibung (z.B. als Dreiecksnetz) gefordert ist. Die meisten Segmentierungsalgorithmen benötigen eine umfassende Parametrierung, um hinreichend gute Ergebnisse zu erzielen. Die Parametrierung unterscheidet sich jedoch stark für verschiedene Volumendaten. Um die Parameterwerte korrekt zu wählen, sind dazu Kenntnisse über bestimmte Eigenschaften der Daten erforderlich. Es wurde ein Ver-fahren entwickelt, implementiert und validiert, das mithilfe morphologischer Operatoren ermöglicht, umfangreiche Metadaten speichereÿzient zu extrahieren und anschließend abzulegen. Zusätzlich wurde ein Werkzeug implementiert, welches es ermöglicht die-se, i.A. mehrdimensionalen, Statistiken zu visualisieren. Eine intuitive Einschätzung bestimmter Eigenschaften wird hierdurch ermöglicht, was die Parametrierung von Seg-mentierungsalgorithmen vereinfacht. Ansätze zur automatischen Auswertung werden präsentiert.

Additional Files and Images

Weblinks

No further information available.

BibTeX

@bachelorsthesis{Gietl_2020,
  title =      "Charakterisierung von R\"{o}ntgen-CT-Volumendaten von
               Multi-Material-Messobjekten",
  author =     "Patrick Gietl",
  year =       "2020",
  abstract =   "Die Computertomografie hat sich in der industriellen
               Messtechnik in den letzten Jahren als Verfahren zur
               zerst\"{o}rungsfreien und schnellen Erfassung aller
               \"{a}u{\ss}eren und inneren Oberfl\"{a}chen bew\"{a}hrt. Die
               Ergebnisse einer Computertomografie liegen zun\"{a}chst in
               Form eines Volumendatensatzes vor. F\"{u}r die
               messtechnische Anwendung m\"{u}ssen Oberfl\"{a}chen-punkte
               ermittelt werden. Besteht das gemessene Werkst\"{u}ck nur
               aus einem Material, im Folgenden Monomaterial genannt, so
               reicht zumeist ein Binarisierungsverfahren aus (z.B.
               Marching Cubes). Besteht es jedoch aus mehreren Materialien,
               im Folgenden Multi-Material genannt, werden
               Segmentierungsverfahren ben\"{o}tigt, insbesondere dann,
               wenn eine geschlossene Oberfl\"{a}chenbeschreibung (z.B. als
               Dreiecksnetz) gefordert ist. Die meisten
               Segmentierungsalgorithmen ben\"{o}tigen eine umfassende
               Parametrierung, um hinreichend gute Ergebnisse zu erzielen.
               Die Parametrierung unterscheidet sich jedoch stark f\"{u}r
               verschiedene Volumendaten. Um die Parameterwerte korrekt zu
               w\"{a}hlen, sind dazu Kenntnisse \"{u}ber bestimmte
               Eigenschaften der Daten erforderlich. Es wurde ein
               Ver-fahren entwickelt, implementiert und validiert, das
               mithilfe morphologischer Operatoren erm\"{o}glicht,
               umfangreiche Metadaten speichereÿzient zu extrahieren und
               anschlie{\ss}end abzulegen. Zus\"{a}tzlich wurde ein
               Werkzeug implementiert, welches es erm\"{o}glicht die-se,
               i.A. mehrdimensionalen, Statistiken zu visualisieren. Eine
               intuitive Einsch\"{a}tzung bestimmter Eigenschaften wird
               hierdurch erm\"{o}glicht, was die Parametrierung von
               Seg-mentierungsalgorithmen vereinfacht. Ans\"{a}tze zur
               automatischen Auswertung werden pr\"{a}sentiert.",
  month =      sep,
  address =    "Favoritenstrasse 9-11/E193-02, A-1040 Vienna, Austria",
  school =     "Research Unit of Computer Graphics, Institute of Visual
               Computing and Human-Centered Technology, Faculty of
               Informatics, TU Wien ",
  URL =        "https://www.cg.tuwien.ac.at/research/publications/2020/Gietl_2020/",
}