quasi constant au sein du torse except´e autour du coeur [MJE91]. Le champ scalaire est visualis´e via une repr´esentation filaire de la surface et deux isosurfaces bleue et rouge repr´esentant les bas et hauts potentiels res-pectivement. On remarque ainsi que l’information est localis´ee uniquement pr`es du cœur. `A droite, ensemble de donn´eesBlunt Fin. On utilise des streamlines et la boˆıte englobante des donn´ees pour visualiser le champ vectoriel. On remarque que les variations brusques en rouge (cr´eation d’un vortex) sont locales. Au sein de l’encart, un grossissement sur la r´egion d’int´erˆet est fourni.
5.3 Localit ´e de l’information
L’un des buts de la visualisation scientifique pour les grands ensembles de donn´ees de quelque nature qu’ils soient (grilles r´eguli`eres, maillages irr´eguliers) est de mettre en ´evidence les r´egions caract´eristiques des champs issus de la simulation. On nomme ces r´egions caract´eristiques des zones d’int´erˆet. Ces zones peuvent ˆetre rep´er´ees au sein du maillage via l’utilisation d’une fonction de transfert et l’utilisation de divers rendus que nous avons d´etaill´es en section3.3. Une fois celles-ci identifi´ees, le scientifique ou l’ing´enieur peut essayer de qualifier chaque r´egion en se posant des questions comme : qu’est-ce que c’est ? D’o `u cela provient-il ? Com-ment ´evolue-t-elle et combien de temps persiste-t-elle (dans le cadre de donn´ees temporelles) ? La colorisation, la relation avec l’alentour spatial et temporel sont des clefs essentielles pour comprendre le ph´enom`ene puis valider la simulation ou l’exp´erience.
N´eanmoins, la localisation de ces zones d’int´erˆet est un challenge au sein des grosses masses de donn´ees. En effet, celle-ci repose sur deux d´efis majeurs : le choix d’une “bonne” fonction de transfert et l’affichage interactif de millions de t´etra`edres (´evoqu´e pr´ec´edemment). Notons que le premier d´efi n’entre pas dans le sujet de cette th`ese mais il consiste `a construire une surjection ad´equate entre les espaces scalaires et l’espace des couleurs RGBA afin que les zones d’int´erˆet soient visibles sans que l’utilisateur ne modifie `a la main lui-mˆeme cette bijection. Cette “bonne” param´etrisation de la fonction de transfert repr´esente lorsqu’elle n’est pas (semi-) automatis´ee, un travail long et fastidieux afin que le rendu final soit porteur de sens pour toute une communaut´e. Certaines techniques ont tent´e d’automatiser ce choix et le lecteur int´eress´e pourra se r´ef´erer aux articles suivants [KD98,RSHSG00,PLB+01].
Cette difficult´e de localisation est de plus renforc´ee par la petitesse de ces zones souvent compactes, pou-vant parfois se r´esumer `a moins de 1% de la masse de donn´ees initiale. Par exemple pour la visualisation de donn´ees m´edicales, Kahler et al. [KSH03], ´etudient les neurones au sein du cerveau d’une abeille – ceux-ci ne repr´esentant que 0, 8 % des donn´ees initiales ; ou encore l’arbre vasculaire au sein du foie – celui-ci ne
repr´esentant que 3, 9 % des donn´ees initiales. On retrouve des cas similaires pour la simulation comme l’illustre
la figure1.18`a la fois lors de l’´etude de champs scalaires – des potentiels dans le cas duTorso– ou de champs vectoriels – la vitesse dans le cas duBlunt Fin.
Plusieurs solutions ont d´ej`a ´et´e propos´ees pour aider `a la localisation de telles zones d’int´erˆet. Elles reposent principalement sur une assertion de base : soit l’utilisateur a une connaissance a priori de ce qu’il va visualiser ;
soit l’utilisateur ne projette aucune (ou peu d’) information sur le maillage. Dans le premier cas, l’extraction des zones d’int´erˆet est automatis´ee via des pr´ecalculs ou repose sur un seuillage du champ d’attributs. Dans le second cas, une exploration de l’ensemble de donn´ees est propos´ee grˆace `a la d´efinition d’une zone locale de raffinement repr´esentant m´etaphoriquement une loupe.
Ainsi, Silver et Zabusky [SZ93] proposent d’extraire les zones d’int´erˆet, en choisissant une source via un seuil d’int´erˆet et une expansion par region growing, afin d’assurer leur suivi temporel au sein de donn´ees vec-torielles temporelles. Les techniques Focus+Contexte (F+C) [VFSG06] d´evelopp´ees pour les grilles r´eguli`eres se reposent sur la segmentation des donn´ees afin d’adapter le rendu aux zones d’int´erˆet. Pour les plus gros en-sembles de donn´ees, les techniques de raffinement de maillage adaptatif (AMR) d´evelopp´ees pour les maillages uniformes [KSH03] et de multir´esolution pour les maillages irr´eguliers [CDFM+04] permettent de r´eduire l’in-formation l`a o `u celle-ci est peu pertinente tout en conservant `a pleine r´esolution les zones d’int´erˆet. L’AMR est une structure calcul´ee en pr´etraitement fusionnant les cellules ne contenant pas d’information essentielle. Les approches multir´esolution stockent une hi´erarchie d’op´erations de simplification locales permettant lors de l’exploration de raffiner `a la vol´ee les zones d’int´erˆet.
De telles solutions restent n´eanmoins limit´ees `a de petits maillages dans le cas de grilles irr´eguli`eres issues de simulation car les temps de pr´ecalculs et d’extraction restent importants.
6 Conclusion et Objectifs
La visualisation scientifique s’inscrit dans un proc´ed´e de validation de r´esultats issus de simulations di-verses et vari´ees concernant l’ensemble des domaines dits scientifiques comme l’astronomie, la chimie, la ther-modynamique, la m´ecanique des fluides, la g´eologie, la neutronique ou la biologie. La g´en´eration interactive d’images porteuses de sens lors de la phase d’exploitation des r´esultats est donc essentielle afin que l’ing´enieur ou le chercheur puisse r´eperer les zones d’int´erˆet et valider sa simulation avant la prise de d´ecision finale.
Un certain nombre de ces simulations reposent sur des maillages t´etra´edriques g´en´er´es grˆace `a des ap-proches dites de Delaunay. Leur cr´eation, d´ependant de r`egles math´ematiques ´etablies en g´eom´etrie algorith-mique, fait de ce type de maillage de bons candidats pour l’´elaboration de simulation. L’augmentation de puissance de calculs des cartes graphiques incorporant un pipeline graphique optimis´e a permis au cours des ann´ees pr´ec´edentes une acc´el´eration des techniques de visualisation mais non suffisant au regard de la crois-sance de la taille des r´esultats.
La visualisation scientifique reste ainsi confront´ee `a un probl`eme majeur : l’exploration interactive et l’aide `a la localisation rapide des zones d’int´erˆet face `a l’augmentation sans cesse renouvel´ee de la taille des donn´ees issues des simulations. De pr´ec´edentes approches tentent de r´epondre en partie `a cette probl´ematique mais ne se focalisent que sur l’interactivit´e ou la localisation dans des domaines pr´ecis. Ce probl`eme reste pleinement d’actualit´e.
L’optique de cette th`ese est de proposer, dans le cadre des grilles irr´eguli`eres t´etra´edriques, des solutions per-mettant une exploration interactive des donn´ees tout en facilitant la localisation des zones d’int´erˆet de mani`ere g´en´erique, c’est-`a-dire en supposant que l’utilisateur projette peu de connaissances sur les r´esultats – ce qui revient `a ne pas sp´ecialiser l’approche `a un domaine scientifique particulier.
CHAPITRE
2
Bi-R ´esolution :
Concepts et Pr ´ecalculs
Its specific goal is to act as a catalyst between scientific computation and scientific insight. Scientific visualiza-tion came into being to meet the ever increasing need to deal with highly active, very dense data sources.
Ed FERGUSON- Computer Graphics Career
Handbook, 1991
A COMPREHENSION´ des r´esultats issus des simulations num´eriques est une ´etape cruciale dans la validation d’un mod`ele math´ematique. La visualisation scientifique r´epond `a cette attente en offrant des algorithmes appropri´es pour afficher des images porteuses de sens pour un public, en premier lieu, averti. La taille des donn´ees est le principal facteur limitant de l’efficacit´e des algorithmes de visualisation. Ce domaine n´ecessite ainsi de continuelles am´eliorations en terme de performances temporelles et m´emoires afin de garantir une exploration interactive pour la compr´ehension rapide des r´esultats simul´es lors de leur exploitation.
Afin d’acc´el´erer l’affichage des maillages irr´eguliers t´etra´edriques de grandes tailles, trois approches sont actuellement d´evelopp´ees : une simplification de la g´eom´etrie du maillage en amont ; une optimisation du pipeline graphique en aval ; et une parall´elisation des algorithmes sur des grappes d’ordinateurs et de cartes graphiques. Cette derni`ere, bien qu’incontournable au sein de la communaut´e de visualisation, est en dehors du cadre de cette th`ese. Nous ne nous ´etendrons donc pas plus sur ces techniques. N´eanmoins, le lecteur int´eress´e pourra se r´ef´erer `a [ABM+01,CGM+06,Cas06,VCS+07] pour plus de d´etails sur ce sujet. A contrario, la premi`ere approche reposant essentiellement sur des algorithmes de simplification et de multir´esolution sera trait´ee dans ce chapitre alors que les algorithmes de rendu seront abord´es au sein du chapitre4.
En effet, pour pouvoir visualiser plusieurs dizaines de millions de t´etra`edres, les progr`es architecturaux des ordinateurs et des cartes graphiques, bien qu’en constant progr`es, ne permettent pas de les afficher en temps-r´eel (voir chapitre1, section3.2). Et l’augmentation exponentielle du nombre des primitives des maillages afin de gagner en pr´ecision garantit que ce d´ecalage entre tailles des donn´ees et puissance de calculs perdura encore