최근 들어, 3D 입체 영화와 TV 등 3차원 입체 영상 디스플레이에 대한 관심이 매우 높다. 안경을 끼는 불편함을 해결하기 만들어진 무안경식 3차원 입체 영상 디스플레이를 위해서는 렌즈 어레이 카메라로부터 만들어지는 기초영상(elemental images)을 생성해야 한다. 렌즈 어레이에 여러 카메라가 배치되므로 주어진 3차원 가상공간에 대해 기초영상을 생성하는데 많은 시간이 소요되며, 특히 고용량의 바이오메디컬 자료에 대해서는 더 많은 시간이 소요된다. 본 논문에서는 이러한 문제를 좀더 효율적으로 개선하기 위해 주어진 자료의 효율적 렌더링을 위해 옥트리(Octree)를 구성한 후, GPU(graphics processor units)를 이용하여 렌더링하는 기법을 제시한다. 실험 결과, 제시된 기법이 기존 방법과 비교하여 많은 개선이 있었지만 아직도 더 효율적인 기법의 개발이 요구된다.
최근 들어, 3D 입체 영화와 TV 등 3차원 입체 영상 디스플레이에 대한 관심이 매우 높다. 안경을 끼는 불편함을 해결하기 만들어진 무안경식 3차원 입체 영상 디스플레이를 위해서는 렌즈 어레이 카메라로부터 만들어지는 기초영상(elemental images)을 생성해야 한다. 렌즈 어레이에 여러 카메라가 배치되므로 주어진 3차원 가상공간에 대해 기초영상을 생성하는데 많은 시간이 소요되며, 특히 고용량의 바이오메디컬 자료에 대해서는 더 많은 시간이 소요된다. 본 논문에서는 이러한 문제를 좀더 효율적으로 개선하기 위해 주어진 자료의 효율적 렌더링을 위해 옥트리(Octree)를 구성한 후, GPU(graphics processor units)를 이용하여 렌더링하는 기법을 제시한다. 실험 결과, 제시된 기법이 기존 방법과 비교하여 많은 개선이 있었지만 아직도 더 효율적인 기법의 개발이 요구된다.
Recently, 3D stereoscopic display such as 3D stereoscopic cinemas and 3D stereoscopic TV is getting a lot of interest. In general, a stereo image can be used in 3D stereoscopic display. In other hands, for 3D auto stereoscopic display, the elemental images should be generated through visualization f...
Recently, 3D stereoscopic display such as 3D stereoscopic cinemas and 3D stereoscopic TV is getting a lot of interest. In general, a stereo image can be used in 3D stereoscopic display. In other hands, for 3D auto stereoscopic display, the elemental images should be generated through visualization from every camera in a lens array. Since a lens array consists of several cameras, it takes a lot of time to generate the elemental images with respect to 3D virtual space, specially, if a large bio-medical volume data is in the 3D virtual space, it will take more time. In order to improve the problem, in this paper, we construct an octree for a given bio-medical volume data and then propose a method to generate the elemental images through efficient rendering of the Octree data using GPU. Experimental results show that the proposed method can obtain more improvement comparable than conventional one, but the development of more efficient method is required.
Recently, 3D stereoscopic display such as 3D stereoscopic cinemas and 3D stereoscopic TV is getting a lot of interest. In general, a stereo image can be used in 3D stereoscopic display. In other hands, for 3D auto stereoscopic display, the elemental images should be generated through visualization from every camera in a lens array. Since a lens array consists of several cameras, it takes a lot of time to generate the elemental images with respect to 3D virtual space, specially, if a large bio-medical volume data is in the 3D virtual space, it will take more time. In order to improve the problem, in this paper, we construct an octree for a given bio-medical volume data and then propose a method to generate the elemental images through efficient rendering of the Octree data using GPU. Experimental results show that the proposed method can obtain more improvement comparable than conventional one, but the development of more efficient method is required.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서는 렌즈 어레이를 통해 집적영상을 얻는 과정을 OpenGl의 가상 카메라를 어레이로 구성하여 고용량 바이오메디컬 데이터에 대해 효율적으로 기초영상을 얻기 위한 기법을 제시하고자 한다.
픽업 과정에서의 연구는 기초 영상을 빠르고, 정확하게 얻는 방법에 대하여 연구가 진행 중이며, 디스플레이 과정에서의 연구는 얼마나 선명하고, 넓은 시야각을 확보할 수 있는지에 관한 연구가 활발하게 진행 중이다. 본 논문에서는 픽업 과정에 초점을 맞추어 대용량 바이오메디컬 데이터를 적용하여 빠르게 영상을 얻는 방법을 제안한다.
본 논문에서는 N×N 개의 렌즈로부터 렌더링을 효율적으로 수행하기 위해 볼륨 데이터를 옥트리(Octree) 알고리즘을 사용하여 자료구조화를 하였다.
가설 설정
렌더링 과정을 살펴보기 위해 렌즈어레이가 N×N 렌즈들로 구성되어 있다고 가정하자.
렌더링 과정을 살펴보기 위해 렌즈어레이가 N×N 렌즈들로 구성되어 있다고 가정하자. 분명, 각 렌즈에는 하나의 카메라가 지정될 것이고, 또한 디스플레이 될 영역이 설정될 것이다. 따라서 N×N 개의 카메라 각각에 대해 MVR 기법을 이용하여 렌더링 영상을 생성한 후, 이들 영상의 통합을 통해 최종 집적영상을 생성한다.
제안 방법
특히 최근 들어 대부분의 컴퓨터에는 GPU를 장착하고 있다. 따라서 본 논문에서는 대용량 볼륨데이터에 대한 옥트리를 먼저 구하고, 이를 이용하여 GPU 렌더링을 수행하였다.
따라서 N×N 개의 카메라 각각에 대해 MVR 기법을 이용하여 렌더링 영상을 생성한 후, 이들 영상의 통합을 통해 최종 집적영상을 생성한다.
3.1절에서 언급한 사용자에 의해 입력된 렌즈 정보를 통해 시점과 뷰 볼륨(view volume) 정보 등을 계산한후, 특정 시점에서의 볼륨데이터를 렌더링 한다. 본 논문에서는 널리 사용되고 있는 컴퓨터 그래픽스 라이브러리인 OpenGL을 이용하여 주어진 볼륨 데이터를 렌더링 한다.
1절에서 언급한 사용자에 의해 입력된 렌즈 정보를 통해 시점과 뷰 볼륨(view volume) 정보 등을 계산한후, 특정 시점에서의 볼륨데이터를 렌더링 한다. 본 논문에서는 널리 사용되고 있는 컴퓨터 그래픽스 라이브러리인 OpenGL을 이용하여 주어진 볼륨 데이터를 렌더링 한다. 이러한 방법은 실제 렌즈어레이를 통해서 얻는 영상을 가상으로 정확하게 얻을 수 있다는 장점을 가지고 있다.
최종 집적영상을 효율적으로 얻기 위해서는 무엇보다도 MVR 렌더링을 좀 더 빠르게 수행해야 할 것이다. 이를 위해 본 논문에서는 여러 장의 CT 혹은 MRI 영상으로 구성된 볼륨 메디컬 데이터로부터 옥트리(Octree)를 구성한다. 주어진 볼륨데이터에 대한 옥트리를 구성하는 기본 원리는 먼저 볼륨데이터를 포함하는 바운딩 박스 (bounding box)를 생성하여 옥트리 노드(root node)에 저장한다.
본 논문에서는 특정한 시점으로 주어진 볼륨데이터를 렌더링하기 위해 3.3절에서 소개한 방법에 따라 구성된 옥트리를 이용한다. 옥트리의 뿌리 노드로부터 자식노드 들을 넓이우선탐색을 통해 옥트리의 노드를 방문한다.
3절에서 소개한 방법에 따라 구성된 옥트리를 이용한다. 옥트리의 뿌리 노드로부터 자식노드 들을 넓이우선탐색을 통해 옥트리의 노드를 방문한다. 방문한 노드가 뷰 볼륨(View Volume)에 존재하지 않으면 자식 노드를 더 이상 순회하지 않는다.
만약 그 노드에 자료가 모두 채워져 있으면 그 자체를 렌더링하고, 그렇지 않으면 시점에 따라 구성된 자료를 렌더링 한다. 본 논문에서는 단말노드에 저장된 메디컬 자료의 효율적 렌더링을 위해 GPU(Graphics Processing Unit)를 사용한다. GPU 렌더링은 물체를 구성하는 정점 수준에서의 렌더링을 위한 버텍스 프로그램 (vertex program) 부분과 프레임버퍼 수준에서 렌더링을 위한 프래그먼트 프로그램(fragment program)으로 나뉜다.
따라서 옥트리를 이용한 렌더링은 이들 두 부분, 즉 시점 벡터로부터 가까이 존재하는 박스의 정점 구하기와 시점벡터에 따른 박스에 나타나는 볼륨데이터의 형태 구하기에 대한 계산 효율성에 좌우된다. 본 논문에서는 이를 효율적으로 구하기 위해 버텍스 프로그램을 사용한다. 버텍스 프로그램에서는 먼저 시점에서 가장 가까이 존재하는 박스의한 점을 구한 후, 박스와 교차하는 다각형을 구한다.
본 논문에서 특정한 카메라로부터 OpenGL 기법을 이용하여 렌더링을 수행하고 있어, N×N 크기의 렌즈어레이에 대한 집적영상 생성을 위한 시간은 N2×RT이다.
본 논문에서 제시한 기법의 효율성을 측정하기 위해 널리 알려진 OpenGL의 gl3DTexture를 사용하여 볼륨 데이터를 렌더링하였다. 이 기법을 사용하는 경우 1×1렌즈어레이, 4×4 렌즈어레이와 10×10 렌즈어레이에 대한 직접영상 생성은 각각 0.
대상 데이터
본 논문에서는 3차원 물체로 고용량 메디컬 데이터를 사용하였다. 이들 데이터가 대용량이므로, 특정 카메라로부터 이를 효율적으로 렌더링하기 위해서는 고용량 메디컬 데이터의 구조화가 요구된다.
볼륨데이터에 대한 집적기초영상 생성을 위해 본 논문에서는 [그림 6]과 같은 512×512×79 크기의 사람 머리 내부 영상을 사용하였다.
본 논문에서 제안한 기법을 구현하기 위해 PC 환경에서 개발 도구로 MS Visual Studio 2008를 사용하였고, 3차원 그래픽스 라이브러리로 OpenGL를, GPU 프로그램을 위해 nVidia에서 개발한 cgLib를, Intel Core2 Quad CPU 2.67GHz, 4.00GB의 RAM, Windows Vista OS, NVIDIA GeFoce 9800 GT 그래픽 카드를 사용하였다. 볼륨데이터에 대한 집적기초영상 생성을 위해 본 논문에서는 [그림 6]과 같은 512×512×79 크기의 사람 머리 내부 영상을 사용하였다.
이론/모형
본 논문에서 사용된 집적영상 픽업 알고리즘으로 MVR 방식을 이용하였으며, 집적영상을 생성하는 전체적인 과정은 [그림 3]과 같이 크게 5단계를 구분하였다. 첫 번째 단계는 렌즈의 다양한 정보와 렌즈어레이를 정의를 하는 단계이다.
다음 단계인 프래그먼트 프로그램에서는 프레임 버퍼 (frame buffer)로 투영된 교차점에 대한 쉐이딩(shading) 작업을 진행한다. 본 논문에서는 Phong 쉐이딩 모델을 적용하여 볼륨 데이터를 렌더링 하였다.
성능/효과
그리고 본 논문에서 제시한 기법을 사용한 1×1렌즈어레이, 4×4 렌즈어레이와 10×10 렌즈어레이에 대한 직접영상 생성은 각각 0.046초, 7.33초와 45.08초 소요되었다.
[그림 8]에서 굵은 실선은 gl3DTexture를 사용한 경우를 나타내고 있고, 가는 실선은 GPU와 옥트리를 사용한 경우를 나타낸다. 이상의 결과를 통해 본 논문에서 제시한 기법이 기존 기법보다 좀 더 효율적으로 집적영상을 생성 함을 알 수 있다.
후속연구
대부분의 메디컬 분야에서 사용되고 있는 볼륨데이터는 실제 렌즈를 데고 얻을 수 있는 데이터가 아니며, 특수 장비(CT, MRI)등을 통해서 얻을 수밖에 없다. 이런 다양한 장비를 통해서 얻는 영상을 컴퓨터 그래픽스 기술을 이용하여 집적영상을 구현한다면, 다양한 분야에서 사용할 수 있을 것이다.
최종 집적영상을 효율적으로 얻기 위해서는 무엇보다도 MVR 렌더링을 좀 더 빠르게 수행해야 할 것이다. 이를 위해 본 논문에서는 여러 장의 CT 혹은 MRI 영상으로 구성된 볼륨 메디컬 데이터로부터 옥트리(Octree)를 구성한다.
따라서 향후 다음과 같은 측면에서 좀 더 많은 연구가 이루어져야 한다. 첫 번째 GPU 를 이용한 N×N 카메라 렌더링을 효율적으로 진행하기 위해 인접한 카메라간의 매우 유사한 정보가 많으므로 시간 응집도와 공간 응집도를 이용한 기법에 대한 연구가 필요하다. 두 번째 연구로는 다중 GPU를 이용한 렌더링의 병렬화 기법이다.
질의응답
핵심어
질문
논문에서 추출한 답변
3차원 입체 디스플레이 기술은 어떤 방식으로 구분되는가?
3차원 입체 디스플레이 기술은 특수안경(편광안경, 색 안경, 셔터 안경, 또는 헤드착용식 디스플레이)이 필요한 안경(stereoscopic)방식과 특수 안경이 필요 없는 무안경 (auto stereoscopic)방식으로 구분된다. 안경식 3D 입체디스플레이 방식은 3차원 입체 디스플레이 기술의 전통적인 방식으로 3차원 영화관인 아이맥스나, 게임기 등에 이미 실용화됐다.
대표적인 집적영상 픽업 기법에는 무엇이 있는가?
지금까지 알려진 픽업 기법은 대표적으로 PRR(Point Retracing Rendering), MVR(Multiple Viewpoint Rendering), PGR(Parallel Group Rendering), VVR(Viewpoint Vector Rendering)이 있다[3].
MVR 방식의 단점은 무엇인가?
컴퓨터 그래픽을 이용하기 때문에 간단하면서도, 정확한 기초영상을 얻을 수 있으며, 단일 기초영상의 크기에 전혀 영향을 받지 않는다. 하지만, 렌즈 어레이의 증가에 따른 시간증가 문제점이 있으며, 사용되는 3D 물체의 해상도에도 영향을 받게 된다. 렌즈 증가에 따른 시간증가로 인해 실시간으로 얻는 방법에는 적합하지 않다. PGR 방식은 디스플레이에서 렌즈를 통하는 벡터는 한정되어 있으며, 포커스 모드에서 이 벡터 방향의 이미지를 얻게 되며, 이 이미지는 렌즈를 통해 생성되는 벡터의 개수만큼 만들게 된다.
F. Okano, H. Hoshino, J. Arai, and I. Yuyama, “Real-Time Pickup Method for a Three-Dimensional Image based on Integral Photography,” Applied Optics, Vol.36, pp.1598-1603(1887).
S. W. Min, “Enhanced Image Mapping Algorithm for Computer-Generated Integral Imaging System,” Japanese Journal of Applied Physics, Vol.45, No.28, pp.L744-L747, 2006.
Kaus Engel, Markus Hadwiger, Joe M. Kniss, Christof Rezk-Salama, and Daniel Weiskopf, Real-Time Volume Graphics, K. Peters, Ltd., 2006.
Jang-Il Ser, “A Study on the Properties of an Elemental Image depending on the Shape of Elemental Lens and the pick-up Method in the Integral Imaging,” Journal of Telecommunication and information, Vol.10, pp.33-39, 2006.
S. W. Min, “Three-dimensional Image Processing using Integral Imaging Method,” Optical Society of Korea summer Meeting 2005(7.14-15, 500).
J. Y. Son, Vladmir V. Saveljev, J. S. Kim, Sung-Sik, and Bahram Javidi, “Viewing Zones in Three-dimensional Imaging Systems based on Lenticular, Parallax-barrier, and Microlens-array Plates,” Applied Optics, Vol.43, pp.4985-4992, 2004.
J. I. Ser and S. H. Shin, “Elemental Image Resizing and the Analysis of the Reconstructed Three dimensional Image in the Integral Imaging System,” Journal of Korean Optics, Vol.16, No.3, pp.225-233, 2005(6).
Y. H. Jang, C. Park, J. H. Park, N. Kim, K. H. Yoo, “Parallelization for Integral Imaging Pickup," ICCC 2008, Vol.6 No.2, pp.63-64, 2008(12).
Y. H. Jang, C. Park, J. H. Park, N. Kim, and K. H. Yoo, "Parallel Processing for Integral Imaging Pickup using Mutliple Threads,” International Journal of Contents, Vol.5, No 4, pp.30-34, 2009.
Y. H. Jang, C. Park, H. J. Lee, D. O. Seong, J. H. Park, N. Kim, J. S. Yoo, and K. H. Yoo, “An Improved Method for Integral Imaging Pickup of Bio-Medical Data using GPU,” Korea Computer Graphics Society, pp.89-91, 2009(10).
http://www.opengl.org.
Fernado, GPU Gems, Addison Wesley. 2004.
이 논문을 인용한 문헌
저자의 다른 논문 :
연구과제 타임라인
LOADING...
LOADING...
LOADING...
LOADING...
LOADING...
활용도 분석정보
상세보기
다운로드
내보내기
활용도 Top5 논문
해당 논문의 주제분야에서 활용도가 높은 상위 5개 콘텐츠를 보여줍니다. 더보기 버튼을 클릭하시면 더 많은 관련자료를 살펴볼 수 있습니다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.