Retrieval di oggetti da database 3D

Transcript

1 Facoltà di Ingegneria Corso di Studi in Ingegneria Informatica Elaborato finale in Basi di Dati Retrieval di oggetti da database 3D Anno Accademico 2010/2011 Candidato: Ferdinando Rega matr. N

2 Dedicato alla mia famiglia che mi ha supportato e sopportato in questi tre anni pieni di soddisfazioni e di delusioni. Dedicato a Rossella che riesce a tirarmi su anche quando le cose sembrano mettersi male Dedicato ai miei amici che, sostenendoci a vicenda, hanno reso le giornate all università più gioiose.

3 Indice Introduzione 4 Capitolo 1. Criteri di confronto Metodi Feature Based Metodo della Extended Gaussian Image Metodo della Spatial Map Based Similarity Metodi Graph-based Metodo Model graph based similarity Metodo Skeleton based similarity Altri Metodi View Based Similarity Conclusioni 15 Capitolo 2. Sistemi di reperimento D Search Engine by Princeton Shape Retrieval and Analysis Group D Building and Querying System 21 Conclusioni 26 Bibliografia 27 III

4 Retrieval di oggetti da database 3D Introduzione Nella società moderna in cui noi tutti viviamo, gioca un ruolo fondamentale lo scambio di informazioni di interesse. Scambiare informazioni significa memorizzare un concetto e, all'occorrenza, rendere disponibile quel concetto ad altri che, a loro volta, faranno lo stesso. Per poter gestire in maniera efficiente ed efficace l'enorme mole di informazioni messa a disposizione di ognuno, è importante mantenere i dati ordinati e strutturati in modo da rendere il loro reperimento un'operazione semplice. Una base di dati è quindi un ottimo strumento adatto a questo tipo di esigenza. Una base di dati è una collezione di dati, organizzati in una ben determinata maniera. Quest'ultimi sono tipicamente organizzati per modellare aspetti rilevanti della realtà, in maniera da rendere la loro ricerca agevole. Il concetto di base di dati è antecedente a quello di computer. Questa affermazione, che trova conferma riguardando con più attenzione la definizione precedente, ci fa capire quanto siano importanti le basi di dati, cosa siano e soprattutto come vadano usate. Come molti altri settori, anche l'ambito delle basi di dati ha beneficiato della potenza, velocità e memoria del moderno calcolatore, rendendolo più completo e complesso. Le basi di dati, oggi, sono in grado non solo di contenere informazioni testuali, ma anche immagini, audio, video e, soprattutto, oggetti tridimensionali. Attualmente è quindi possibile avere un archivio con le ricostruzioni di molecole di proteine, edifici storici non più esistenti o addirittura di intere città. 4

5 Retrieval di oggetti da database 3D Oggi sono sempre di più le organizzazioni che offrono l'accesso ai propri database 3D, favoriti in gran parte dalle enormi prestazioni della rete. Con l'immensa mole di modelli tridimensionali, si pone quindi il problema del retrieval dei modelli di interesse tra i disponibili. Tra i molti modelli tra cui scegliere nella base di dati, possono essere presi in considerazione, ad esempio, quelli con un colore dominante scelto o quelli che mostrano un animale. In questo caso si parla di query by content. Nell'ipotesi in cui si volesse cercare nel database i modelli che somigliano ad una forma disegnata dallo stesso utente, chiamata target, si parla di query by example. I modelli di interesse sono, ovviamente, i modelli che hanno un alto tasso di somiglianza con il target stabilito, quindi bisogna introdurre una metrica di somiglianza.. 5

6 Capitolo 1 Criteri di confronto La metrica di somiglianza è una funzione che restituisce un risultato che indica il grado di somiglianza tra coppie di oggetti. L'utilizzo di una adeguata funzione di questo tipo è di fondamentale importanza nell'ambito delle basi di dati perché permette di restituire all'utente i risultati attesi. Passo preliminare per calcolare la somiglianza tra due oggetti è l'estrazione di un descrittore che viene associato al modello. Vengono poi definite alcune funzioni che, esaminando il descrittore, restituiscono la similarità tra oggetti. Il più semplice descrittore da associare a qualsiasi oggetto di qualsiasi entità, è sicuramente una descrizione testuale di ciò che viene rappresentato. Per un risultato migliore, una varietà di algoritmi sono stati pensati appositamente per gli oggetti tridimensionali. Essi spaziano dai basici che, per esempio, confrontano la superficie dell'oggetto in questione, arrivando ad algoritmi più complessi che utilizzano la distribuzione di vettori normali o curvatura, o la trasformata di Fourier di alcune funzioni particolari che caratterizzano l'oggetto. È importante notare che algoritmi differenti, analizzano differenti caratteristiche di un oggetto. È quindi un problema assai difficile selezionare uno specifico procedimento da implementare in un sistema di ricerca, dal momento in cui un metodo potrebbe non essere efficace in un determinato ambito. Nel tempo sono stati sviluppati diversi metodi di estrazione di descrittori che fanno perno su 6

7 diversi concetti logici: Metodi Feature-based Metodi Graph-based Idealmente, un sistema potrebbe implementare un set differente di metodi fondamentali e scegliere quello più appropriato in base al dominio applicativo, o scelto in modo del tutto manuale. Senza perdere di generalità, l'estrazione della descrizione di una forma tridimensionale può essere vista come un insieme di passi svolti sequenzialmente: 1. Pre-processo: per agevolare l'estrazione, può essere utile trasformare il modello mediante funzioni che conservano tutte le sue proprietà. Funzioni di questo tipo includono la rotazione, traslazione e/o riscalamento; 2. Scelta del tipo di astrazione: ci sono tre tipi di astrazione: superficie, volumetrico e apparenza. In base a questa scelta si prendono in considerazione diversi aspetti del modello tridimensionale. Ad esempio si può prendere in considerazione la forma della superficie, la distribuzione della massa dell'oggetto oppure la sua apparenza da uno specifico punto di vista; 3. Trasformazione numerica: Le caratteristiche del poligono sono trasformate in numeri usando diversi strumenti matematici; 4. Generazione della descrizione: A questo punto la descrizione finale dell'oggetto in questione è generata. Vediamo adesso alcuni metodi per l'estrazione del descrittore. 7

8 Metodi Feature-based Per ogni oggetto tridimensionale del database, vengono estratti k valori numerici sulla base delle caratteristiche che possiede. Osservando dal punto di vista matematico la questione, questi k valori, che quindi descrivono un oggetto 3D, formano un vettore dello spazio k- dimensionale chiamato, appunto, Feature Vector (FV). Le caratteristiche prese in considerazione sono altamente dipendenti dall'algoritmo di estrazione utilizzato ed è per questo motivo che il Feature Vector descrive solo particolari aspetti dell'oggetto. È quindi di vitale importanza utilizzare un algoritmo di estrazione adeguato per ogni occasione. I Feature Vector così ottenuti vengono usati per scopi di indicizzazione e di reperimento all'interno della base di dati. Una volta estratti i FV, abbiamo di fronte un problema di natura prettamente matematico: gli oggetti simili tra loro saranno, all'interno dello spazio k-dimensionale, vicini tra loro. Preso quindi un modello tridimensionale appartenente alla nostra base di dati, per trovare gli oggetti simili, bisogna considerare il suo intorno. Il raggio indica la tolleranza accettata. Metodo della Extended Gaussian Image La distribuzione delle normali dei poligoni che formano un oggetto 3D possono essere usati per descrivere la sua forma globale. Un modo per rappresentare questa distribuzione la si ottiene sfruttando la Extended Gaussian Image (EGI). Per sintetizzare la EGI di un oggetto 3D, i vettori normali del poligono in considerazione sono mappati sul rispettivo punto della sfera gaussiana che ha la stessa normale del poligono. Per costruire un descrittore la sfera gaussiana è partizionata in celle RxC dove ogni cella corrisponde a un intervallo di orientamenti normali. 8

9 Figura 1 - Esempio di Mappatura in EGI Il numero di normali mappate su ogni cella C ij da il valore associato a quella cella. I valori di tutte le celle sono quindi riportate in una matrice RxC chiamata firma dell'oggetto 3D. La somiglianza è data dalla seguente formula: somiglianza a b n n ij i1 j1 aij b ij ij Metodo della Spatial Map Based Similarity Le spatial map sono usate come rappresentazioni delle informazioni catturate circa la locazione spaziale di un modello 3D. In altri termini, le mappe spaziali contengono informazioni sulla disposizione dei punti degli oggetti nello spazio Per produrre una spatial map si calcola dapprima l'area totale dell'oggetto preso in considerazione in modo tale da poter effettuare la successiva fase di normalizzazione, dopo di che si confronta questo risultato con l area delle sezioni dell oggetto 3D ottenute intersecando la forma con delle sfere concentriche. A questo punto si produce l'istogramma facendo variare il raggio delle sfere e calcolando di conseguenza l'aria che racchiude. Di seguito si mostra un esempio di spatial map ottenuta: 9

10 Figura 2 - Esempio di Spatial Map Figura 1 - Esempio di Spatial Map Metodi Graph-based Invece di sfruttare la geometria del modello in esame, i metodi graph-based pongono l'attenzione su come varie figure primitive, tra le quali cubi, sfere e cilindri, sono messi in relazione per costruire l'oggetto 3D in esame. In altri termini questi metodi cercano di estrarre un significato geometrico da una figura tridimensionale. La sequenza di operazioni effettuate getta le basi per la costruzione del grafo. Metodo Model graph based similarity La similarità basata su metodi grafici è molto facile da implementare in sistemi di progettazione, come il CAD, che sfruttano i metodi di rappresentazione di tipo B-Rep (Boundary Representation) oppure CSG (Constructive Solid Geometry). La Boundary Representation, spesso abbreviata con B-rep o BREP, è un metodo di rappresentazione delle figure che usa i limiti esterni della figura. Un solido è rappresentato come una collezione di elementi di superficie connessi.la rappresentazione B-Rep è utilizzata per descrivere un modello 3D in termini di vertici, lati e facce: 3 3 Vertice: Un qualsiasi punto P D R ; Relazione Topologica: Una qualsiasi relazione spaziale tra 2 entità del modello nello spazio 3D; Spigolo: Una tripla di elementi composta da una coppia di vertici e dalla relazione topologica λ tra di essi, ad esempio:. Faccia: Sequenza ordinata di spigoli. C, Y sono il colore della faccia e la sua texture. 10

11 Figura 3 - Boundary Representation in un sistema CAD La rappresentazione Constructive Solid Geometry sfrutta gli operatori di base booleani come unione, intersezione e differenza. Tali operatori vengono applicati alle figure di base per ottenere un oggetto più complesso. L'esempio di seguito, molto esplicativo, mostra come oggetti semplici, opportunamente miscelati, diano come risultato una figura complessa. La figura in basso, quindi, è ottenuta solamente con l'utilizzo intelligente di cilindri, opportunamente ruotati e traslati, sfere e cubi. 11

12 Figura 4 - Esempio di Constructive Solid Geometry Metodo Skeleton based similarity I metodi sovraelencati, anche se ben progettati, sono performanti solo se operano su oggetti inanimati mentre non si prestano bene se accoppiati a forme naturali come quelle di un cane o di un uomo. Per rappresentare numericamente una persona o un animale, bisogna affidarsi ad altri algoritmi sviluppati appositamente per risolvere questo problema. Lo skeleton based similarity si divide in due parti: 1. Voxelizzazione; 2. Creazione Albero. Un Volumetric Picture Element (Voxel) è un elemento di volume, rappresentante un valore su una griglia regolare in uno spazio tridimensionale. Questo concetto è l'analogo del Pixel, che invece viene utilizzato in spazi bidimensionali. Il processo di Voxelizzazione, quindi, non è altro che la produzione di un modello tridimensionale costituito da una collezione di Voxel appositamente collocati. In base alla loro dimensione si ha quindi una riproduzione più o meno fedele del modello in esame. 12

13 Figura 5 - Esempio di voxelizzazione Dopo il processo di Voxelizzazione, si ottiene un grafo aciclico unidirezionale: i nodi, chiamati anche punti scheletrici, sono ottenuti mediante un algoritmo di calcolo dell'assottigliamento e sono quindi collegati tra loro. Una diminuzione dell'assottigliamento comporta un grafo scheletrico più denso. Figura 6 - Grafo ottenuto dopo la voxelizzazione Di seguito riportiamo alcuni esempi di skeleton graph ottenuti da varie figure animali: 13

14 Figura 7 - Grafi ottenuti da alcune immagini I problemi che affliggono questo tipo di approccio sono: Il tempo di ricerca è proporzionale al numero di grafici al costo di requisiti di spazio crescenti esponenzialmente; Il volume massimo che può avere il modello. Altri Metodi I metodi di seguito non sono catalogabili né come Feature based, né come Graph based. View Based Similarity L'idea principale dietro al metodo View based similarity è che due modelli tridimensionali sono simili se si somigliano da ogni punto di vista. Una naturale applicazione del paradigma è l'implementazione di una interfaccia per l'interrogazione basata sulla definizione di una o più figure che mostrano l'oggetto da diverse prospettive. Per poter sfruttare questo approccio è necessario che ad ogni modello tridimensionale siano associate delle viste in prospettiva diversa. Per questo motivo il metodo di gestione di questa similarity avviene in due momenti: nella fase preprocessuale, per ogni modello 3D viene costruito un descrittore che consiste in un numero fisso di immagini (di solito vengono 14

15 renderizzate tredici viste) mentre durante una query, un disegno o un'immagine 2D è usata come modello per reperire un numero di oggetti 3D la cui immagine è come quella data in ingresso. Ovviamente due immagini sono simili se per ogni punto di vista, si ha somiglianza massima. Questo approccio è molto dispendioso in termini di risorse occupate e di tempo computazionale, ecco perché per diminuire il tempo di reperimento si è adottato un approccio multi fase che supporta l'eliminazione di risultati non rilevanti prima che vengano processati del tutto. Figura 8 - Generazioni di immagini 2D partendo da un modello 3D Adottando questo paradigma, l'utente può trovarsi di fronte a due situazioni: 1. cercare nella base di dati tridimensionale i modelli, scegliendo le viste che vengono proposte in automatico; 2. disegnare in un apposito spazio il contorno dell'oggetto, specificando, all'occorrenza, il punto di vista adottato. Conclusioni Il metodo di misura di somiglianza descritto nel primo paragrafo categorizza gli oggetti in base ai valori di alcune Feature, costruendo quindi un Feature Vector. Dal momento che i valori delle feature sono tipicamente stimati discretizzando una forma in 3D, non ci sono restrizioni di alcun tipo per quanto riguarda la forma e in generale la computazione dei descrittori è semplice e veloce, Questo perché il Feature Vector altro non è che un punto dello spazio k-dimensionale. Due modelli possono essere comparati velocemente calcolando la loro distanza nello spazio mediante la nota formula della distanza euclidea: d n k1 ( p k q k ) 2 15

16 Inoltre l'indicizzazione è diretta e la ricerca può essere implementata efficientemente con un algoritmo di reperimento nearest neighbour. In generale quindi questi metodi sono robusti perché sono basati sulla discretizzazione. I Model Graph sono estratti da una rappresentazione di un modello solido e sono utilizzati di conseguenza in molti sistemi CAD. Tuttavia gli approcci basati su questo metodo sono solo applicabili a modelli solidi, mentre gli Skeleton Graph sono applicabili principalmente a forme umane, o comunque a forme naturali come animali. Gli approcci Model Graph puri hanno una potenza di discriminazione limitata, perché solo la topologia è presa in considerazione. Per mettere una pezza a questo problema, è possibile prendere in considerazione un approccio misto. I vantaggi degli approcci basati su grafo sono multipli. Il primo è che la struttura ottenuta in seguito all'elaborazione del modello non ha bisogno di normalizzazione, inoltre il descrittore creato in questo modo sono particolarmente indicati per l'implementazione di metriche di somiglianza parziali. I difetti di questo tipo di approccio riguardano proprio la costruzione del grafo: infatti piccoli cambiamenti nella topologia possono portare a significanti differenze in somiglianza. Molto recentemente sono stati istituiti database di prova al fine di comparare i vari metodi citati, presentando dei risultati basati su esperienze dirette. I risultati mostrano chiaramente che: L'Extended Gaussian Images è utile per discriminare oggetti fatti dall'uomo da oggetti della natura, ma non è consigliato per dividere in classi gli oggetti in esame; I metodi basati su viste, come il Model View, sono particolarmente efficaci nel classificare i modelli, al costo di una più difficile manipolazione e di una grandezza, in termini di storage, maggiore. 16

17 Capitolo 2 Sistemi di Reperimento All'interno di un sistema di catalogazione devono essere implementati sistemi di estrapolazione di descrittori a partire da oggetti tridimensionali, al fine di implementare una corretta quanto efficace funzione di ricerca. Come abbiamo visto, ogni algoritmo di estrazione presentato in precedenza ha i propri vantaggi e svantaggi che lo fa adatto ad uno specifico campo applicativo. È allora compito del progettista capire quali siano gli scopi della propria base di dati e quindi dedurre quali metodi di estrapolazione di descrittori inserire. Nel tempo sono stati sviluppati tantissime basi di dati contenenti i più disparati oggetti tridimensionali. La più famosa è forse quella fornita da Google reperibile a questo indirizzo: L'archivio contiene al suo interno migliaia di oggetti tridimensionali costruiti con Google Sketchup, tool grafico capace di costruire modelli 3D compatibili con l'altra piattaforma Google Earth. I modelli costruiti con SketchUp saranno quindi non solo disponibili consultando il link precedente, ma saranno anche geo-localizzati qualora rappresentassero una struttura esistente del globo, come il Colosseo o il Partenone. 17

18 3D Search Engine by Princeton Shape Retrieval and Analysis Group Tra i sistemi di retrival sviluppati nel mondo, spicca sicuramente quello sviluppato dai ricercatori dell'università di Princeton chiamato 3D Search Engine. Il tool, presente all'indirizzo web: si presenta sotto forma di comoda interfaccia web e necessita della piattaforma Java. Nel database in questione sono presenti circa modelli tridimensionali liberi, suddivisi in circa 100 categorie tra cui più di 8 tipi di veicoli e più di 10 tipi di velivoli, e circa 5000 modelli commerciali, arrivando così a contare su una disponibilità di circa modelli in totale. Al manager viene affiancato anche un visualizzatore, in grado di fornire una prima anteprima dei risultati restituiti all'utente. Vengono gestiti molti tipi di file tra i quali i meglio supportati sono i seguenti: VRML V1.0, VRML V2.0 (.wrl), PLY (.ply), Wavefront OBJ (.obj), AutoCAD DXF (.dxf), Unigrafix UG (.ug), DEC OFF (.off), Persistence of Vision POV (.pov) Lo strumento è in grado di effettuare ricerche di modelli tridimensionali sfruttando diversi approcci: 1. Testo: A ogni modello presente nella base di dati viene creato un documento contenente il nome del modello e l'autore. Viene inoltre archiviato il testo attinente e le etichette ad esso associate se l'oggetto è stato prelevato dal Web. Il documento così ottenuto viene processato per essere stilizzato e seguire un formato comune. La query testuale è l'interfaccia più semplice da implementare ed è per questo che dovrebbe essere implementato in qualsiasi gestore; 2. Modello 3D: Il motore è in grado di ricercare modelli tridimensionali partendo da uno fornito dall'utente. In alternativa è possibile cliccare sul tasto Find Similar Shape presente sotto ogni figura restituita da precedenti query per cercare modelli simili a quello selezionato; 3. Disegno 2D: Un approccio alternativo è quello di far disegnare all'utente uno o più figure 2D. In questo modo il programma ricercherà nella base di dati i modelli che 18

19 hanno proiezioni simili a quelle date in ingresso; 4. Disegno 3D: Approccio da preferire quando l'utente possiede un modello 3D di qualità. Il sistema applica le metriche discusse in precedenza per cercare modelli simili a quello dato in ingresso; 5. Navigazione: è ovviamente possibile consultare i più di mille modelli presenti nella base di dati per poter scegliere e vedere quello che più ci aggrada grazie al visualizzatore integrato. Figura 9 - Navigazione tra i modelli esistenti 19

20 Figura 10 - Query mista testo più prospettiva 20

21 3D Building and Querying System 3D Building and Querying System è il software di gestione di basi di dati 3D sviluppato dai ricercatori del dipartimento di informatica e sistemistica dell'università di Napoli Federico II. Il programma si presenta come un desktop software di facile utilizzo ma allo stesso tempo molto potente. Il programma, così come ci indica il nome, è capace non solo di effettuare ricerche nella base di dati, ma anche di creare oggetti tridimensionali. L'applicazione supporta due metodi di creazione di oggetti tridimensionali: Attraverso un interprete di un linguaggio appositamente creato: il 3D Building and Querying Language (3DBQL); Attraverso un wizard grafico che ne semplifica la composizione. Il linguaggio 3D Building and Query Language (BQL) nasce per semplificare tutte quelle operazioni di query che un generico utente potrebbe non conoscere. Il linguaggio, utile per la creazione, la manipolazione di oggetti tridimensionali e per effettuarne la memorizzazione e la ricerca all interno di database, nasce per utenti che hanno poca esperienza nel campo delle basi di dati e con linguaggi di query, ma che necessitano comunque di costruire un ambiente tridimensionale in maniera rapida. Il 3DBQL è un linguaggio di querying progettato appositamente per l utente medio: offre infatti la possibilità di operare con oggetti tridimensionali sfruttando un linguaggio naturale, basato su comandi intuitivi e con il minore numero possibile di parametri. Tutto questo è possibile perché il software sfrutta appieno la tecnologia ANTLR 1 per il riconoscimento e l interpretazione del linguaggio e la sua traduzione in comandi di livello più basso, interpretabili dall engine sottostante. 1 ANTLR (ANother Tool for Language Recognition) è uno strumento linguistico che offre un framework per costruire riconoscitori, interpretatori, compilatori e traduttori da una descrizione grammaticale contenente azioni, in una varietà di linguaggi target. 21

22 I comandi di 3DBQL vengono raggruppati in tre distinte categorie: 1. Definizione di oggetti; 2. Manipolazione di oggetti; 3. Operazioni di interrogazioni su database. 3DBQL è un software che effettua le ricerche di oggetti tridimensionali utilizzando tecniche di retrieval by example e sfruttando un estrazione di descrittori basata sulla Boundary Representation. Ciò significa che i descrittori di ogni singolo file memorizzato nella base di dati poggiano sui concetti di Vertice, Spigolo, Faccia, Reticolo nel capitolo precedente introdotto. Questa scelta progettuale forza un modello dei dati così impostato: 22

23 3D Building and Querying System supporta il retrieval con approccio query by example utilizzando le seguenti tecniche di somiglianza: Face Similarity - Siano A e B due facce: un operatore di Face Similarity è un operatore binario che restituisce un valore booleano vero se esiste una trasformazione completa, composta da una rotazione, una traslazione ed uno scaling, tali che permettono di sovrapporre perfettamente le facce A e B Figura 11 - Operatore di Face Similarity Reticulum Similarity Siano N e M due reticoli. La similarità tra essi è verificata se tutte le facce appartenenti al primo reticolo sono simili alle facce appartenenti al secondo reticolo e viceversa. Se la query restituisce più risultati, il tool risponde creando automaticamente i reticoli R3, R4,...Rn. 23

24 Figura 12 - Esempio di Reticulum Similarity Reticulum K-Similarity Sia k N e siano N e M due reticoli. La condizione di somiglianza di ordine k si verifica se due reticoli contengono k facce ognuno tra loro similari a coppie. Figura 13 - Esempio di Reticulum k-similarity 24

25 Reticulum Subset Similarity Siano M e N due reticoli. Un operatore di Reticulum Subset Similarity è un operatore binario booleano che è vero se esiste un sotto-reticolo contenuto nel secondo che sia similare ad esso. Figura 14 - Esempio di Subset Similarity Come è lecito aspettarsi, le operazioni di query elencate possono restituire più risultati. Lo strumento è progettato in modo tale che ai risultati multipli vengono associati tag aventi un valore numerico crescente: R1,R2,,Rn. 25

26 Conclusioni Ricapitolando, dunque, le basi di dati stanno assumendo un ruolo sempre più fondamentale nella società odierna grazie alla sempre crescente potenza messa a disposizione dai moderni calcolatori. È infatti questa potenza di calcolo che ha reso fattibili algoritmi complessi per l estrazione di un descrittore e quindi il successivo calcolo della somiglianza tra target e modelli appartenenti alla base di dati nelle query by example. Questo ha condotto le basi di dati a memorizzare contenuti sempre più variegati e complessi, partendo da file di solo testo, arrivando a file multimediali e oggetti tridimensionali. Grazie alle crescenti prestazioni della rete, è notevolmente agevolata anche la condivisione di questi modelli, che rende di fatto accessibile la conoscenza a una vasta gamma di utenza. Con l ausilio della costruzione di basi di dati accessibili al pubblico, è stato possibile presentare i contenuti acquisiti in varie maniere e soprattutto sotto vari punti di vista. Questa varietà rende partecipe l utente che a sua volta può non solo usufruire dei modelli reperiti, ma vuole anche contribuire all espansione dell offerta. Grazie ad appositi tool sempre più user-oriented, come 3D Building and Querying System, questo volere è assecondato e creare contenuti, anche di difficile concezione, diventa ancora più semplice e immediato. 26

27 Bibliografia [1] [Silvio Savarese] [2009] [ lectures/lecture6_2.pdf] [2] [Benjamin Bustos, Daniel A. Keim, Dietmar Saupe, Tobias Schreck, and Dejan V. Vrani c] [ &type=pdf] [3] [JohanW. H. Tangelder Remco C. Veltkamp] [2007] [ ~silvio/teaching/eecs598/papers/survey_remco.pdf] 27