Présenté à. Institut des Sciences et Techniques de l'ingénieur d'angers. en vue de l obtention. du diplôme de Master Recherche. par.

Transcription

1 MEMOIRE Présenté à Institut des Sciences et Techniques de l'ingénieur d'angers (Laboratoire d'ingénierie des Systèmes Automatisés) en vue de l obtention du diplôme de Master Recherche par RAGOUBI Refka Exploration d une base de données via les techniques de réalité virtuelle Soutenu le 27 Juin 2008, devant la commission d examen : M. Paul Richard Co-encadrant M. Julien Blanchard Co-encadrant M. Fabrice Guillet Co-encadrant

2 Exploration d une base de données via les techniques de réalité virtuelle L extraction de connaissances à partir de données (ECD) s appuie sur le fait que l esprit humain traite facilement des informations visuelles et en extrait rapidement un grand nombre d informations et de connaissances. Cette technologie nécessite la visualisation de l information à l aide de la réalité virtuelle pour permettre à l utilisateur d interagir avec les données afin d extraire les règles. Le processus d interaction et de visualisation se fait à l aide d une interface graphique pour la conception d application générant d image 3D. Notre travail consiste à améliorer la visualisation et l interaction de l utilisateur à l aide des techniques de réalité virtuelle en utilisant la librairie OpenGL dans la programmation C++. The extraction of knowledge from data (EDC) is based on the fact that the human mind deals visual information easily and quickly extracts a large amount of information and knowledge. This technology requires the display of information using virtual reality to allow the user to interact with data in order to extract the rules. The process of interaction and display is done using a graphical interface for designing application generating 3D image. Our job is to improve the display and user interaction through virtual reality techniques using the library OpenGL programming in C + +.

3 Figure1. 1 : Graphe d items Figure1. 2 : Environnement de représentation des objets Figure1. 3 : Placement des objets sur l arène Figure1. 4 : Encodage graphique dans ARVis Figure 2. 1 : Interaction de l utilisateur avec le monde virtuel Figure 2. 2 : Interfaces d'interactions visuelles Figure 2. 3 : Principe de la réalité augmentée Figure 2. 4 : Différents types de menus 3D Figure 2. 5 : interface d affichage des hits après la sélection Figure 2. 6 : Différentes interactions avec la souris Figure 2. 7 : Différentes position de la caméra Figure 2. 8 : Interface d affichage des différentes vues Figure 2. 9 : Gants de données Figure 3. 1 : Insertion de lumière sur l objet Figure 3. 2 : Sauvegarde de l'historique de l'interaction Figure 3. 3 : Exploration du monde fils... 36

4 Chapitre Introduction Découverte des connaissances : problèmes fondamentaux Fouille et extraction de données visuelles : Présentation : Caractéristiques d un système de fouille de données : Encodage graphique : Outils de visualisation interactive : Présentation : Nuage de points : Méthodes visuelles à base de points d intérêts : Présentation : Interaction avec la visualisation : Méthodes visuelles avec ARVis : Méthodologie de Rule-Focusing : Description de l outil de visualisation ARVis : Principe de fonctionnement de l outil : L encodage graphique dans ARVis : Interaction avec la visualisation : Conclusion : Chapitre Introduction La réalité virtuelle Présentation Objectif de la réalité virtuelle dans la visualisation de l information La stéréoscopie : Vision en relief La réalité augmentée Principes de la réalité augmentée Apports des techniques de RV/RA Immersion pseudo-naturelle Techniques d interaction et immersion dans les environnements virtuels (EV) Présentation Les techniques d interactions en RV Classification des techniques Les tâches d interactions dans un monde de données : Les artifices d interactions en 3D La sélection et la manipulation Matériels dédiés à la sélection et la manipulation Conclusion... 27

5 Chapitre Introduction Le VRML (Virtual Reality Modeling Language) Présentation Le monde virtuel dans le VRML Création du monde virtuelle avec le VRML Interaction avec le VRML Conclusion L interface de programmation OpenGL (Open Graphics Library) Présentation Fonctionnalités d OpenGL Exploration graphique de la base de données avec OpenGL Le Picking Ray Casting Pointeur 3D Exploration de l objet Conclusion Conclusion... 36

6 Introduction Générale 1 Donner un sens à toute l information contenue dans les bases de données (BD) est un défi pour les chercheurs en informatique. La notion de découverte de connaissances dans les bases de données est en général appréciée sous sa forme brutale de fouille des données (FD, Data Mining ). Nous utiliserons ici l expression : extraction de connaissances à partir des données (ECD). L ECD a été définie comme l extraction, à partir des données, d une information implicite, inconnue auparavant et potentiellement utile, nous reviendrons sur cette définition dans le chapitre 1. Comme nous allons le voir, ceci signifie que ce domaine présente un intérêt commun pour les chercheurs en apprentissage symbolique automatique, automatisation de la découverte, statistiques, BD, acquisition de connaissances, visualisation des données et systèmes experts. Depuis des travaux comme ceux de Fisher sur la base de données des Iris (Fisher 1936), les représentations des données ont évolué grâce aux possibilités offertes par les machines. Dans de nombreux domaines d application, les bases de données ne sont plus seulement constituées de données numériques ou symboliques mais peuvent être également enrichies par des données sonores, des images, des vidéos, des adresses web, etc. L apparition de la réalité virtuelle a également permis des avancées importantes dans le domaine de la visualisation et de l interaction avec l utilisateur. Des mondes virtuels peuvent être construits en combinant un affichage avancé, des capteurs et des effecteurs. L affichage s effectue en temps réel et en 3D, bien souvent de manière stéréoscopique. Des capteurs 3D détectent les mouvements de l utilisateur. Des effecteurs à retour d effort simulent les effets des actions virtuelles. La réalité virtuelle rend l interaction homme-machine très intuitive. C est la raison pour laquelle nous étudions également comment elle peut être utilisée dans le «visual data mining». Dans ce rapport, nous nous intéressons aux deux points que nous venons d évoquer : aider un expert du domaine à percevoir des informations/connaissances dans des données multimédia avec l aide de la réalité virtuelle. La suite de ce rapport est organisée de la manière suivante : le chapitre 1 présente un état d art des travaux liés au visual data mining et

7 Introduction Générale 2 les différentes outils de visualisation interactive. Le chapitre 2 décrit l intérêt de la réalité virtuelle dans la fouille visuelle de données. Le chapitre 3 présente les logiciels utilisés pour l interaction de l utilisateur avec les données. Le chapitre 4 conclut sur les perspectives qui découlent de ce travail.

8 Chapitre 1: Sommaire : 1.1. Introduction Découverte des connaissances : problèmes fondamentaux Fouille et extraction de données visuelles : Présentation : Caractéristiques d un système de fouille de données : Encodage graphique : Outils de visualisation interactive : Présentation : Nuage de points : Méthodes visuelles à base de points d intérêts : Présentation : Interaction avec la visualisation : Méthodes visuelles avec ARVis : Méthodologie de Rule-Focusing : Description de l outil de visualisation ARVis : Principe de fonctionnement de l outil : L encodage graphique dans ARVis : Interaction avec la visualisation : Conclusion :... 13

9 Chapitre 1- Extraction de connaissances à partir des données Introduction Donner un sens à toute l information contenue dans les bases de données (BD) est un défi pour les chercheurs en informatique à cause de la taille gigantesque des données stocké qui ne se cesse de croître. La notion de découverte de connaissances dans les bases de données est en général appréciée sous sa forme brutale de fouille des données (FD, Data Mining ). Nous utiliserons ici l expression : extraction de connaissances à partir des données (ECD). L ECD a été définie comme l extraction, à partir des données, d une information implicite, inconnue auparavant et potentiellement utile [Fra92]. Ce domaine présente un intérêt commun pour les chercheurs en différents domaines : - En apprentissage symbolique automatique (ASA). - En automatisation de la découverte, statistiques, BD. - En acquisition de connaissances, visualisation des données et systèmes experts. Pour affronter ce défit les chercheurs on besoin de techniques d exploitations des données pour trouver des formes intéressantes qui aident à expliciter une information auparavant cachée dans les données Découverte des connaissances : problèmes fondamentaux - La représentation des connaissances. - La sélection des attributs. - La prise en compte des données manquantes, bruitées et rares. - L extraction de règles utiles. Ce processus n est pas une mission simple, mais un processus compliqué pour ce faite des chercheurs on adopté une méthode nommé fouille visuelle de données qui a permis d aider l utilisateur à exécuter ce processus de façon a réunir fiabilité, facilité et rapidité Fouille et extraction de données visuelles : Présentation : Le but essentiel de cette théorie consiste à impliquer plus fortement l utilisateur dans le processus de fouille et d extraction de donnée par des méthodes graphiques interactives dans un environnement de fouille et de mieux visualiser les données pour permettre à l expert de mieux extraire les règles.

10 Chapitre 1- Extraction de connaissances à partir des données 5 Les recherches réalisés jusqu'à maintenant mentionnent utiliser de nombreuses méthodes de visualisations pour l analyse exploratoire et la fouille de données.les méthodes de visualisations sont utilisés pour le prétraitement de données (sélection) ou le post-traitement de données (affichage des résultats). La fouille et l extraction visuelle de données est d une part la représentation des données sous formes de signes visuels permettant une interprétation direct facilitant l accomplissement de la tâche à réaliser par l expert en s appuyant sur le fait que l esprit humain traite facilement des informations visuelles et en extrait rapidement un grand nombre d information et de connaissances, et d autre part de permettre une interaction, souvent très intuitive, entre l expert et cette visualisation, prenant la forme généralement de «requêtes graphiques» Caractéristiques d un système de fouille de données : Un système de fouille de donnée se caractérise par : 1-L adaptabilité à tout types de données. 2-La représentation des connaissances par des objets (Encodage graphique). 3-Le raisonnement par classification. 4-L utilisation des connaissances lors des recherches. 5-L outils de visualisation des données et des résultats. 6-La réutilisation et le suivit des connaissances extraites Encodage graphique : L encodage graphique est l étape la plus importante pour la visualisation de l information : il s agit de réécrire les données sous forme d objet graphique qui peuvent prendre plusieurs dimensions de zéro à trois en associant à chaque variable dans les données une variable graphique. Concernant l encodage graphique, les interactions consistent à modifier les associations entre donnée et graphisme. Concernant l affichage et la transformation de la vue on peut citer quelque technique d interactions : - Le contrôle du point de vue, qui s effectue par translation, rotation, ou zoom, et peut être excentrique (l utilisateur déplace la représentation alors que le point de vue est fixe) ou bien égocentrique (l utilisateur déplace le point de vue alors que la représentation est fixe) ;

11 Chapitre 1- Extraction de connaissances à partir des données 6 - Les vues multiples qui permettent à l utilisateur d avoir une vue globale et une vue détaillée sur la même représentation Outils de visualisation interactive : Présentation : Les méthodes de fouille visuelle de données ("Visual data mining") tentent de résoudre les problèmes d interprétation et d interaction dans les processus de découverte de connaissances en faisant appel a des visualisations dynamiques et à des requêtes graphiques sur les données et connaissances représentées. Nous pouvons citer l exemple des visages de Chernoff [Che73] qui représentent des données sous la forme d icônes en s appuyant sur le fait que l esprit humain analyse facilement les ressemblances et différences entre visages. Nous pouvons citer également les "scatter plots" [Bec87] qui permettent d obtenir des vues multiples sur les données et d observer les données à l aide de techniques graphiques comme le "brushing" qui donne la possibilité de sélectionner des données dans une vue tout en soulignant ces mêmes données dans les autres vues. Ces méthodes apportent des nouveautés et poursuivent des objectifs qui sont prometteurs pour le domaine de la fouille de données : utilisation de la perception visuelle et souvent de la perception pré-attentive [Hea93], interaction dynamique avec les données, simplicité d utilisation, exploitation directe des résultats. Cependant, ces méthodes ont également des limites en ce qui concerne la fouille de données : les données visualisées sont le plus souvent numériques, les visualisations et leur manipulation nécessitent un apprentissage (comme c est le cas par exemple pour interpréter des graphiques de types "parallel coordinates" [Ins85]), l interaction dynamique demande beaucoup de ressources de calcul et doit donc faire appel à des algorithmes les plus rapides possible (mais qui doivent par ailleurs fournir le plus d information possible). Plusieurs travaux on été de données faite dans ce domaine et plusieurs méthodes on été proposé pour essayé de remédier aux problèmes de fouille. On peut citer la méthode de nuages de points, la méthode à base de points d intérêts utilisés pour la visualisation de données textuelles et la méthodologie de visualisation à l aide d ARVis (Association Rule Visualisation). Dans la suite on va expliquer le principe de ces trois méthodes.

12 Chapitre 1- Extraction de connaissances à partir des données Nuage de points : Une des représentations 3D les plus courantes en visualisation d information est le nuage de points 3D. Il s agit là d une description tridimensionnelle. Elle permet de visualiser, entre autres, si un lien existe entre trois facteurs. Sur ce type de graphique, on peut noter l existence de points marginaux (points isolés) sur lesquels on peut s interroger : s agit-il de points aberrants ou de points atypiques? Une liaison faible doit exister entre les montants les trois facteurs. En bref, ce type de graphique peut être enrichi en faisant figurer, par exemple, pour chaque point, une couleur différente. On peut complexifier encore davantage le graphique mais il ne faut pas perdre de vue l objectif d une telle représentation : comprendre en un coup d oeil ce qu il y a d informatif dans les données. La principale innovation du graphe de nuage de points 3D par rapport à la 2D est l utilisation du rendu volumique, une technique classique en visualisation scientifique (en particulier en imagerie médicale) qui consiste à n afficher que les voxels qui représentent une certaine densité de matière. Cette technique a été adaptée aux nuages de points 3D dans [Bec97], faisant de l opacité de chaque voxel une fonction de la densité de points Méthodes visuelles à base de points d intérêts : Présentation : Cette méthode est désignée par les termes "points d intérêts" ou "points de références". Il s agit dans cette méthode de positionner sur une surface, représentée par un disque, quelques icônes (POIs) relatifs aux attributs d une donnée et ensuite d afficher les icônes des données à des positions déterminées par la similarité entre les POIs et les données. Par exemple, cette visualisation a été utilisée comme méthode d affichage de documents issus d un moteur de recherche, facilitant la navigation dans l ensemble des documents retournés par une requête. Les POIs sélectionnés sont généralement des mots clés utilisés dans la requête et les données sont les documents se positionnant par rapport à ces mots-clés. Le choix des mots-clés dépend de la fréquence de leur occurrence dans les documents. Pour visualiser ces données, on utilise en général pour cela des techniques à base de ressorts et de forces, la force s exerçant entre un POI et une donnée étant proportionnelle à la similitude entre ce POI et cette donnée.

13 Chapitre 1- Extraction de connaissances à partir des données 8 Il existe des systèmes appelés VIBE [Kor91], ou un système rigoureusement simplifié de VIBE [Mor02], SQWID [McC97], Radviz [Hof99] ou encore la visualisation radiale du système Information NaD. Da Costa et G.vigator [Au00] utilisent ces principes. Parfois il est difficile de voir exactement vers quel point d intérêt est attirée une donnée. Dans ce cas ces systèmes permettent alors de supprimer et d ajouter des points d intérêt sur le disque pour permettre une meilleure représentation des données. Ce sont les principales opérations interactives proposées par ces méthodes. Radial [Au00] est une visualisation qui est très semblable au système VIBE [Kor91], à Radviz [Hof99] et à Lyberworld [Hem94]. Initialement, après extraction du résultat de la requête, Radial identifie une série de termes clés relatifs à ce résultat. Ensuite les 12 premiers termes les plus recensés dans l ensemble du résultat sont arrangés tout autour d un cercle. Il est possible de modifier la liste des termes affichés, le choix se faisant sur deux listes placées à gauche de l écran. Un nuage de points est alors affiché à l intérieur du cercle, un point représente une donnée. Il n est affiché que les données en rapport avec les mots-clés alignés autour du cercle. Un point est comme suspendu par des ressorts reliés aux mots-clés en rapport avec celui-ci. Il est donc impossible de déplacer un point en cliquant dessus, du fait des forces exercées par les ressorts. Par contre, en cliquant sur un point, les mots-clés en rapport avec ce point sont éclairés et une bulle affiche des informations sur cette donnée. Il est possible de déplacer les termes à l extérieur du cercle et ainsi de déplacer tous les nœuds des données en rapport avec ces termes. Ceci permet de faire un classement manuel des résultats en catégories. Tous ces systèmes ont montré que ce type de visualisation dynamique apporte un grand intérêt pour l utilisateur qui peut extraire lui-même de l information en toute simplicité. La rapidité d affichage couplée à la possibilité d interaction apportent un plus à ces méthodes. Par ailleurs, elles peuvent a priori visualiser des données de différentes natures comme des données symboliques ou numériques. A notre connaissance, ces méthodes à base de points d intérêt n ont pas encore été utilisées pour la fouille visuelle de données comme nous allons le présenter dans les sections qui suivent Interaction avec la visualisation : Pour être réellement efficace, la visualisation d information doit être interactive et permettre d affiner et de dynamiquement l affichage répondre aux requêtes graphiques de l utilisateur. Dans avec la visualisation des POIs, l utilisateur peut : - Pointer avec la souris sur les points.

14 Chapitre 1- Extraction de connaissances à partir des données 9 - Faire un "zoomer" sur une donnée par clic de la souris. Le zoom qui se déclenche alors effectue les opérations suivantes : il centre la donnée sur le centre du cercle, il agrandit la zone centrée sur cette donnée et repousse les autres données vers les bords de la visualisation. Ce zoom permet de grossir la vue tout en conservant l ensemble des données. - Enlever un POI. Cela s effectue très simplement en faisant glisser un POI à l intérieur du cercle. La vue est recalculée dynamiquement. Une transition dynamique et progressive est mise en place pour que l utilisateur puisse suivre le changement de représentation. - Annuler son action, ce qui a pour effet de remettre le POI sur le cercle. Ces fonctionnalités sont très importantes puisqu elles vont permettre à l utilisateur de redéfinir à volonté la représentation. De cette façon l utilisateur peut représenter des données "idéales", n existant pas réellement, et par rapport auxquelles l utilisateur voudrait positionner les données réelles Méthodes visuelles avec ARVis : Méthodologie de Rule-Focusing : La méthodologie de «Rule-Focusing» consiste à laissant à l'utilisateur la possibilité de naviguer librement dans le grand ensemble de règles en explorant des sous-ensembles limités de ces derniers au moyens d une représentation graphique des règles et de leur indices. Cette méthodologie a été mise en œuvre dans l outil de visualisation ARVis (Association Rule Visualisation) Description de l outil de visualisation ARVis : ARVis (Association Règle Visualisation) est un outil visuel d'extraction et de post-traitement de règles d association, il est basé sur l application de la méthodologie de «Rule-Focusing». Il a été développé initialement pour l entreprise PerformanSe SA afin de pouvoir trouver des connaissances pour l aide à la décision dans la gestion des ressources humaines. Il existe deux versions d ARVis : la première à été développé dans les travaux de thèse de Lehn sur la visualisation des règles d association par des graphes [Leh00] et qui n implémente la méthodologie de RF que partiellement. Ces travaux qui ont débouché sur la réalisation de l outil PerformanSe-FELIX. Dans PerformanSe-FELIX, l utilisateur visualise les règles par un graphe d itemsets (Figure 1-1).La deuxième version est l implémentation la plus complète de la méthodologie

15 Chapitre 1- Extraction de connaissances à partir des données 10 RF. Contrairement à la première version, elle propose de multiples relations de voisinage et utilise un indice descriptif d écart à l équilibre, un indice descriptif d écart à l indépendance, un indice statistique d écart à l équilibre, et un indice statistique d écart à l indépendance pour évaluer les règles (ce que la méthodologie RF préconise). C A B D E Figure1. 1 : Graphe d items Principe de fonctionnement de l outil : ARVis estime des règles à conclusion simples c est à dire ne comportant qu un seul item en conclusion. Ce choix est d'habitude effectué pour la recherche de règles d association. Spontanément les utilisateurs sont souvent intéressés par ces types de règles parce qu ils sont plus intelligibles que ceux qui contiennent des conclusions multiples L encodage graphique dans ARVis : Comme nous l avons déjà mentionné précédemment l encodage graphique sert à représenter graphiquement les différentes règles et met en évidence les meilleures d entre elles. Dans ARVis une représentation 3D a été choisie pour l implémenter dans la méthodologie RF. Il s agit d un paysage naturelle(ciel bleu et sol verdâtre) Contenant des entité sous forme de boule sphérique posé au dessus d une cône représentant l ensemble de règles extraites le tous contenu dans une arène sphérique transparente pour permettre de voire le monde des entité de l extérieur de l arène. Pour pouvoir appliquer la méthodologie de «Rule-Focusing» il a fallu opter pour un encodage graphique qui s appuie sur des positions et des tailles pour mettre en valeur les indices de règles. Dans un paysage de donnée, la position d un objet pourrait nous permettre d encoder deux indices.cependant, étant donné que des règles différentes peuvent présenter

16 Chapitre 1- Extraction de connaissances à partir des données 11 les mêmes valeurs d indice, il est nécessaire de laisser une dimension libre pour pouvoir répartir les objets dans l espace et éviter qu ils ne se chevauchent. Un seul indice de règle est donc encodé par la position dans ARVis. Afin de faciliter la perception de la profondeur dans l environnement 3D, les objets sont disposés sur une aréne sphérique transparente pour voir les entités de l extérieur (Figure1-2).Ce qui permet de détecter profondeur et hauteur : plus l objet est situé à l arrière de la scène et plus il est placé en hauteur (Figure 1-3). L arène nous permet également de réduire les occultations entre objets. L encodage graphique sera donc comme suit : - La position de l objet représente l intensité d implication, - La surface visible du cône représente la confiance, - La surface visible de la sphère représente le support, - La couleur de l objet représente une moyenne pondérée de confiance et de l intensité d implication, ce qui donne une idée synthétique de la qualité de la règle. L encodage graphique permet de mieux comprendre la classification des règles et permet aussi d éliminer les mauvaises règles, on aura la possibilité d accéder mieux aux bonnes règles. Dans la première version d ARVis, étant donné que la relation de voisinage combine spécialisation et généralisation, chaque paysage 3D contient deux arènes : une pour les règles spécifiques et une pour les règles générales. Afin de bien dissocier les deux types de règles, les deux arènes sont placées face à face et l utilisateur débute l exploration de chaque paysage entre les deux arènes. De plus, le paysage que l utilisateur peut faire apparaître en appliquant une relation de voisinage sur une règle est affiché en version rétrécie dans la sphère correspondante. Les entités graphiques qui représentent l ensemble des règles sont caractérisés par des paramètres variables qui permettent de les différenciés les unes des autres à savoir la taille de la boule, l hauteur du cône et la base du cône (Figure 1-4).

17 Chapitre 1- Extraction de connaissances à partir des données 12 Figure1. 2 : Environnement de représentation des objets Figure1. 3 : Placement des objets sur l arène Taille de la boule Hauteur du cône Base du cône Figure1. 4 : Encodage graphique dans ARVis

18 Chapitre 1- Extraction de connaissances à partir des données Interaction avec la visualisation : Les travaux faits à ce jour permettent à l utilisateur de visualiser et explorer les données avec le navigateur VRML et ça pour les applications destinées au web. En effet avec ARVis trois types d interactions sont possibles : - L utilisateur peut explorer le paysage de règles en se promenant librement à l aide des primitives de déplacement du navigateur VRML, il suffit de cliquer sur la sphère d un objet pour afficher le point de vus prédéfini pour la vision rapproché pour cet objet. - L utilisateur peut filtrer les règles et seules les règles qui respectent les seuils sont affichées. - L utilisateur peut naviguer d un sous-ensemble de règles à un autre. Un autre outil peut être utilisé et peut traiter le processus en améliorant la visualisation et l interaction avec l utilisateur il s agit de la bibliothèque OpenGL intégré dans la programmation en C++.Ces deux méthodes vont être expliqué dans la suite Conclusion : Dans ce chapitre nous avons présenté un nouveau domaine de recherche l ECD qui par rapport à des domaines parents, elle est caractérisée par le fait qu elle extrait des connaissances pertinentes intéressantes et intelligibles à partir des données en utilisant aussi des techniques inductives et où toutes données fournies par l utilisateur peuvent être fouillées en se basant sur le principe de la visualisation graphique et l interaction de l utilisateur qui jouent un rôle primordial dans la précision des données à la sortie. Son but est de mesurer la pertinence et l intelligibilité de la connaissance engendrée.

19 Chapitre 2 : Sommaire 2.1. Introduction La réalité virtuelle Présentation Objectif de la réalité virtuelle dans la visualisation de l information La stéréoscopie : Vision en relief La réalité augmentée Principes de la réalité augmentée Apports des techniques de RV/RA Immersion pseudo-naturelle Techniques d interaction et immersion dans les environnements virtuels (EV) Présentation Les techniques d interactions en RV Classification des techniques Les tâches d interactions dans un monde de données : Les artifices d interactions en 3D La sélection et la manipulation Matériels dédiés à la sélection et la manipulation Conclusion... 26

20 Chapitre 2-Extraction de données visuelles et la réalité virtuelle Introduction L analyse exploratoire et l extraction visuelle de données ne sont pas seulement un ensemble d outil mais une méthode d approcher le problème de l extraction de connaissances.ce domaine s est largement améliorer à l aide de la réalité virtuelle qui ne cesse d intervenir dans de différents domaines pour faciliter de plus en plus la tache de l utilisateur et de le faire intervenir pour optimiser les résultats. Dans ce chapitre on va étudier l intervention de la réalité virtuelle dans le domaine de l extraction et de la fouille de donnée visuelles en citant les différentes techniques d interactions utilisé pour ce domaine La réalité virtuelle Présentation C est une simulation informatique interactive immersive, visuelle, sonore et/ou haptique, d environnements réels ou imaginaires. C est aussi une simulation par ordinateur dans laquelle le graphisme est utilisé pour créer un monde qui semble réaliste. Le monde synthétisé n'est pas statique, il répond aux ordres de l'utilisateur (gestes, paroles ou toutes autres commandes extérieures). L utilisation de cette technologie est fondamentale pour toutes les visualisations en 3D car seule la vision stéréoscopique permet de percevoir les trois dimensions Objectif de la réalité virtuelle dans la visualisation de l information La réalité virtuelle permet d interagir en temps réel avec un environnement virtuel multisensoriel via des techniques et métaphores d interaction basées sur les capacités naturelles d action, de perception, et de communication de l homme (Fig. 2-1). Elle commence à être utilisée en visualisation d information, en représentant l information par des objets répartis dans un grand espace affiché en 3D, où elle permet à l utilisateur de naviguer en explorant les données volumineuses et multidimensionnelles aux moyens d interface visuelles immersives. Ces interfaces procurent un grand champ visuel généralement couplé à la vision stéréoscopique, elles peuvent être :