Visualising dense 3D data is a difficult task, as it is often plagued by problems of occlusion of important data. Opacity optimisation is a visualisation method which emphasises important data by modifying the opacity of geometry based its local importance, while retaining the context geometry around it where it does not occlude important parts. Approximate opacity optimisation methods operate on a per pixel basis and calculate the optimal opacity by approximating the sum of importances along a pixel, and use approximate blending methods to composite the final image. In this thesis 5 approximation methods are investigated: Fourier, Legendre, piecewise, power moments and trigonometric moments. Fourier approximation is found to have the best tradeoff between execution time and accuracy. Two rendering pipelines are also investigated, direct rendering and a method using A-buffers. The former method is found to perform better for larger datasets while the latter is quicker for smaller ones.

Att visualisera tät 3D-data är en svår uppgift eftersom viktig data ofta skyms. Opacitet-optimering är en visualiseringsmetod som framhäver viktig data genom att modifiera opaciteten av geometrin baserat på dess lokala viktighetsgrad, samtidigt som den behåller den kontextuella geometrin runt omkring om den inte skymmer viktiga delar. Approximativa opacitetoptimeringsmetoder appliceras på varje pixel och beräknar den optimala opaciteten genom att approximera summan av viktighetsgrader längs en pixel, och använder approximativa blandningsmetoder för att skapa den slutliga bilden. I denna uppsats undersöks fem approximationsmetoder: Fourier, Legendre, piecewise, potensmoment och trigonometriska moment. Fourier-approximation visar sig prestera bästa sett till en avvägning mellan exekveringstid och noggrannhet. Två renderingmetoder undersöks också, en direkt renderingsmetod och en metod som använder A-buffrar. Den första metoden visar sig prestera bättre för större dataset medan den senare är snabbare för mindre.