1 intro
何为可视化?
可视形式进行解释的动作、过程
Function上
功能 |
---|
点 |
线 |
区域 |
间隔(柱状图 |
路径 |
纲要(schema |
从分割来看
- 多边形
- 外形轮廓/contour
形式上 Form
- 大小
- 形状
- 旋转 rotation
颜色
- 亮度
- 颜色 Hue
- 饱和度 saturation
材质
- 颗粒度 granularity
- 样式 pattern
- 方向 orientation
光学 |
---|
模糊 |
透明度 |
从cue上
- cartesian
- polar
- geographic
重要性
- 科学性
- 可视化手段,提升数据分析效率
- 重要性
- 急迫性
input 图像 | input 知识 | |
---|---|---|
output图像 | 图像处理 | 计算机视觉 |
output知识 | 图形学/数据可视化 | others |
作用
- 记录
- 验证假设
- 分析推理
- 交流
感知与颜色模型
感知与认知
- visual attention
- visual recognition
颜色模型
- color model
- harmonious model
- color channel
可视化模型
- 图数据可视化
- graph layout
- community detection (不同的类的联系)
- edge bundling 边缘捆扎
- 层次
- 文本
- 地理数据
- 时空数据
- 科学
- 医学数据
- 高维数据
- 大数据可视化
- 跨媒体可视化
- AI可视化
分析
- 交互系统
- 方法评估
- 可视化交互分类
- 用户评估
2. tool
数据处理
爬取: BeautifulSoup
数据分析: Panda
Excel, Shell, Cygwin
前端框架
2D: AngularJS(MVC) React(JSX) VUE
3D: three.js Unity3D
Qt
设计类
2D
Photoshop
Pixelmator
AI
CorelDraw
Vector Magic
3D:
3DMax
Maya
Blender
可视化
2d
qlik
tableau
db
echarts
leaflet
arcgis
vtk
3 可视分析
以下概念入手
- 任务 task
- 问题
- 目标
- 假设
- 数据 data
- 属性
- 格式
- 领域 domain
- 元数据
- 语义
- 概念
- 惯例
整合以上内容 – 数据处理算法 可视编码 – 图形标记 视觉通道
前期
- 需求分析:明确
- 任务设计:少变换
数据
data 获取
- 属性
- 数学:维度
- AI: 特征
- 统计: 变量
- 格式
- 类型
- 1D 集合,序列
- temporal
- 2D 地图
- 3D 形状
- nD
- 树 hierarchy
- 网 graph
- 存储格式
- bool
- int…
- 抽象格式
- 图片
- 操作
- 可排序性
- 数值
- 类型
data 变换
目的: 简化数据 解决特定问题 提供可视化设计选择
如
- 线性变换
- 对数变换
- 其他函数
- 归一化
- 【分布】映射数据
- color/size/coordinate
- 区间
- 拟合/光滑
- 数据趋势
- m i n ∑ i = 1 n ( y m − y i ) 2 min\sum^n_{i=1}(y_m-y_i)^2 min∑i=1n(ym−yi)2
统计采样
definition:
为近似原分布的特征,统计分布中选出样本
- 因素 本身精度
- data测量精度
- 细节
- 成本
如随机采样,泊松采样
可视设计
统计计算
- 中位数
- 避免极端值
- 计算耗时
- 均值
- 计算快
- 不适用于可排序属性(如胖瘦
- 方差
- 离散程度
- 相似度计算
- 曼哈顿距离
- 欧式距离
- 降维
- 主成分分析
- 多尺度标记
- 聚类
如K-means
随机产生K个中心位置
将每个数据点归为距离最近的中心位置所属的类
• 根据新的类别划分重新计算中心位置
• 回到第二步,直到满足一定约束
视觉编码
表现力
• 准确编码数据包含的所有信息
• 尽量忠于原始数据
有效性
• 符合属性的重要性
可视设计
RGB颜色 或HSL(Hue Saturation Lightness)颜色 Lab颜色
折线图
- 宽高比
- (多尺度45°倾斜,优化横纵比)
- 尺度(区别看68页
- 尺度截断
- 尺度的中断(比如时间跨度
- log中断
柱状图
样式可以使用堆叠,对称等
- 排序
- 尺度
- 偏离设计
- 注意不必要的三维设计
- 以及基准点的设定
饼状图
散点图
- 参考线
盒须图
4 attention color
感知
感知
客观事物,通过人的感受器官,在人脑形成的反应
感受器官:眼耳鼻触觉神经末梢
视觉感知:通过视觉,人脑形成的反应
影响因素
- 轮廓
- 对比
- 非注意盲视
- 突出变化,减轻视觉负担
- 高对比度(同物体间,但不要过度
- 边界
考虑使用 显著性图/视觉重要性/热力图
- 显著性检测
- 应用
- 构图
- 内容缩放
- 眼动仪
认知
关于怎样理解和解释东西 —— 外部认知: 利用大脑以外的资源增强大脑认知
格式塔理论
- 结构比元素重要,视觉形象首先作为统一的
- 共势原则
- 相似原则
- 对称
- 经验原则
- 相对性
- 图形,背景关系 (模糊 大小 对比度
视觉通道
表现力
- 要求视觉通道准确编码数据包含的所有信息
有效性
- 通道表现力符合属性的重要性
因素如下考虑
- 精确性
- 可辨性
- 可分离性
- 视觉突出
色彩/光谱
系统比如
- RGB(加色系统)
- 红黄蓝
- 青,品红,黄,黑 CMYK(减色系统
RGB颜色系统
- 被显示器表达的颜色
- 感知不均匀
HSL
- 色相,人类认为的颜色
- 饱和度 纯度(与灰色的距离
- 亮度 黑色到亮色
Lab
- 感知上均匀
- L近似亮度
- a 红/绿
- b 黄/蓝
5 图
基本概念
- 无向图
- 有向图
- 完全图
- 子图
- 度
- 权重
- 关联矩阵
- 最短路径
相较于树型数据中明显的层次结构,图(网络)数据并不具有自底向上或自顶向下的层次结构,表达的关系更加自由和复杂
应用
- 疾病传播
- 路由器网络
- 搜索引擎
- 协作关系
- 社交网络
- 推荐
解决问题
- 网络结构图形化演示
- 节点排布
- 视觉复杂度
- 交互
显示
- 节点连接
- 分层
- 力导向
- 多维尺度
- 相邻矩阵
- 属性显示
其中力引导算法
物理引擎: 边 – 弹簧, 节点–互斥
弹簧模型
E
S
=
∑
i
=
1
n
∑
j
=
1
n
1
2
k
(
d
(
i
,
j
)
−
s
(
i
,
j
)
)
E_S = \sum^n_{i=1}\sum^n_{j=1}\frac{1}{2}k(d(i,j) - s(i,j))
ES=i=1∑nj=1∑n21k(d(i,j)−s(i,j))
能量
E
=
E
S
+
∑
i
=
1
n
∑
j
=
1
n
r
w
i
w
j
d
(
i
,
j
)
E = E_S + \sum^n_{i=1}\sum^n_{j=1}\frac{rw_iw_j}{d(i,j)}
E=ES+i=1∑nj=1∑nd(i,j)rwiwj
随机生成节点排列
循环
- 节点对计算排斥力
- 边计算引力
- 节点各个力累加
- 合力更新
优点:灵活,容易实现,现成库
局限:局部最优,初始位置影响较大,迭代复杂度O(N^2)
其他形式
- 正交图
- UML
- 环形排列
- 嵌套排列
- 递归
- 合适层次结构
- 弧长链接
节点连接图:
优点:反应网络关系
表现图的结构、簇、路径
灵活
局限:
复杂度大
密集图不适用
相邻矩阵
N*N矩阵,代表N个节点,矩阵内的位置(i, j)表达了第i个节点和第j个节点之间的关系
- 权重
- 方向
相关算法:排序,路径搜索
优点:
- 合适密集图
- 伸缩性强
- 展示图的模式
缺点
- 结果抽象
- 难跟踪路径
可以混合
内部: 关系用相邻矩阵, 外部 点-线
可是 Gmap
平面代表实体,平面联通代表实体关系
还可以边绑定 —— 可能产生误导信息
鱼眼
- 图形非线性变换
- 点和边操控
- 不同焦点的切换
简化
减少点 | 聚类 |
减少边 | 最小生成树 |
交互
- 视角
- 平移
- 旋转
- 缩放
- 图
- 选择
- 高亮
- 移动
- 删除
- 结构
- 重排序/布局
- 上下文+焦点
- 细节
summary
考虑
- 排布
- 简化
- 交互
分析:网络、社会特性
6 层次数据可视化
重点:
- 个体的从属关系
- 社会、自然
- 机构组织
- 物种关系
- 信息组织
- 文件列表
- 函数嗲用
- 逻辑承接
- 决策树
- 社会、自然
有效管理,稳定、可持续
- 公司结构图
- 家谱树
- 物种发展
- 思维导图
- 场景树/行为树
- 文件系统
- 函数调用
层次表达:图结构
G , V , E G, V, E G,V,E
分类
- 无向图
- 加权图
- 不连通图
- 点的度
- 回路
- 无回路图
- 含根节点层次树
- 节点深度
树形、网状是基本方法,重要组成部分
- 节点的度
- 平面性
- 连通性
展示面临挑战
- 节点、边信息展示
- 点和边空间排布组织形式
- 用户对层次数据进行交互式分析探索
- 展示:显示空间如何利用
- 交互 任务相关功能工具
- 微观细节
- 宏观背景
- 子系统汇总,比较不同子系统
关注的重点
- 树形结构
- 父节点,子节点
- 父子节点,兄弟节点的关系
方法
- 节点连接法
- 结构
- 节点连接树
- 双曲树
- 三维树
- 结构清晰表达
- 结构
- 空间填充法
- 结构
- 树图
- Voronoi数图
- 空间利用高
- 结构
- 混合型
- 弹性层次图
节点连接法
图论树形的扩展,核心为:结点和边的位置编码和视觉符号编码,可能遵循以下原则
- 避免边交叉
- 点与边均匀分布
- 边长度统一
- 整体对称,保持一定比例
- 相似子结构可视化效果相似
(他们之间可能会矛盾,需要平衡取舍
可以细分为三种
- 正交布局(网格型布局)
- 缩进图 indent
- 聚类树 dendrogram
- 冰柱图 icicle
- 径向分布(辐射型)
- 镜像布局图
- 双曲树
- 节点在双曲空间分布
- 节点数随深度几何级数增长
- 三维布局
正交布局
节点: 水平 or 垂直对齐. 方向与坐标轴一致。 直观
缺点: 对于大型层次结构(广度较大)导致
电路图
正交,空间高效
- 机器友好
- 用户不友好
缩进图
- 快速,简单
- 支持纯文本(如HTML
- 需要滚轮操作
缺点:容易失去上下文
正交树图实现
简单递归:
- 根据深度,纵轴均分。
- 每个区域对应一层树
- 相同深度属于同一层
- 根据叶数量,均分等宽区域
- 节点布置区域中心
- 节点、父节点连线
径向布局
- 合理利用空间
- 根 —— 圆心
- 不同层次在半径不同同心圆上
- 节点到圆心距离对应深度
- 树结构节点数量随层次增加
三维树 Cone Tree
优点:3D空间扩展显示控件;3D动画降低认知成本。
缺点:大树不适用,三维交互难处理
空间嵌套填充
基于区域可视化,空间分块区域表达个体。
- 可读性
- 距离相关性
- 稳定性
展现为“包含,被包含关系”。 假定每个叶节点有 “尺寸” 属性 —— 磁盘文件,机构图薪水等,父节点尺寸是所有子节点尺寸之和(例子,地图
类别数据数图
本身没有层次结构 —— 层次安排对结果影响骄傲大,吧类别对数据影响程度作为层次
如 房产数据
- 地区:闹市教区
- 类型 别墅商品房
- 周围环境
树图原则
- 层次
- 层次间关系清晰
- 子系统之间统一的数字化度量
- 允许用户控制数图的粒度
一个问题: 逐级纵横切割细分的结果: 狭长四边形, 难和内部节点交互。
- 交替纵切
- 严格正等分
使用Voronoi树图 —— 凸多边形代替矩形
- 圆利用率不高
- 长宽比问题被解决
混合型(节点连接+空间嵌套
弹性层次图
文件浏览器
- 节点、联系表示目录关系
- 文件和目录(最后一级)用空间填充
其他
- 可缩放交互空间
- 时间换空间
- 尺度改变用户掌握
- 不同空间尺度下显示不同层次数据
7 文本可视化
技能频次,词艺术
- 原始文本收集
- 清洗
- 分词
- 标准化
- 特征提取
- 建模
预处理: 过滤无效数据,提取有效词。
特征抽取:key word, 词频, 主题
特征度量:相似性,文本聚类
显示方法
-
词云
- 形状/font/size/color可以定制。
- 还有 主题流
- 故事线
- 文字的动态关系
- 句子的层次关系
未来方向
- 渐进式
- 融合多种媒体(图像视频)
- 社交网络信息
- 可视问答VQA
8 地图
海洋/植被/地形/土壤/岩石,地质,地下空间/城市
可以分为
- 点数据
- 线数据
- 区域
- 三维数据
- 地理空间
点数据
离散点:经纬度坐标,无大小尺寸
- 六边形(蜂窝)网格
- bricks点
- 显著性/热力图
- 空间数据感知编码
- 时间数据感知编码
流线可视化;静态流场,时变流场,从某一点开始的一条柳絮的先,任一点切线与向量场该点方向一致
d x s t r e a m ( s ) d s = u ( x s t r e a m ( s ) , ϕ ) 或 x s t r e a m ( 0 ) = x 0 \frac{dx_{stream}(s)}{ds} = u(x_{stream}(s),\phi) 或 x_{stream}(0) = x_0 dsdxstream(s)=u(xstream(s),ϕ)或xstream(0)=x0
s : 流线轨迹参数, ϕ :某个时间点流场 s:流线轨迹参数,\phi:某个时间点流场 s:流线轨迹参数,ϕ:某个时间点流场
种子点放置
- 覆盖 conveage
- 均匀 uniformity
- 连续 continuity
基于纹理
线
两个/多个线段 or 路径
- 长度属性
- 连接关系
线绑定技术(航线,流动图
区域
等值线图/轮廓线图
- 等值线抽取
- 距离长计算(所属区域中心距离
还可以使用等值区间地图(数据属性在一个区域内平均分布,一个区域用一个颜色表示属性
- 如果是无序数据使用区分度大的颜色
- 课比较数据
- 相同颜色,不同色调/亮度
- 连续变化的颜色
但Chropleth地图会有数据分布 – 地理区域大小对称问题
—— 地理位置大,实际数据较小
- 大数据集中于人口密集区域
- 稀疏地区占据大多数空间
- 大量空间表示小数据
- 空间利用不经济
- 理解错误
保证思维连贯:可以缩放或用别的相似形状,如Cartogram区域缩放算法
- 输入:多边形网格和每个区域对应数值
- 目标
- 变形后多边形面积和数值成正比
- 最小化形状误差,面积误差空间优化问题
- CartoDraw
- 扫描线算法调整多边形顶点位置:交互控制形变,最小化两个误差
判断区域面积大小,rec map, 识别问题。
多元关系
区域属性直接的多关系 —— 连线集合方法表达
气泡集
线集:集合所有点用曲线链接(尽量 避免自相交和弯曲
3D
路线规划,导航,广告,市政,交通模拟
问题
- 传统地图思想不一
- 视觉干扰
- 视觉遮挡
- 道路更多显示空间
- 扩充道路宽度
- 细节保留(转弯,建筑物等
- 放大标志性建筑体积
- 道路更多显示空间
seam carving加入空间,不破坏其他路状态
- 鱼眼放大
- 网格放大
其他形式
- 内容保持缩放
工具
- OpenStreeMap
- mapBox
- Leaflet
- ArcGIS
9 时空数据
相关现象
- 存在性变化
- 特定特征出现/消失
- 地理属性变化
- 地点,形状,大小
- 运动轨迹
- 第三维度
- 主题属性变化
- 定量,定性属性变化
- 混合视图
- 动画比较
- 动画陷阱:习惯,非注意盲视,中心凹实力和边缘视力,快慢变化率,多点变化
非注意盲视
- 不在关注范围
- 变化时间过短
- 变化时间复杂
- 变化不剧烈
边缘实例需要更强的信号
10 科学可视化
空间/标量/矢量/张量/多变量
人机界面,把科学工程数据交互转换为易为感知的图形图像,解释结构、特征、演化规律
- 解释结构特征
- 计算/分析/决策
- 数据拓扑
- 非结构化网络
- 优先元素
- 四面体
- 六面体
- 其他
- 非结构化点
- 材料点
- 平滑粒子流体力学
数据拓扑:数据存储离散位置,介乎中间位置发生了什么?kernel函数,坐标重建,对非组织数据更复杂
标量:密度/温度
向量:风向/立场(一阶张量)
张量:压力/张力/漫射 —— 基于基向量,可以用丰富组合
- 空间维度n:多为3维
- 张量阶数m,小于等于维数n
空间标量数据可视化
坐标图常用于一维数据可视化,注意数据转换,坐标轴转换
- 空间信息有关的属性,值域可取不同的物理属性
二维
- 颜色映射法
- 建立颜色映射表
- 数据变为索引
- (传输函数
- 高度映射法 isocontour
- iso —— 相等
- contour —— 线
- 标记法
- 编码测量到的数据
三维
- 体绘制
- 等值面
- 几何采样
- 直接体绘制
- 图像空间
- 数据空间
- 传输函数
- 等值面
等值面
- 三维数据分割成体素(立方体
- 体素八个顶点值判断是否在等值面上
直接体绘制的问题
- 阈值,极值构造中间曲面
- 细节丢失,分割面扩大
- 更好的图形质量需求
光线投射算法
光线投射算法:图片屏幕的像素,从视点投射像素视线,视线穿过体数据空间 —— 视线的采样值合成像素亮度
1. 体光照模型
- 吸收
- 发射
- 吸收+发射
- 多重散射
吸收(不透明度)/发射模型(颜色 rgb)。
局部光照模型,容易实现,不必考虑间接光照(散射)与阴影。example:phong光照模型
需要考虑等值面法向量 —— 梯度矢量
- 一阶导数 l ( x , y , z ) l(x,y,z) l(x,y,z)
- 高度场:矢量最大,上升方向垂直等值线
- 对正交网格:中心差分
- 边界区域:前向后向差分或逼近二阶差分
2. 体分类
决定吸收的值(不透明度α) 和发射的部分(颜色RGB)
传输函数:关键因素
- 决定体素对最后图像的贡献大
- 材料性质、外观
原则:感兴趣的部分高不透明,反之高透明
设计困难
3. 体采样
简单方法:最近邻域插值
常用方法:三线性插值
体重采样/等距离采样。
问题:delta_t小速度慢,大则漏特征
4. 体积分
物理过程模拟。 两种顺序
- 从后向前
- 比从前向后方法直接简单
- 不存储累计alpha值
- 从前向后
- 可利用早期光线终止算法
- 速度快
跳过空单元。以三维空间数据场为处理对象,从数据空间出发向图像平面传递数据信息,累积光亮度贡献
传输函数
体素标量到光学属性映射
- RGB
- alpha
对数据分类,解释内部结构。 输入数据,输出影响绘制的参数
设计方法
- 数据为中心?
- 标量大小,梯度,曲率,大小,纹理,形状(拓扑/轮廓
- 可见性
- 维度
- 图像为中心?
- 可视分析结合
空间向量数据
向量方向与大小。 信息包括: 趋势,模式
- 基于标量场可视化
- 基于几何
- 基于纹理
- 基于拓扑分析
- 空间
2D:平面流。 2.5d,曲面流,边界流。3D 三维空间流 - 时间
时间维度: 定常流(静态,或一个时间步) 非定常流(时变,瞬态
几何法
基于几何: 线条,箭头,方向标识符。矢量线/面:流线、粒子。
标记方法:
- 实现简单,灵活,直观
- 可视混乱,无法揭示连续性
- 难以表达涡流的特征结构
质量提升:标记方式,降低可是混乱,自适应采样
积分曲线
- 流线/迹线/时间线/脉线/时线
- 流带
- 流管气泡
- 流面
- 流体
对于流线来说:静态流场或时变流场的某个时刻,某一点开始,一条连续曲线。上任一点的切线方向均与向量场在 该点的方向一致
迹线pathline:时变流场: 某一点释放一个粒子在各个时刻形成的一条曲线。
脉线:时变流场某点持续释放例子:形成轨迹线
时线:脉线的扩展,一个其实轨迹/区域不同位置生成脉线
如何提升积分曲线质量?
- 积分曲线的计算
- 欧拉方法
- 快速
- 简单
- 精度低
- 龙格库塔
- 二阶、四阶误差控制
- 自适应步长选择
- 种子点选取,流线放置
- 多 —— 混乱
- 少——不完整
- 性质
- 覆盖
- 均匀
- 连续
纹理
思想: 指定的度量标准进行流线
- 点噪音
- 线积分卷积 LIC
空间张量数据
数据点的值为n维矩阵: 三维数据:3x3x3张量
描述数据在数据点邻域上如何变化
• 扫描设备:人脑中水的弥散
• 模拟:压力,张力
- 标量指数法
- 图标法
- 超二次图元
- 长方体和圆柱
- 纤维追踪
- 超流线
- 主特征向量生成流线
- 线积分卷积
- 拓扑结构分析
多变量数据可视化
- 纹理
- 不同的视觉通道和融合
11 医学可视化
扫描设备:
- x-ray
- MRI
- 计算机断层扫描
- CT
- 核磁共振成像
- ultrasound
直接体可视化:切片重建
最大密度投影
神经外科的可视化
- 入侵最小化
- 锁孔
- 定制
绘制方法
- 体绘制
- 面绘制
- 交互分割 —— 三维图像二值化
- 数学形态学操作进行区域修正
- 等值面
体绘制优点
- 同时显示多组织
- 高解析度
缺点
- 渲染过程复杂
- 交互性差
模型剖切
- 抽样
- 自适应细分
- 删除
- 顶点合并
- 理论感知可视化(视觉颜色识别/颜色效能
- 特征增强可视化
12 高纬度
数据降维:线性/非线性变换把高位投影到低维:保留重要关系(无重要信息损失,保持数据区分)
线性方法
- 主成分分析 PCA
- 多维尺度分析 MDS
非线性
- 等距特征映射 ISOMAP
- 局部线性嵌套LLE
交互 - 灵活轴线法
主成分分析
最大化方差(变量的信息量) —— 最小化投影后损失
降维后,方差对应协方差矩阵特征值 —— 方差最大,要最大特征值,对应特征向量为最佳投影向量
example:人脸数据
- 90%的方差可被 top 50个特征向量捕获
- 50个基图像重建存在的人脸
- 切尔诺夫脸谱图(Chernoff Faces) —— 人脸特征编码不同的值
高纬度相似 —— 降到低维位置较近
方法
• 基于点的方法——散点矩阵、径向布局
• 基于线的方法——线图、平行坐标、径向轴
• 基于区域的方法——柱状图、表格显示、像素图、维度堆叠、马赛克图
• 基于样本的方法——切尔诺夫脸谱图
散点矩阵
二位散点图表达维度之间关系(维度相关性),数目与维度平方成正比
改进:自动方法寻找散点矩阵中可能感兴趣的散点图
径向布局
- 基于弹簧模型,圆形布局
- N维N个锚点
- N锚点作用的N种力量将数据散步园内
平行坐标
坐标轴相互平行,每个数据点对应一条穿过所有坐标轴的折线(唯独相关性)
- 刷新/过滤
- 半透明平行坐标
- 连续式平行坐标
- 结合散点图
- 径向轴
- 径向排列版本
柱状图(基于区域)
- 基本元素
- 高维数据:堆叠柱状图
表格图
热力图,表格镜子
像素图
介于点和区域方法混合
- 有颜色小块表达单属性
- 布局像素块(基于相似度
维度堆叠
离散N维变2维
- 二维空间多个独立数据属性迭代为若干个网络
- 同类格式,不同数据区别
星形图
辐条编码数值
- 一个数据点 一个星形折线
Small Multiples
高维数据多个视图,按邮票大小放于一个视图种
13 交互
表示与交互
- representation:用户关注
- interaction 用户可操作手段
类型
- 高亮,焦点
- 搜索更多信息, 超链接
- 上下文,缩放,语言
- 同意表达,不同参数
- 时间上的过度
交互类型
- 投影 映射
- 过滤
- 缩放
- 失真变形
- brushing linking
新的分类
- 选择
- 信息提示
- 鼠标选择
- 选择时候视觉混乱? —— 放大
- 选择的标签如何可视化? 字符串有限空间的排列问题
- 应可解读,指引性,不遮挡
- 偏心标签
- 用户鼠标接触到数据点之前不可见
- 名称描述每个数据点
- 连接数据点和标签
- 标签排序,显示数据点布局
- 探索
- 显示不同数据,属性
- 用户检查不同数据子集
- 克服显示尺寸限制
- 实例
- 词典链接
- 数字医疗改变视点
- 直接跳转
- 显示不同数据,属性
- 再布局
- 显示不同排列
- (排序重组
- 视觉编码
- 显示不同表示方式
- 核心要素
- 改变外观
- 例子
- 颜色
- 大小
- 方向
- 字体
- 形状
- 显示不同表示方式
- 抽象化具体化
- 抽象级别(更多/更少数据细节
- 例子
- 展开treeMap
- 放缩
- 过滤
- 符合某些条件的数据子集(缩小/扩大,聚焦)
- 某些特定条件改变显示的数据集
- 例子
- 动态查询(自然,反向、撤销、探索,加快效率)(劣势:过于耦合,布尔表达式难指定,全局影响,条件提前确定,尺寸变大,动态查询不实时 —— 尤其是尺寸变大的时候)
- 直方图刷去(brushing, 选择某个柱,数据高亮显示
- 属性浏览
- 案件过滤
- querySketch
- 链接
- 显示相关项目
-
高亮关系
- 常用技术,一个视图选择数据,另一个视图高亮
- 显示有关的被隐藏项目
交互范式
- 概览,细节
- 尺度问题(数据大,无法再屏幕上显示
- 解决方案:数据表达 + 用户交互
- 滚动
- 放大缩小
- 焦点 上下文
- 对偶界面
- 动画过渡
可视化方法技术评估
针对明确的用户目标/使用场景/具体任务,还需考虑其他领域应用
- 对比新老方法
- 确定有效性(目标,任务,场景
- 应用领域
定量评估:假设+验证
- 已有理论提出假设
- 设计评估实验
- 执行方案
- 分析结果
- 基于假设和结果进行讨论思考
- 研究结论改进点
考虑平衡效应
- 顺序效应,学习效应:拉丁方设计
- 实验者效应
定性评估
- 观察
- 访谈
- 扎根理论 Grounded theory
- 技术使用前后对比
14 大数据
15 多媒体
图像
图像数据丰富
用于可视化的图像特征:
• 色彩
• 明暗
• 轮廓
• 场景
时空采样,平均:将时空流内同类图像进行平均
视频
颜色流
线性播放的“视频流”
可视化增强:
• 非线性“视频浏览”
• 提高自动视频分析算法
• 性能
• 检测视频中的物体、特征等
视频立方: 将(平面)视频帧按时间轴堆叠排列;体可视化技术展示视频(流)中的特征
视频签名,视频指纹 - 环形排列+场景对齐
音频
- 弧图(Arc Diagram)表达乐句间的重复匹配关系
- 基于“花瓣”表达音乐特性
联觉通感,
跨媒体
info/data不同没接的分布,互动
- 媒体之间交叉传播,整合
- 学习,推理进行跨越
涉及到
- 文本
- 网络日志
- 视频
- 音频
- 连接关系(超链接
- 社会关系
微博可视化
- 文本(博客
- 社交网络
- 新闻媒体
基于用户关系的信息分享,传播,获取平台:数据分析领域热点话题
显示内容:文本,图像,视频。
隐形内容:人际关系、舆情、突发事件、信息产生传播消亡文章来源:https://www.toymoban.com/news/detail-498777.html
- 属性实时变化
- 时间实时传播
- 交互式可视化
15深度学习
基于学习数据可视化 AI4VIS文章来源地址https://www.toymoban.com/news/detail-498777.html
- 智能化可视化设计
- 智能化可视化推荐
- 语义识别
- 信息隐写与可视化传播
question
- 单选
- 判断
- 问答)传输函数
- 图标,画出来
- 代码理解
- 靠前面的相对重要
- 后三章可能不咋考
- 感知认知,
- 理论,结构最好
- RGB(那一章
- 可视分析
- 了解流程
- 格式类型
- 抽象类型,等于,不等于,其他操作不行( + - 大小与
- 可排序
- 数值
- json理解
- 归一化
- Kmeans
- 常见图表
- 其他了解一下
- 网格图/层次可视化
- 定义
- 知识图谱
- 节点关系语义
- 力引导
- 相邻矩阵
- 边绑定
- gephi neo4j
- 思维导图,函数,文件系统,场景树
- 节点连接法-树状结构
- 镜像布局 -绕一个环
- 空间嵌套填充
- voroni维诺图 气泡
- 文本
- 词云
- 故事线,代表了什么
- 地理可视化
- 墨卡托投影
- 点的可视化(热力图,密度估计
- 流线图
- 数字孪生/元宇宙
- 时空
- 突出变化
- 科学可视化
- 拓扑
- 物理量:
- 张量,压力,漫射
- 体绘制
- 光线投射
- 传输函数
- 流线绘制
- 常见医学数据类型
- 降维
- UMAP
- t-SNE
- 平行坐标
- 大数据
- TB
- PB
- EB
- 多媒体
- 图像视频音频/微博
- 概念
- AI 4 VIS
- IS4AI
到了这里,关于数据可视化笔记 -- 整合的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!