月度存档: 十一月 2013

ManyVis:多应用集成的可视化环境系统(ManyVis: Multiple Applications in an Integrated Visualization Environment)

ManyVis效果展示:集成在幻灯片中的交互式可视化演示,大规模图片浏览与Photoshop软件集成标注系统。

想象这样一个场景:你正做一个最新体可视化工作的演讲,播放到演示页面时,slides上直接出现体渲染的结果。你操纵鼠标对结果平移、缩放、编辑传递函数……实时交互的渲染结果与幻灯片衔接得非常完美,演讲很成功。另一个场景中,生物学家在显微镜旁对正观测的数据进行实时标注。虽然切片观测数据有GB量级之大,科学家依然能够用再普通不过的Photoshop观察某一部分数据,在适当处标注,之后保存导出合成的标注结果。 继续阅读 »

基于噪音模型的多变量体绘制 (Noise-based Volume rendering for the visualization of multivariate volumetric data)

001.feaser

大部分现有的体绘制(Volume rendering)研究都是针对同时可视化单个变量的Volume数据,而比较少研究在同一个Volume中同时展示多个变量的信息。在同一个Volume中展示多个变量,最直观的方法有两种,其一、通过用户控制,快速切换多个变量的渲染;其二、将多个变量混合起来。前者的缺点是用户体验差,无法同时感知两个变量的分布与关系;另外,如果Volume比较大,渲染速度比较慢,就完全退化成两个体绘制。后者的缺点也是比较显示的,虽然它在同一个Volume中展示了多个变量的信息,但是混合过程中,信息损失很严重,且次要变量往往会掩盖主要变量从而误导用户。

继续阅读 »

通过使用离散小波变换的积分直方图来进行高效的局部统计分析 (Efficient Local Statistical Analysis via Integral Histograms with Discrete Wavelet Transform)

image1

从局部区域中计算直方图在很多可视化应用中都有广泛的使用,而且在特征识别和追踪中,允许用户在任意位置和尺寸的区域查询直方图是非常重要的。对于大数据集来说,由于涉及昂贵的I/O以及数据元素的扫描,这会变得非常耗费时间。在这篇文章中,作者提出了一种叫做WaveletSAT的新算法,这种算法利用了积分直方图,积分直方图是积分图(SAT)和离散小波变换(DWT)的扩展。WaveletSAT算法从存储效率,查询性能以及预处理耗费这几个方面来解决了问题,这种算法可以把积分直方图转换成一个稀疏的小波系数集,这样一个任意区域的直方图可以高效得从小波系数中得到重建,并且利用独立的时间复杂度来摒弃了在小波变换之前预先计算积分直方图的方法,由于每个网格点可以独立转换,所以WaveletSAT可以实现并行计算。 继续阅读 »

一种探索多变量数据集的信息感知框架(An Information-Aware Framework for Exploring Multivariate Data sets)

多变量数据集的探索是科学可视化中的一个重要研究方面,可以让人们对多个变量之间的关系进行深入地了解。在单变量系统中,isocontour是一个很常用的手段,可以用来揭示相同标量值的区域。而在多变量数据集中,由于多个变量之间的相互依赖型,等高线可以展示与其关联的变量的信息和交互方式,因此也成为了多变量数据研究的一个重要内容。在这篇文章[1]中,作者提出了一种信息感知的框架来引导用户进行多变量数据的探索。文章使用了信息论的方法来计算变量之间的互信息,还使用了特定信息(specific information)来计算某个变量的标量值与其他变量的相关性,从而使用isocontour对其不确定信息进行探究。除此之外,文中还使用了直观的交互界面,如平行坐标、散点图等。

继续阅读 »

基于贝叶斯模型平均的集合数值模拟预测不确定性的表征和可视化(Characterizing and Visualizing Predictive Uncertainty in Numerical Ensembles Through Bayesian Model Averaging)

集合数值模拟(Ensemble Numerical Simulation)是科学计算中的的常用手段。科研人员可以设定不同的模型参数,得到不同的模拟结果,进而分析模型的不确定性,改进模型等等。例如,在大气模式中,可以参数或边界条件进行调整,比较计算结果,进行决策和分析。集合模拟数据的可视化也是近年来可视化领域研究的热点问题,例如在今年的IEEE SciVis 2013会议中,至少有5篇文章和该问题有关。我们今天介绍的是其中Gosink等人[1]的工作,他们利用贝叶斯模型平均(Bayesian Model Averaging, BMA)的方法对集合模拟数据的不确定性进行表征和可视化。该方法可以通过集合模拟数据和少量的真值(例如稀疏的观测数据)作为输入,比较准确地预测真值(如图1),并评估预测不确定性(Predicative Uncertainty)。

71图1 某生物土壤修复实验中示踪物质的输入井和观测井,示踪物的浓度由集合模拟和观测数值共同获得

 

继续阅读 »

CFD系集模拟数据中物质运输的比较性可视分析 (Comparative Visual Analysis of Lagrangian Transport in CFD Ensembles)

图1:2D convection数据的可视化结果。左图展示了四次模拟中个体方差较大的部分;中图展示了分类空间;右图展示了对系集域空间的可视化。其中绿色表示系集间相似,红色表示系集间差异较大,狼色和白色表示系集间差异程度不确定。

系集模拟是一种常用来研究复杂模型的方法。科学家们在不同控制参数下,重复地运行他们的模型,获得模拟结果,通过分析各模拟运行结果之间的差异,来深入了解参数空间或者模型空间,以求克服现实物理世界的复杂性。在计算流体动力学 (Computational Fluid Dynamics, CFD) 中,物理学家通过在不同的控制参数下,反复地进行系集模拟 (ensemble run),生成多组流场数据。通过比较流场数据,物理学家对流体模型可以有更加深刻地了解。可视分析的引入,使得这个过程更加便利。Hummel等人的工作关注系集流场数据中物质运输行为的比较,提出了他们基于拉格朗日描述的可视分析系统。这篇文章获得了IEEE VIS 2013 SciVis的最佳论文奖。

继续阅读 »

Nanocubes: 对时空数据的事实探索 (Nanocubes for Real-Time Exploration of Spatiotemporal Datasets)

image001

随着信息爆炸时代的到来,数据量越来越大,人们对时空数据的实时处理和探索显得越加困难。想象一下,假如你有一个微博数据集,它记录每条微博发布的时间、地点和发布设备。那么,你如何可以快速地知道到微博的地理分布呢,是上海还是北京的用户发的微博更多?人们是工作日里发的微博多还是周末发的多?每天微博发布的高峰时间是什么时候?人们用什么手机系统发的微博多呢,是iPhone还是Android?在2009年时候是什么情况呢?那么在2012年这种情况发生了变化吗?这些问题涉及到了各个维度上的聚合统计,并且在时间和空间维度还涉及到了不同的粒度。要回答这些问题,最简单的方法或许是扫描一遍数据集,然后获得统计值。但这在日益增长的数据量和实时性的要求下,这种方法显然不适用。

继续阅读 »

对关系网络中模糊重叠的群体进行可视化(Visualizing Fuzzy Overlapping Communities in Networks)

图5 蛋白质案例

可视化一个网络中群体的重叠关系对我们分析网络的结构、发现特殊个体具有重要作用。现在已经有了较多的工作来可视化确切重叠,其中最主要的方法是对重叠节点染色,或者使用欧拉图,凸包等形式来表现群体间的关系。但是可视化模糊重叠的工作很少,这篇来自2013年IEEE InfoVis的文章就是针对网络模糊重叠的可视化提出来一套新颖的布局算法,并给出来两个案例研究。
继续阅读 »

LineUp:多属性排序的可视分析 (LineUp: Visual Analysis of Multi-Attribute Rankings)

图1 LineUp

在日常生活中,我们常常需要对一些事物进行评价从而做出选择、决策。比如,我们要比较不同的大学,为我们报考志愿提供依据;我们比较不同的物质的营养,为我们选择健康美味的食物提高参考。在解决这些问题时,排序是一种常用有效的方法。通过排序,我们能得到关于大学排名、食物和票房电影的排名,这样解决上述的问题似乎就变得容易了许多。对于只有一个属性的事物,理解排名结果是简单明了的,例如歌曲销量排行榜。但在大多数情况下,我们需要考虑事物的多个属性从而得到一个综合排名。举个例子,像刚刚所说的大学排名,对于一所大学的描述属性就是多维的:科研情况、教学情况及专业设置等等。在基于多属性的排序中,理解各属性如何影响排名结果是非常有必要的。因此,这篇文章提出了一种帮助用户理解、改变和比较多属性排序的可视化工具 — LineUp.
继续阅读 »