作者存档: Richen Liu

实验室刘日晨同学顺利通过博士学位论文答辩

phd-defense-richenliu-02

2016年12月23日下午,北京大学可视化与可视分析研究组的刘日晨同学顺利通过博士学位论文答辩。刘日晨同学的博士学位论文题目为《支持集合模拟数据可视分析的特征提取与度量方法研究》。
继续阅读 »

图标透镜:交互式图标可视化中视角相关的视觉遮挡消除(GlyphLens: View-dependent Occlusion Management in the Interactive Glyph Visualization)

004

Glyph常常被应用于三维体结构数据 (volumetric data) 的可视化,主要是将这些数据中某个变量或多个变量映射到glyph的某个可视通道(visual channel)上,例如,glyph的形状,颜色,不透明度,纹理,大小,粗细,朝向等等。在三维空间结构数据中,glyph常常被放在某些具有物理意义或代表意义的曲面上,例如数据中的特征曲面,切割曲面等。在进行glyph可视化时,可以使用Focus+Context的技术将用户感兴趣的glyph即focus glyph高亮显示,将context glyph从视角中移出,从而减少context glyph对focus glyph的遮挡。

继续阅读 »

基于自内嵌平行坐标的多分辨率气象集合模拟数据的参数分析 (Multi-Resolution Climate Ensemble Parameter Analysis with Nested Parallel Coordinates Plots)

003

传统的集合模拟数据本身以及参数空间都非常复杂,因为集合模拟数据往往是多成员 (multi-run),多维度 (multi-dimensional)以及时变的 (time-varying)。在此基础之上,领域科学家 (如气象学家) 在进行集合模拟时,还需要使用不同的分辨率来进行模拟,因为不同的分辨率的数据可以得到不同物理意义的特征 (pyhsical feature),因此,气象学家往往会对同一个模拟进行多分辨率的多次模拟。

继续阅读 »

4D PC-MRI主动脉血液流场数据中旋涡半自动分类研究(Semi-Automatic Vortex Flow Classification in 4D PC-MRI Data of the Aorta)

007

现代医学认为,医学成像中的主动脉血液流动模式与不同的心血管管疾病有密切的关系,尤其是主动脉中的旋涡的特征与具体的心血管疾病类似关系更加密切。传统医学成像数据处理中,针对4D PC-MRI数据中旋涡的分类都需要医学工作人员手动进行分类,在这个过程中,有两个缺点。其一、手动分类非常耗时,其二、手动分类方法不够精确,往往导致很大的诊断不确定性。针对这些缺点,本文[1]提出了一种基于半自动分类的PC-MRI主动脉血液流场数据中旋涡分类方法AVOCLA,给医学人员提供更加高效精确的决策支持。

 

继续阅读 »

北京大学2016年校园开放日实验室成果演示

2016.05.21.openday.001.new

2016年5月21日是北京大学校园开放日,实验室安排了在可视化与可视分析方面的最新成果向公众演示,包括湍流可视化,交通数据、微博数据可视分析,伪基站数据可视分析等科研项目。此次开放日实验室接待的参观者包括来自中小学生及其家长等百余人。实验室成员赖楚凡,刘日晨,林丽静,张江,张宇,左任等多位同学参与了本次开放日演示工作,向参观者介绍相关的工作,并面对面解答参观者的各种问题。可视化能将复杂的数据转换为更容易理解的方式传递给受众,本次活动,很好地向公众普及了可视化的最新进展,受到参观者的好评。

继续阅读 »

CAST: 基于情境感知的三维点云目标高效拾取技术(CAST: Effective and Efficient User Interaction for Context-Aware Selection in 3D Particle Clouds)

11.simulationResults

三维点云中目标结构的拾取一直是交互设计领域非常具有挑战性的研究工作,主要原因就点云没有固定的形状结构,不方便拾取。

目前在三维点云拾取方面常用方法包括Cylinder Selection以及Cloud Lasso [1],Cylinder Selection主要使用用户圈选的线形成视景锥体,用该视景锥体去截取目标点云区域。这种方法简单高校,但是精度不高,因为无法选择更精确的目标对象。Cloud Lasso是直接受普通圈选的启发,在圈内部的所有大于一定密度域值的子聚类均会被选中。但是这些方法仍然有一些问题:

1)点云目标常常相互遮挡,深度方向有大量的候选目标
2)三维点云环境中比较难快速判断用户的选择意图
基于这些问题或挑战,本文设计了新的交互技术,称之为CAST[2]。CAST中一共包括三种交互技术来解决不同的拾取需求:1)SpaceCast;2)TraceCast;3)PointCast。

继续阅读 »

密西西比州立大学张嵩副教授访问北京大学可视化实验室

2015年12月5日,密西西比州立大学(Mississippi State University)的张嵩副教授访问北京大学,并作了题为《Visualizing Ensemble Uncertainty in Numerical Weather Simulations》的学术报告。张嵩副教授博士毕业于布朗大学,本科毕业于南开大学。目前是密西西比州立大学计算机科学与工程系的副教授,目前主要研究方向是科学可视化,数据分析,医学图像处理,和计算机图形学。 继续阅读 »

Diderot: 领域专用语言实现的可移植的并行科学可视化与图像分析(Diderot: a Domain-Specific Language for Portable Parallel Scientific Visualization and Image Analysis)

DSL体绘制结果

随着科学数据越来越大以及数据处理分析越来越复杂,科学可视化系统面临两个重要的挑战:
1)数据在可视化之前的预处理与分析需要更灵活的并行计算
2)数据分析过程中涉及到的复杂数学计算需要抽象成简单的函数调用

领域专用语言可以很好地解决以上两个问题。本文提出的Diderot[1]系统主要从以下几个方面解决这两个问题。
1)可移植的并行设计,使用基于POSIX标准的pthread实现线程级。
2)定义strand(股),并使用strand创建线程,线程的一次执行就叫做strand的一次迭代。此外,strand还支持线程之间的通信。
3)抽象复杂的数学计算。简化导数,梯度,卷积,张量计算过程。将这些复杂的计算封装成简单函数调用。在代码中支持直接使用这些数学计算的操作符。
4)封装成C/C++的API。方便其他使用C/C++开发的程序调用。
5)卷积计算操作(如clamp, mirror以及wrap等操作)。

Diderot提供对一些数据描述的简化操作。主要从支持以下抽象代码实现的

image(2)[] I = image(“hand.nrrd”);

其中(2)表示hand.nrrd数据为二维数据,[]表示变量的个数。[]中间空表示标量,[3]表示三维向量,[3,3]表示3×3矩阵。

继续阅读 »

结合三维矩阵体的动态网络数据可视化(Visualizing Dynamic Networks with Matrix Cubes)

Fig3_predefinedviews

动态网络(Dynamic networks)数据与动态图(Dynamic Graph)数据一直以为都比较复杂,随着数据量的不断增大,为动态网络的分析与可视化带来了极大的挑战。
另一方面,动态网络数据常常带有时间信息,而现有的时空高维数据可视化方法都有各种缺点,尤其是当图中节点密集时,现有的方法几乎都会遇到遮挡问题。

二维模型探索动态图数据已有很多种方法,如点边图 (Node-Link Diagram),邻接矩阵 (Adjacency Matrices) 等,这些方法可以很好地展现图中的节点自身的随时间变化的信息,但是节点以及节点之间关系的演化,在这些方法中比较难展现,尤其是节点个数多时,以及限制于一个视图中。
用三维模型将时空高维数据可视化,增加一个维度可以展现更丰富的信息,但是也会带来更加严重的问题,例如相互遮挡,目标物体选择困难,交互不方便等问题。

本文[1]提出了一个新的交互探索模型,Matrix Cubes,该模型使用3D cube作为视图中枢协调者 (pivot visualization),管理多个不同角度的切片视图,这些切片视图全是从3D cube中导出的。系统还提供了一系列的交互,例如,刷选 (brushing),链接 (linking),和过滤 (filtering),为深入探索动态图数据提供了有效的方法。

继续阅读 »

使用交互式的可视推理支持用户决策:对设计的启发意义(Using Interactive Visual Reasoning to Support Sense-Making:Implications for Design)

6.compare

当人们在使用一个软件的人机交互过程中,用户的心理分析过程对软件的界面与交互设计有很重要的启发意义。

本文[1]利用用户使用软件INVISQUE(INteractive Visual Search and QUery Environment)时的心理过程,来帮助改善用户界面与用户交互。具体地,本文使用心理决策理论—DFM模型(Data-Frame Model)来分析用户使用INVISQUE时的心理过程。DFM模型如图1所示,DFM模型共有四个模块。 1)连接到知识帧(Connecting data to frame);2)细化知识帧(Elaborating the frame);3)质疑知识帧(Questioning the frame);4)更改知识帧(Re-framing)。

继续阅读 »