![图8：Kiwi数据和Aneurysm数据的体渲染结果，分别为[2]、[3]和本文方法](http://vis.pku.edu.cn/blog/wp-content/uploads/2017/12/fig9-620x200.png)
直接体渲染是一种表现三维体数据的强大可视化手段。过去数十年间，研究者们进行了大量的研究，来提高体渲染的速度与质量。其中，传递函数的设计是影响这两个指标的一个重要因素。传递函数将体素的值映射到诸如颜色、不透明度、可见性等光学性质。然而，要设计一个好的传递函数通常面临着很大的困难，对非专业使用者更是如此。绝大多数传递函数设计的方法都依赖用户大量的交互，用户需要根据数据的统计特征，通过不断试错，以求达到好的效果。这里的统计特征通常是数据某些属性的直方图。在本文中，作者提出了一种基于机器学习方法：三维卷积稀疏编码，能对体素进行精确分类，从而得到优秀的体渲染结果。同时，基于智能系统的交互方式，能让用户通过直观的输入，来完成传递函数设计过程。
多变量数据往往伴随着其他数据形式而出现，譬如时变多变量数据、空间多变量数据等等。多变量可视化如平行坐标、散点图矩阵等已经被广泛熟知和应用，却鲜有方法能够同时表现伴随的时空或层次信息。这篇文章 [1] 以地理空间多变量数据为核心，提出了一种新颖的可视化形式，以呈现多尺度、跨地域的数据分布与联系。
微博在当代的网络生活中非常盛行，人们在上面议论着各种话题并发表他们的意见，其中蕴含的信息对社会学、媒体学等许多学科而言都是巨大的宝库。如何有效地发掘微博里的信息成为了一个重要的课题。而在以往的工作[2]中，信息检索都是以单条微博(post)为主体，其他因素如博主(user)和话题标签(hashtag)等都被看作过滤条件，来对微博进行筛选。但事实上，博主的受欢迎程度、话题热度等都会影响一条微博的重要性。只考虑微博相关性的检索往往无法满足用户的需求。另外，微博信息纷繁复杂，通过过滤器来改善检索结果往往十分低效。本文[1]提出了一种考虑不确定性的微博信息检索方法。该方法能结合多种因素改善检索结果，并通过不确定性的呈现，让用户能够在交互中有效地提高信息的质量。
运动捕捉数据在体育、医疗和影视行业十分有用，已有的运动序列被用来做运动合成。然而这类数据因为其本身数据量非常庞大，同时具备高维与时序性质，对它们的浏览、分析和关键动作序列提取是一个难点。以往的分析工具中，专家会用手动提取的方法对数据库检索，然而这些建立在文本检索之上的工作实在繁琐，为此，来自德国的一批可视化研究者们开发出了系统MotionExplorer系统用于对运动捕捉数据的可视化方法的浏览与分析，这个直观的可视分析系统为运动捕捉数据的分析提高了效率和方便。
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。
科学可视化中体可视化是一个重要的研究方向，传递函数设计作为探索体数据的重要手段，则是体可视化的重点研究话题。传递函数通过将体数据中采样值映射成为颜色和透明度等视觉属性来描绘出图像。比如在医学CT扫描数据中，将肌肉对应的采样值所在的分布范围映射成黄色，骨头所分布的取值范围映射成白色，血液对应红色等等，辅以一定的透明度，我们便可以看到扫描数据的结果。传递函数设计中的映射可以从原始数据如强度出发，也可从数据的衍生属性如梯度出发，通常用户被提供一个描绘变量分布的直方图作为提示界面，在其上划取一段范围并指定它的映射特性，以此完成整个设计流程。
尽管在某些特定的领域如前文提到的医学应用，传递函数的设置存在一些经验性的参数约定，但对于普遍的传递函数设计本身来讲，这并不是一个容易的过程：用户需要在每次尝试过后查看效果，再做相应调整，而且有时，一个极其细微的调整也会对结果带来巨大的变化。所以，传递函数的设计是一个非常耗时且复杂的操作。为了让用户能够更好地探索和分析体数据，来自美国马里兰大学的学者们提出了一种层级化的体数据浏览方式。他们的解决方案针对强度-灰度二维传递函数，实现了一种多层级的半自动体数据划分，从而作为传递函数设计的新颖实现方式和交互手段。
4月以来，H7N9禽流感在中国大地出现，首先主要集中在江浙沪一带，随后安徽、北京、河南等地也产生疫情。北京大学可视化与可视分析实验室近日推出H7N9禽流感疫情可视化。（http://vis.pku.edu.cn/birdflu) 通过地图与时间线的链接显示和提供交互操作，帮助大众更好理解禽流感疫情的时空演变规律。
在这个可视化案例中，空间视图提供了多层次的数据显示结构。在大尺度展示省级疫情人数，并用不同颜色分别表示疑似、确诊、死亡和治愈的状态。点击聚合的图标，我们可以看到具体的每一个病例以一个小圆点的形式向周边散开，鼠标悬浮其上即可看到详细病情信息。我们也可通过缩放地图，显示从城市级别到个体级别不同细节层次的病例分布。在图上我们也用密度图来表达确诊病例的分布，提供一个对于全局宏观分布解读。 继续阅读 »
近期评论