Analyse von Multivariaten Daten - IWR
Analyse von Multivariaten Daten - IWR
Analyse von Multivariaten Daten - IWR
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
Visualisierung in Natur- und Technikwissenschaften<br />
6. Multivariate/Multifeld-<strong>Daten</strong><br />
Vorlesung: Mi, 11:15 – 12:45 + Fr, 9:15 – 10:45, INF 368 – 532<br />
Prof. Dr. Heike Leitte
Inhaltsverzeichnis<br />
1. <strong>Daten</strong> in Biologie und Medizin<br />
2. Volumenvisualisierung<br />
3. <strong>Daten</strong> in Umwelt- und Technikwissenschaften<br />
4. Effiziente <strong>Daten</strong>strukturen<br />
5. Topologische Verfahren<br />
6. Multivariate <strong>Daten</strong><br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 2
Inhaltsverzeichnis<br />
6. Multivariate <strong>Daten</strong><br />
1. Wo treten multivariate <strong>Daten</strong> auf?<br />
2. Kombinierte Visualisierungstechniken<br />
1. Glyphbasierte Techniken<br />
2. Ebenenbasierte Techniken<br />
3. Merkmalsextraktion<br />
1. Definition Merkmal<br />
2. Merkmale in Skalarfelder<br />
3. Merkmale in Vektorfeldern<br />
4. Merkmale in zeitabhängigen <strong>Daten</strong><br />
5. Visualisierung <strong>von</strong> Merkmalen<br />
4. Interaktive Techniken<br />
1. Grundidee<br />
2. Direkte Darstellung des Attributraums<br />
3. Projektionstechniken<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 3
Inhaltsverzeichnis<br />
6. Multivariate <strong>Daten</strong><br />
1. Wo treten multivariate <strong>Daten</strong> auf?<br />
2. Kombinierte Visualisierungstechniken<br />
1. Glyphbasierte Techniken<br />
2. Ebenenbasierte Techniken<br />
3. Merkmalsextraktion<br />
1. Definition Merkmal<br />
2. Merkmale in Skalarfelder<br />
3. Merkmale in Vektorfeldern<br />
4. Merkmale in zeitabhängigen <strong>Daten</strong><br />
5. Visualisierung <strong>von</strong> Merkmalen<br />
4. Interaktive Techniken<br />
1. Grundidee<br />
2. Direkte Darstellung des Attributraums<br />
3. Projektionstechniken<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 4
Wetter- und Klimadaten<br />
[Quelle: tagesschau.de]<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 5
Medizin<br />
[Surface Glyphs for Visualizing<br />
Multimodal Volume Data,<br />
Timo Ropinski]<br />
CT, PET, Kombination<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 6
Biologie<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 7
Luftfahrt und Automobilbau<br />
double density(no_of_points) ;<br />
double x_velocity(no_of_points) ;<br />
double y_velocity(no_of_points) ;<br />
double z_velocity(no_of_points) ;<br />
double pressure(no_of_points) ;<br />
double sa_viscosity(no_of_points) ;<br />
double eddy_viscosity(no_of_points) ;<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 8
Inhaltsverzeichnis<br />
6. Multivariate <strong>Daten</strong><br />
1. Wo treten multivariate <strong>Daten</strong> auf?<br />
2. Kombinierte Visualisierungstechniken<br />
1. Glyphbasierte Techniken<br />
2. Ebenenbasierte Techniken<br />
3. Merkmalsextraktion<br />
1. Definition Merkmal<br />
2. Merkmale in Skalarfelder<br />
3. Merkmale in Vektorfeldern<br />
4. Merkmale in zeitabhängigen <strong>Daten</strong><br />
5. Visualisierung <strong>von</strong> Merkmalen<br />
4. Interaktive Techniken<br />
1. Grundidee<br />
2. Direkte Darstellung des Attributraums<br />
3. Projektionstechniken<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 9
Glyphbasierte Techniken<br />
Herman Chernoff, "The use of faces to<br />
represent points in k-dimensional space<br />
graphically," J. Am. Stat. Assoc., v68, 361-368<br />
(1973).<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 10
Glyphbasierte Techniken<br />
[Kindlmann, 2004]<br />
●<br />
●<br />
●<br />
●<br />
Mittels der Diffusions-Tensor-Bildgebung<br />
(DTI) kann gemessen werden, in welche<br />
Richtung sich Wassermoleküle bewegen.<br />
Hiermit ergeben sich Aufschlüsse über die<br />
Nervenbahnen im Gehirn.<br />
Die <strong>Daten</strong> liegen als 3x3-Matrizen<br />
(Tensoren) vor.<br />
Bei der Visualisierung greift man oft auf die<br />
Eigenwerte der Matrizen zurück und erhält<br />
entsprechende Tensorglyphen.<br />
[SCI, Univ. of Utah]<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 11
Glyphbasierte Techniken<br />
Designentscheidungen<br />
●<br />
●<br />
Wie codiere ich die verschiedenen Variablen?<br />
– Möglichkeiten: Form, Größe, Orientierung, Farbe,<br />
Opazität.<br />
– Orthogonalität der verschiedenen Variablen<br />
– Wie gut können die einzelnen Werte rekonstruiert<br />
werden? (Negativbsp. Vektorwerte als RGB-Tripel)<br />
Wie gewichte ich die verschiedenen Variablen?<br />
Im Regelfall sind die verschiedenen Variablen in<br />
unterschiedlichen Einheiten gemessen. Bsp.<br />
Eigenschaften Mensch: Hier stellt sich die Frage, wie<br />
gewichte ich Größe, Gewicht, Haarfarbe, Geschlecht<br />
etc. zueinander?<br />
– Normieren vs. Metric Learning<br />
[Lie et al. 2009]<br />
●<br />
[http://www.eecs.berkeley.edu/~kulis/icml2010_tutorial.htm]<br />
– Gemessene vs. wahrgenommene Distanz<br />
Wie platziere ich die Glyphen?<br />
– uniform<br />
– optimiert<br />
12
Glyphbasierte Techniken<br />
●<br />
●<br />
●<br />
Gerade bei glyphbasierten Techniken im 3D erreicht man schnell die Grenzen der<br />
Darstellbarkeit, da es zu häufigen Überdeckungen und zu unübersichtlichen Darstellungen<br />
kommt.<br />
Etwas Abhilfe schafft das gezielte Gruppieren/Platzieren <strong>von</strong> Glyphen. Unten sehen wir<br />
Tensorglyphen einmal auf einem regulären Gitter und einmal mit einer optimierten<br />
Verteilung.<br />
Ein weiteres Problem, das sich ergibt, ist die Frage nach der Decodierbarkeit. Es gibt bisher<br />
noch wenige Untersuchungen, wie gut Menschen glyphbasierte Darstellungen<br />
interpretieren können.<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 13
Kombinierte Visualisierungen<br />
●<br />
Bei den vorhergehenden Techniken wurde versucht mehrere Parameter in einer Glyphe zu<br />
kodieren. Bei den nachfolgenden Ansätzen sollen die verschiedenen Variablen separat<br />
erhalten werden und durch die Kombination verschiedener Visualisierungstechniken<br />
veranschaulicht werden.<br />
●<br />
Auch hier ergeben sich die Fragen:<br />
– Wie kodiere ich die einzelnen Variablen?<br />
– Wie kombiniere ich die Informationen aus verschiedenen Feldern/Variablen?<br />
●<br />
Wir unterscheiden im Folgenden<br />
– Glyphbasierte Techniken<br />
– Ebenenbasierte Techniken<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 14
Glyphbasierte Techniken – Individuelle Glyphen<br />
●<br />
Einer der einfachsten Ansätze zur Darstellung mehrer Variablen ist die Kombination<br />
verschiedener Techniken. So können zum Beispiel vergleichsweise problemlos folgende<br />
Methoden im 2D kombiniert werden:<br />
– Farbkodierung / Colormap (skalare Größe)<br />
– Isolinien (skalare Größe)<br />
– sowie<br />
● Vektorsymbole / LIC (vektorwertige Größe) oder<br />
● Glyphsymbole<br />
– vereinzelte spezielle Glyphen<br />
T<br />
H<br />
H<br />
T<br />
H<br />
H<br />
T<br />
H<br />
H<br />
H<br />
T<br />
T<br />
T<br />
T<br />
T<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 15
Glyphbasierte Techniken – Individuelle Glyphen<br />
●<br />
●<br />
In Kirby et al. 1999 wurde dieser Ansatz für Vektorfelder formalisiert. Aus dem Vektorfeld<br />
werden hierfür zuerst wichtige weitere Kenngrößen extrahiert:<br />
– Vektordaten (Richtung und Norm)<br />
– Ableitungen erster Ordnung (Matrix)<br />
●<br />
●<br />
Vortizität oder Wirbelstärke (antisymmetrischer Teil der Jakobideterminante)<br />
gibt Aufschluss über die lokale Rotation (Richtung und Stärke) des Flusses<br />
Spannungstensor (symmetrischer Anteil der Jakobimatrix) beschreibt die lokale<br />
Deformation<br />
– Divergenz beschreibt das lokale Verhalten <strong>von</strong> Partikeln (strömen aufeinander zu<br />
oder <strong>von</strong>einander weg)<br />
– Scherung relative Verschiebung <strong>von</strong> Materialebenen zueinander<br />
Jeder dieser Komponenten wird nun ein graphisches Primitiv zugeordnet, so dass wichtige<br />
Merkmale der Strömung direkt abgelesen werden können (implizit sind diese bereits alle<br />
im Vektorfeld enthalten).<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 16
Glyphbasierte Techniken – Individuelle Glyphen<br />
data<br />
velocity<br />
speed<br />
vorticity<br />
visualization<br />
arrow direction<br />
arrow area<br />
underpainting/ ellipse<br />
color (blue = cw,<br />
yellow ccw), texture<br />
contrast<br />
rate of strain log( ellipse radii )<br />
divergence<br />
shear<br />
[Kirby et al. 1999]<br />
ellipse area<br />
ellipse eccentricity<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 17
Ebenenbasierte Techniken<br />
●<br />
●<br />
Gerade bei der Darstellung mehrerer skalarer Größen ist es schwierig diese in verschiedene<br />
Darstellungsformen zu überführen. Schwierig ist auch die Abwägung wie „dicht“ jeder<br />
einzelne Symboltyp abgetragen werden soll. Deshalb gibt es Untersuchungen zur<br />
Wahrnehmung <strong>von</strong> überblendeten Schichten.<br />
Dabei wird jede Größe auf einer Ebene dargestellt und die verschiedenen Ebenen werden<br />
dann übereinandergelegt.<br />
[Taylor 2002]<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 18
Ebenenbasierte Techniken – Unterschiedliche Merkmale<br />
2 Some of our attempts to visualize multiple data sets by applying a different technique to each data set. This<br />
worked only up to three or four data sets. [Taylor 2002] → Nur wenige Felder können kombiniert werden.<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 19
Ebenenbasierte Techniken – Unterschiedliche Merkmale<br />
[House et al. 2005] Gute Beispiele Schlechte Beispiele<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 20
Inhaltsverzeichnis<br />
6. Multivariate <strong>Daten</strong><br />
1. Wo treten multivariate <strong>Daten</strong> auf?<br />
2. Kombinierte Visualisierungstechniken<br />
1. Glyphbasierte Techniken<br />
2. Ebenenbasierte Techniken<br />
3. Merkmalsextraktion<br />
1. Definition Merkmal<br />
2. Merkmale in Skalarfelder<br />
3. Merkmale in Vektorfeldern<br />
4. Merkmale in zeitabhängigen <strong>Daten</strong><br />
5. Visualisierung <strong>von</strong> Merkmalen<br />
4. Interaktive Techniken<br />
1. Grundidee<br />
2. Direkte Darstellung des Attributraums<br />
3. Projektionstechniken<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 21
Merkmalsbasierte Visualisierung<br />
●<br />
●<br />
●<br />
Wie wir im vorherigen Kapitel gesehen haben, ist die gleichzeitige direkte Darstellung<br />
mehrere Merkmale pro Raumpunkt oft sehr schwierig und die resultierenden<br />
Visualisierungen sind schwer zu analysieren.<br />
Aus diesem Grund wird bei der <strong>Analyse</strong> <strong>von</strong> multivariaten <strong>Daten</strong> zumeist mit vereinfachten<br />
Darstellungen gearbeitet, die sich nur auf einen Teil der enthaltenen Information<br />
konzentrieren.<br />
Hierbei gibt es zwei wesentliche Ansätze:<br />
– Merkmalsextraktion: Aus den <strong>Daten</strong> werden relevante Strukturen extrahiert. Zumeist<br />
geschieht dies separat für jede einzelne Variable. Anschließend können mehrere<br />
Merkmale kombiniert werden. Merkmalsbasierte Methoden gehen da<strong>von</strong> aus, dass die<br />
gesuchten Strukturen mathematisch beschrieben und somit automatisch extrahiert<br />
werden können.<br />
– Interaktive Methoden: Bei den interaktiven Methoden werden Beobachtungsraum<br />
und Parameterraum separat dargestellt. Der Parameterraum stellt die multivariaten<br />
<strong>Daten</strong> dann losgelöst <strong>von</strong> der räumlichen Zuordnung dar und versucht eine möglichst<br />
intuitive Darstellungsform für nichträumliche multivariate <strong>Daten</strong> zu finden. Der Nutzer<br />
kann anschließend interaktiv im Parameterraum eine Teilmenge der <strong>Daten</strong> auswählen<br />
und Positionen im Beobachtungsraum, die diesen Merkmalen entsprechen,<br />
anschließend markieren/hervorheben.<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 22
Merkmale<br />
●<br />
Wie kann man automatisch gute Merkmale definieren?<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 23
Definition Merkmal<br />
●<br />
Ein Merkmal bezeichnet im Sinne der Visualisierung eine Teilmenge des<br />
Beobachtungsraumes oder der Definitionsmenge, in der alle Punkte eine Bedingung<br />
erfüllen. Die Bedingung kann frei gewählt werden und wird im Allgemeinen als „etwas das<br />
den Nutzer interessiert“ definiert.<br />
●<br />
Definition: Eine Teilmenge F ⊂B heißt Merkmal zur Merkmalsbedingung<br />
f: B → {0, 1}, falls<br />
F =x∈B∣ f (x)=1<br />
●<br />
Anhand der maximalen Dimension <strong>von</strong> F (als Mannigfaltigkeit) unterscheidet man<br />
– Punktmerkmale<br />
– Kurvenmerkmale<br />
– Flächenmerkmale<br />
– Regionenmerkmale<br />
[Walsum, Post, Silver, Post, Feature Extraction and Iconic Visualization, IEEE Transactions on<br />
Visualization and Computer Graphics 2(2):111 - 119, 1996]<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 24
Inhaltsverzeichnis<br />
6. Multivariate <strong>Daten</strong><br />
1. Wo treten multivariate <strong>Daten</strong> auf?<br />
2. Kombinierte Visualisierungstechniken<br />
1. Glyphbasierte Techniken<br />
2. Ebenenbasierte Techniken<br />
3. Merkmalsextraktion<br />
1. Definition Merkmal<br />
2. Merkmale in Skalarfelder<br />
3. Merkmale in Vektorfeldern<br />
4. Merkmale in zeitabhängigen <strong>Daten</strong><br />
5. Visualisierung <strong>von</strong> Merkmalen<br />
4. Interaktive Techniken<br />
1. Grundidee<br />
2. Direkte Darstellung des Attributraums<br />
3. Projektionstechniken<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 25
Merkmale in Skalarfeldern<br />
●<br />
Entsprechend der vorherigen Definition <strong>von</strong> Merkmalen, muss zur Extraktion eine<br />
Merkmalsbedingung gegeben sein. Hierfür gibt es einige generische Ansätze, die für viele<br />
Anwendungen sinnvoll sind. Wir werden zwischen Verfahren für skalare und vektorwertige<br />
<strong>Daten</strong> unterscheiden und uns jeweils die gebräuchlichsten Merkmale ansehen.<br />
●<br />
●<br />
Im Kapitel zur Skalarfeldtopologie haben wir bereits wichtige Merkmale des Skalarfeldes<br />
automatisch extrahiert, nämlich<br />
– Extrema und<br />
– Sattelpunkte.<br />
Weitere wichtige Strukturen sind<br />
– Kammlinien<br />
– Tallinien<br />
– Maximale Konturen<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 26
Kammlinien<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong><br />
[widkipedia]<br />
27
Extraktion skalarer Merkmale<br />
●<br />
●<br />
●<br />
●<br />
Die Extraktion der kritischen Punkte haben wir uns bereits in der Skalartopologie<br />
angesehen.<br />
Es verbleiben also noch die Kamm- und Tallinien (engl.: ridges and valleys). Hierfür gibt es<br />
leider keine allgemeingültige/einheitliche Definition. Grundidee ist, dass man Punkte<br />
sucht, die in mindestens einer Raumdimension lokale Maxima sind.<br />
Im folgenden sehen wir uns eine geläufige Definition nach [Eberly et al. 1994] an, die auf<br />
der <strong>Analyse</strong> der Eigenwerte der Hessematrix basiert.<br />
Alternative Betrachtungen orientieren sich am Morse-Smale-Komplex oder der Krümmung<br />
lokaler Isoflächen.<br />
[widkipedia]<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 28
Kamm- und Tallinien<br />
●<br />
●<br />
●<br />
Hauptkrümmung (Eigenwerte und -vektoren der Hesse-Matrix = Matrix mit partiellen<br />
Ableitungen zweiter Ordnung): Betrachtet man das 2D Skalarfeld s als Höhenfeld, so kann<br />
man die Krümmung zur Identifikation heranziehen.<br />
Die Hauptkrümmung beschreibt die maximale und minimale Krümmung einer 2D-Fläche<br />
im IR³ im Punkt p. Sie ergibt sich aus dem Schnitt der Fläche mit zwei Ebenen, die durch<br />
Eigenvektoren und die Oberflächennormale aufgespannt sind.<br />
Seien λ 1<br />
≤ λ 2<br />
die beiden geordneten Eigenwerte der Hessematrix mit zugehörigen<br />
Eigenvektoren e 1<br />
und e 2<br />
.<br />
– Kammlinien: bestehen aus allen Punkten<br />
für die gilt<br />
λ 1 < 0<br />
∇ p s⋅e 1 =0<br />
– Tallinie: bestehen aus allen Punkten<br />
für die gilt λ 2 > 0<br />
∇ p s⋅e 2 =0<br />
∇ p s ist der Gradient des Skalarfeldes<br />
im Punkt p.<br />
[widkipedia]<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 29
Kamm- und Tallinien<br />
●<br />
Bei der Extraktion der Kammlinien haben wir wieder das Probleme, dass auch viele<br />
unwichtige Strukturen extrahiert werden. Hier können zusätzliche Filter helfen, sich auf<br />
wesentlich Strukturen zu konzentrieren.<br />
[Peikert 2008]<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 30
Anwendung – Kammlinien<br />
Eberly, F45° ,<br />
length filters<br />
For a 3D application we chose the CFD simulation of a Pelton water<br />
turbine. The region of interest is near the first one of six bifurcations<br />
of the distributor ring. We selected the pressure data channel and<br />
computed one-dimensional ridges and valleys. [Peikert, Sadlo 2008]<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 31
Maximale Konturen<br />
●<br />
●<br />
●<br />
●<br />
Eine weitere Möglichkeit Merkmale zu definieren ist die Beschreibung durch bestimmte<br />
Wertekombinationen/-bereiche, z.B. Druck > x und Geschwindigkeit < y.<br />
Um hier die Suche nach geeigneten Parametern zu vereinfachen kann man automatisch<br />
zusammenhängende Strukturen extrahieren, sogenannte maximale Konturen.<br />
Maximale Konturen Segmentierung: Hierbei wird der Beobachtungsraum in maximale<br />
Flächen/Volumina unterteilt, wobei jedes Teilvolumen nur einen kritischen Punkt<br />
enthalten darf.<br />
Man kann zeigen, dass sich eine solche Unterteilung direkt aus dem Konturbaum ergibt.<br />
Jede maximale Kontur entspricht einem Blatt im Konturbaum sowie allen<br />
Positionen/Zellen, die auf seiner ausgehenden Kante liegen.<br />
Iso-/ Höhenlinien<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 32
Vergleich Maximaler Konturen<br />
●<br />
●<br />
●<br />
●<br />
In vielen realen 3D <strong>Daten</strong>sätzen entstehen bei der automatischen Extraktion <strong>von</strong><br />
Merkmalen viele Komponenten, deren <strong>Analyse</strong> teils nur sehr schwierig ist. Hier sind<br />
geeignete Hilfsmittel gefragt, die dem Nutzer einen leichteren Zugang bieten.<br />
In Schneider et al. 2008 wurde ein Browser für die <strong>Analyse</strong> <strong>von</strong> Maximale Konturen in<br />
multivariaten <strong>Daten</strong>sätzen vorgeschlagen.<br />
Grundidee ist, dass es dem Nutzer leicht möglich sein soll Strukturen zu finden, die in<br />
verschiedenen Variablen auffällige Werte aufweisen. Beispiel: Für die Detektion <strong>von</strong><br />
Wirbeln gibt es verschiedene skalare Maße wie z.B. hoher Druck oder kleiner λ 2<br />
-Wert. Mit<br />
diesem Verfahren soll es nun möglich sein verschiedene Charakteristika zu<br />
vergleichen.<br />
Benötigt wird hierzu ein Ähnlichkeitsmaß zwischen verschiedenen Konturen. Ein<br />
häufig verwendet Ansatz ist der Überlapp zwischen Punkten V A<br />
in Kontur 1 und<br />
Punkten V B<br />
in Kontur 2.<br />
sim(V A ,V B )= 1 2 ( ∣V A∩V B ∣<br />
∣V A ∣<br />
+ ∣V A∩V B ∣<br />
∣V B ∣ )<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 33
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 34
Inhaltsverzeichnis<br />
6. Multivariate <strong>Daten</strong><br />
1. Wo treten multivariate <strong>Daten</strong> auf?<br />
2. Kombinierte Visualisierungstechniken<br />
1. Glyphbasierte Techniken<br />
2. Ebenenbasierte Techniken<br />
3. Merkmalsextraktion<br />
1. Definition Merkmal<br />
2. Merkmale in Skalarfelder<br />
3. Merkmale in Vektorfeldern<br />
4. Merkmale in zeitabhängigen <strong>Daten</strong><br />
5. Visualisierung <strong>von</strong> Merkmalen<br />
4. Interaktive Techniken<br />
1. Grundidee<br />
2. Direkte Darstellung des Attributraums<br />
3. Projektionstechniken<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 35
Merkmale in Vektorfeldern<br />
●<br />
Ungleich den Skalardaten ist es wesentlich<br />
schwieriger generische Merkmale für Vektorfelder<br />
zu definieren. Zumeist konzentriert man sich hier<br />
auf bestimmte Phänomene und versucht diese<br />
mathematisch zu beschreiben.<br />
Schockwelle<br />
Wirbelkernlinien<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 36
Definitionen für Wirbel<br />
Es gibt eine ganze Reihe <strong>von</strong> Isowertdefinitionen, insbesondere für Wirbel<br />
●<br />
●<br />
Hohe Wirbelstärke:<br />
[Zabasky, Bovatov, Pelz, Gao, Silver, Cooper, Energence of coherent patterens of vortex stretching during<br />
reconnection; A scattering paradigm, Physical Review Letters 67(18):2469 - 2472, 1991]<br />
Niedriger Druck:<br />
∣∇×v∣≥w thresh<br />
∣p∣≤ p thresh<br />
●<br />
Hohe Helicity Density:<br />
∣∇×v⋅v∣≥h thresh<br />
●<br />
Q-Kriterium:<br />
∇ v=S+ Ω<br />
S: rate-of-strain tensor Ω : vorticity tensor<br />
Q= 1 2 (∣Ω∣2 −∣S∣ 2 )> 0<br />
[Hunt, Wary, Main, Eddies, stream, and convergence zones in turbulent flow fields, Center for Turbulence ReportCTR-<br />
S88, 1988] [Jeong, Hussain, On the identification of a vortex, Journal of Fluid Mechanics 285:69 - 94, 1995]<br />
●<br />
λ2-Kriterium: Sei J = S + A die Zerlegung der Jakobimatrix in einen symmetrischen<br />
und einen antisymmetrischen Anteil. Dann ist S² + A² eine symmetrische Matrix mit<br />
Eigenwerten λ 1<br />
≤ λ 2<br />
≤ λ 3<br />
. Wirbel weisen das Merkmal λ 2<br />
< 0 auf.<br />
[Jeong, Hussain, On the identification of a vortex, Journal of Fluid Mechanics 285:69 - 94, 1995]<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 37
Definitionen für Wirbelkernlinien<br />
●<br />
Ähnlich schwierig ist die Extraktion <strong>von</strong> Wirbelkernlinien und dem Einflussbereich <strong>von</strong><br />
Wirbeln. Auch hier existieren verschiedene Kriterien zu ihrer Bestimmung und Extraktion.<br />
●<br />
Zum Weiterlesen für Interessierte:<br />
– Banks/Singer: [Banks, Singer, Vortex Tubes in Turbulent Flows: Identification,<br />
Representation, Reconstruction, IEEE Visualization'94, IEEE CS Press, 1994, 132 – 139]<br />
– Sujudi/Haimes: [Sujudi, Haimes, Identification of Swirling Flow in 3D Vector Fields,<br />
AIAA Paper 95 - 1715, 12th AIAA CFD Conference, Dan Diego, CA, 1995]<br />
– Parallele Vektoren: [Ronald Peikert, Martin Roth. The "Parallel Vectors" Operator - A<br />
Vector Field Visualization Primitive. In Proceedings of IEEE Visualization'1999. pp.263-<br />
270]<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 38
Inhaltsverzeichnis<br />
6. Multivariate <strong>Daten</strong><br />
1. Wo treten multivariate <strong>Daten</strong> auf?<br />
2. Kombinierte Visualisierungstechniken<br />
1. Glyphbasierte Techniken<br />
2. Ebenenbasierte Techniken<br />
3. Merkmalsextraktion<br />
1. Definition Merkmal<br />
2. Merkmale in Skalarfelder<br />
3. Merkmale in Vektorfeldern<br />
4. Merkmale in zeitabhängigen <strong>Daten</strong><br />
5. Visualisierung <strong>von</strong> Merkmalen<br />
4. Interaktive Techniken<br />
1. Grundidee<br />
2. Direkte Darstellung des Attributraums<br />
3. Projektionstechniken<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 39
Merkmale in Zeitabhängigen <strong>Daten</strong><br />
http://coewww.rutgers.edu/www2/vizlab/?q=vol_track<br />
Pseudospectral simulation of coherent turbulent vortex structures with a 128^3 resolution (100 time steps). Variable being<br />
visualized is vorticity magnitude (thresholded isosurfaces at 48% of maximum). Simulations by Dr. V. Fernandez<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 40
Merkmale in Zeitabhängigen <strong>Daten</strong><br />
http://coewww.rutgers.edu/www2/vizlab/?q=vol_track<br />
Pseudospectral simulation of coherent turbulent vortex structures with a 128^3 resolution (100 time steps). Variable being<br />
visualized is vorticity magnitude (thresholded isosurfaces at 48% of maximum). Simulations by Dr. V. Fernandez<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 41
Merkmale in Zeitabhängigen <strong>Daten</strong><br />
●<br />
Werden Merkmale in zeitabhängigen <strong>Daten</strong> extrahiert, so wird dies zuerst für jeden<br />
Zeitschritt individuell entsprechend der Merkmalsbeschreibung getan. Es ergeben sich<br />
somit pro Zeitschritt n i<br />
diskrete Merkmalsstrukturen.<br />
● Die Frage die verbleibt ist: „Welches Merkmal in t i<br />
entspricht welchem Merkmal in t i+1<br />
?“<br />
●<br />
●<br />
Dieses Problem nennt man das Korrespondenzproblem und Aufgabe der<br />
Merkmalsverfolgung ist es dieses Problem zu lösen.<br />
Bei der zeitlichen Entwicklung <strong>von</strong> Merkmalen können verschiedene Ereignisse auftreten,<br />
wie<br />
– die Interaktion zweier Merkmale<br />
– Entstehen und Verschwinden <strong>von</strong> Merkmalen<br />
– signifikante Veränderungen in der Struktur <strong>von</strong> Merkmalen<br />
Die Ereignisdetektion beschäftigt sich mit der Erkennung signifikanter Ereignisse.<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 42
Korrespondenzproblem<br />
Um das Korrespondenzproblem zu lösen, gibt es zwei wesentliche Ansätze:<br />
●<br />
Räumliche Korrespondenz: Die Korrespondenz <strong>von</strong> Merkmalen in zwei<br />
aufeinanderfolgenden Zeitschritten ergibt sich hierbei durch strukturell-räumliche<br />
Ähnlichkeit. Es wurden folgenden Metriken vorgeschlagen:<br />
– Minimale Distanz oder maximale Kreuzkorrelation <strong>von</strong> Positionen<br />
– Minimale benötigte affine Transformation<br />
– Räumlicher Überlapp <strong>von</strong> extrahierten Isokonturen<br />
●<br />
Attributkorrespondenz: Für das Matching werden hier zuerst für jedes extrahierte<br />
Merkmal zusätzliche Attribute berechnet. In einem zweiten Schritt werden die Attribute<br />
<strong>von</strong> Merkmalen aus verschiedenen Zeitschritten verglichen und Merkmale mit ähnlichen<br />
Attributen miteinander identifiziert.<br />
Mögliche Attribute sind:<br />
– Position<br />
– Volumen/Größe<br />
– Orientierung<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 43
Korrespondenzproblem<br />
●<br />
Attributkorrespondenz: Auch für die Attribute benötigen wir eine zusätzliche Metrik, die<br />
bestimmt wie ähnlich sich zwei Merkmalsstrukturen sind. Häufig wird versucht die<br />
euklidischen Distanzen zwischen aufeinanderfolgenden Merkmalen zu minimieren:<br />
– Position:<br />
dist ( pos(O i+ 1<br />
) , pos(O i<br />
))≤α dist<br />
pos gibt die Position des Merkmals zurück und α dist<br />
ist ein vom Nutzer gewählter<br />
Parameter.<br />
– Volumen:<br />
∣vol (O i+ 1 )−vol (O i )∣<br />
max(vol (O i+ 1 ),vol (O i )) ≤α vol<br />
– Bifurkationen: Beide obigen Metriken können so erweitert werden, dass sie<br />
auch Bifurkationen (Merkmalsteilungen) entdecken, indem das Merkmal in t i+1<br />
aus mehreren Teilstrukturen bestehen kann.<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 44
Korrespondenzproblem<br />
●<br />
Alternativ zu den bisherigen Metriken kann eine gleichmäßige Veränderung der Werte<br />
gefordert werden. Hierzu betrachten man die Merkmale im Attributraum.<br />
Beobachtungsraum<br />
Attributraum<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 45
Korrespondenzproblem<br />
●<br />
●<br />
Ziel ist es nun für jede Merkmalskomponente eine Entwicklung zu finden, so dass der Pfad<br />
im Attributraum möglichst glatt ist. Wir suchen also ein (möglichst globales) Minimum,<br />
dass simultan einem jeden Attribut einen solchen Pfad zuweist.<br />
Hierfür gibt es eine Vielzahl <strong>von</strong> Optimierungsalgorithm. Wir werden uns einen einfachen<br />
greedy Algorithmus ansehen [Sethi, Patel, Yoo, A general approach for token correspondence. Pattern<br />
Recognition, 27(12): 1775-1786, 1994].<br />
– Initialisierung: Jedes Merkmal wird mit seinem nächsten<br />
Nachbarn im darauffolgenden Zeitschritt verbunden.<br />
Nachbarschaft wird im Merkmalsraum gemessen<br />
(euklidische Distanz).<br />
– Iterationsschritt: Vertausche zwei Übergänge<br />
miteinander, so dass sich die Zielfunktion am stärksten<br />
verbessert.<br />
– Zielfunktion: Summe über alle Übergangskosten<br />
cost =∑<br />
i<br />
Übergangskosten:<br />
F (a i ,t −1 ,b i ,t ,c i ,t+ 1 )<br />
F (a i ,t −1 , b i ,t , c i , t+1 )=w 1( 1−<br />
0<br />
0 1 2 3 4 5 6 7 8 9 10<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 46<br />
9<br />
8<br />
7<br />
6<br />
5<br />
4<br />
3<br />
2<br />
1<br />
⃗ ab⋅⃗bc<br />
∥ ⃗ab∥⋅∥ ⃗bc∥) +w 2( 1−2 √ ∥ ⃗ab∥∥ ⃗bc∥<br />
→ Δ Richtung<br />
∥ ⃗ab∥+∥ ⃗bc∥)<br />
→ Δ Länge
Ereignisdetektion<br />
●<br />
Um zusätzliche wichtige Informationen zu<br />
extrahieren und diese in die Visualisierung<br />
einfließen lassen zu können, werden wichtige<br />
Ereignisse bei zeitabhängigen Merkmalen<br />
extrahiert. Häufig geschieht dies nach dem<br />
Tracking. Könnte man die Ereignisse bereits vor<br />
dem Tracking extrahieren, wäre dies eine<br />
wichtige Hilfestellung bei der Rekonstruktion der<br />
Merkmalsentwicklung.<br />
●<br />
Wichtige Ereignisse sind:<br />
– Weiterentwicklung<br />
– Entstehung<br />
– Verschwinden<br />
– Aufteilung<br />
– Vereinigung<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 47
Ereignisse in der Zellentwicklung – Beispiel Zebrabärbling<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 48
Inhaltsverzeichnis<br />
6. Multivariate <strong>Daten</strong><br />
1. Wo treten multivariate <strong>Daten</strong> auf?<br />
2. Kombinierte Visualisierungstechniken<br />
1. Glyphbasierte Techniken<br />
2. Ebenenbasierte Techniken<br />
3. Merkmalsextraktion<br />
1. Definition Merkmal<br />
2. Merkmale in Skalarfelder<br />
3. Merkmale in Vektorfeldern<br />
4. Merkmale in zeitabhängigen <strong>Daten</strong><br />
5. Visualisierung <strong>von</strong> Merkmalen<br />
4. Interaktive Techniken<br />
1. Grundidee<br />
2. Direkte Darstellung des Attributraums<br />
3. Projektionstechniken<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 49
Visualisierung <strong>von</strong> Merkmalen<br />
●<br />
In den vorherigen Kapiteln haben wir bereits verschiedene<br />
Möglichkeiten zur Darstellung <strong>von</strong> Merkmalen gesehen. Diesen<br />
wollen wir kurz noch einmal zusammenfassen.<br />
– Positionsmarkierungen<br />
– Isoflächen<br />
– Volumerendering<br />
– Glyphbasierte Darstellungen für<br />
multivariate Merkmale<br />
– Vereinfachte Oberflächendarstellungen<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 50
Visualisierung <strong>von</strong> zeitabhängigen Merkmalen<br />
●<br />
●<br />
Gerade wenn es um die zeitliche Entwicklung <strong>von</strong> Merkmalen geht, ist die Visualisierung<br />
der Veränderungen besonders schwierig.<br />
Der klassische Ansatz ist die Animation. Häufig wird zwischen den Zeitschritten<br />
interpoliert, so dass sich ein gleichmäßigerer Übergang zwischen den Merkmalen ergibt.<br />
51
Visualisierung <strong>von</strong> zeitabhängigen Merkmalen<br />
●<br />
●<br />
●<br />
Gerade wenn es um die zeitliche Entwicklung <strong>von</strong> Merkmalen geht, ist die Visualisierung<br />
der Veränderungen besonders schwierig.<br />
Der klassische Ansatz ist die Animation. Häufig wird zwischen den Zeitschritten<br />
interpoliert, so dass sich ein gleichmäßigerer Übergang zwischen den Merkmalen ergibt.<br />
Zusätzliche Darstellungen, etwa<br />
ein Graph der Evolution, helfen bei<br />
der Orientierung und geben einen<br />
Überblick über den zeitlichen<br />
Verlauf.<br />
Figure 27: Events are visualised in the graph<br />
viewer with special, characteristic icons.<br />
52
Visualisierung <strong>von</strong> zeitabhängigen Merkmalen<br />
●<br />
Bei 2D <strong>Daten</strong>sätzen kann man die Zeit als dritte Dimension auffassen und die Entwicklung<br />
der Merkmale als Bahnkurven einzeichnen.<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 53
Inhaltsverzeichnis<br />
6. Multivariate <strong>Daten</strong><br />
1. Wo treten multivariate <strong>Daten</strong> auf?<br />
2. Kombinierte Visualisierungstechniken<br />
1. Glyphbasierte Techniken<br />
2. Ebenenbasierte Techniken<br />
3. Merkmalsextraktion<br />
1. Definition Merkmal<br />
2. Merkmale in Skalarfelder<br />
3. Merkmale in Vektorfeldern<br />
4. Merkmale in zeitabhängigen <strong>Daten</strong><br />
5. Visualisierung <strong>von</strong> Merkmalen<br />
4. Interaktive Techniken<br />
1. Grundidee<br />
2. Direkte Darstellung des Attributraums<br />
3. Projektionstechniken<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 54
Interaktive Techniken<br />
●<br />
Grundidee der interaktiven Techniken ist es die <strong>Daten</strong> in verschiedenen Ansichten zu<br />
zeigen. Jede Sicht beleuchtet dabei einen anderen Aspekt der <strong>Daten</strong>, wie z.B. räumliche<br />
Position, zeitliche Entwicklung oder Attributkombination. Im Regelfall sind die<br />
verschiedenen Ansichten miteinander verbunden, so dass bei Interaktion des Nutzers in<br />
einer Ansicht, die anderen Ansichten entsprechend aktualisiert werden.<br />
Aspekt: Attribute<br />
Aspekt: Raum<br />
Aspekt: Zeit<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 55
Interaktive Techniken<br />
Demo<br />
Demo am Beispiel <strong>von</strong> SimVis<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 56
Programmaufbau<br />
GUI (Graphical User Interface)<br />
●<br />
●<br />
●<br />
Ist die für den Nutzer sichtbare<br />
Oberfläche des Programms.<br />
Kann aus einem oder mehreren<br />
Fenstern bestehen.<br />
Erfasst die Interaktion des Nutzers<br />
mit dem Programm (Maus<br />
und/oder Tastatur).<br />
Programmlogik / Modell<br />
●<br />
●<br />
●<br />
Enthält die Implementierung der<br />
<strong>Daten</strong>strukturen und Algorithmen.<br />
Sollte unabhängig <strong>von</strong> der GUI und<br />
der Nutzerinteraktion sein.<br />
Kann nicht direkt vom Nutzer<br />
angesprochen werden.<br />
Steuerung / Controller / Kernel<br />
●<br />
●<br />
●<br />
Ist die Schnittstelle zwischen GUI<br />
und Programmlogik.<br />
Gibt Informationen weiter und/oder<br />
löst Aktionen aus.<br />
Wird im Programm zuerst gebaut<br />
und erzeugt dann GUI und benötigte<br />
Klassen der Programmlogik.<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 57
GUI – 1 Fenster vs. mehrere Fenster<br />
●<br />
Beim Aufbau der GUI muss man sich zumeist festlegen, ob das Programm in einem<br />
Hauptfenster dargestellt werden soll, oder ob es auf verschiedene Fenster aufgeteilt ist.<br />
1 Fenster<br />
●<br />
●<br />
Vorteile:<br />
– Festes Layout → leicht zu erinnern<br />
– Einfachere Implementierung<br />
– Layout kann optimiert werden.<br />
Nachteile:<br />
– Zusätzliche Fenster schwerer<br />
einzubinden<br />
– Starres Modell, das oft auf ein<br />
bestimmtes Szenario zugeschnitten<br />
ist.<br />
Mehrere Fenster<br />
●<br />
●<br />
Vorteile:<br />
– Individuell anpassbares Layout<br />
– Einfache Umsetzung <strong>von</strong> Multi-<br />
Fenster-Umgebungen<br />
– Integration neuer Fenster für neue<br />
Anwendungen einfach<br />
Nachteile:<br />
– Mehr Implementierungs-/<br />
Wartungsaufwand<br />
– Kann leicht unübersichtliche werden<br />
– Schwerer zu erlernen (Was mache ich<br />
wo?)<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 58
GUI – Beispiel SimVis<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 59
GUI – Beispiel Amira<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 60
GUI – Beispiel SciRun<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 61
GUI – Visbricks<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 62
Inhaltsverzeichnis<br />
7. Multivariate <strong>Daten</strong><br />
1. Wo treten multivariate <strong>Daten</strong> auf?<br />
2. Kombinierte Visualisierungstechniken<br />
3. Merkmalsextraktion<br />
4. Interaktive Techniken<br />
1. Grundidee<br />
2. Direkte Darstellung des Attributraums<br />
3. Projektionstechniken<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 63
Interaktive Visualisierung multivariater <strong>Daten</strong><br />
●<br />
●<br />
Wie wir bereits gesehen haben ist interaktive Visualisierung dann sinnvoll, wenn<br />
unterschiedliche Sichten auf die <strong>Daten</strong> benötigt werden.<br />
In der wissenschaftlichen Visualisierung unterscheidet man zwei wesentliche Gruppen:<br />
– Visualisierung der <strong>Daten</strong> im Beobachtungsraum<br />
– Abstrakte/Abstrahierte Visualisierung der Attribute<br />
●<br />
Für die Darstellung der <strong>Daten</strong> im Beobachtungsraum haben wir uns bereits eine Reihe<br />
<strong>von</strong> Algorithmen angesehen. Unterschiedliche Sichten ergeben sich durch die Wahl<br />
unterschiedlicher Parameter/Algorithmen wie z.B. Isolinien-/Flächen, VolumeRendering,<br />
Stromlinien/-flächen.<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 64
Interaktive Visualisierung – Visualisierung im Beobachtungsraum<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 65
Interaktive Visualisierung multivariater <strong>Daten</strong><br />
●<br />
Für die Darstellung der Attributwerte verwendet man zumeist Techniken aus der<br />
Informationsvisualisierung, die sich mit der Darstellung <strong>von</strong> <strong>Daten</strong> ohne inherent<br />
räumlichen Bezug befasst. Die verschiedenen Sichten ergeben sich durch<br />
– Unterschiedliche Visualisierung der Attribute (Scatterplot, Histogramm, Parallele<br />
Koordinaten für die gleichen <strong>Daten</strong>)<br />
– Unterschiedliche Teilmenge der Attribute (Stelle nur 2 der 30 Variablen dar)<br />
– Abstraktionsebenen (Zwei Sichten: einmal Übersicht, einmal Detail)<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 66
Direkte Darstellung des Attributraums<br />
●<br />
Verschiedene Sichten auf die Attribute durch<br />
– Histogramm<br />
– Streudiagramm<br />
– Parallele Koordinaten<br />
– Zeitreihendiagramme<br />
– Heatmap / pixelbasierte Techniken<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 67
Interaktive Visualisierung<br />
●<br />
Außerdem benötigen wir Interaktionsmechanismen die dem Nutzer die Manipulation<br />
der Sichten ermöglichen. Zwei wesentlichen Techniken sind:<br />
– Brushing: In einer Sicht kann ein Teil der <strong>Daten</strong> ausgewählt werden und wird<br />
anschließend hervorgehoben, z.B. durch Farbe.<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 68
Interaktive Visualisierung<br />
●<br />
Außerdem benötigen wir Interaktionsmechanismen die dem Nutzer die Manipulation<br />
der Sichten ermöglichen. Zwei wesentlichen Techniken sind:<br />
– Brushing: In einer Sicht kann ein Teil der <strong>Daten</strong> ausgewählt werden und wird<br />
anschließend hervorgehoben, z.B. durch Farbe.<br />
– Linking: Die Elemente die in einer Sicht hervorgehoben wurden, werden auch in den<br />
anderen Sichten markiert. Dies geschieht zumeist durch eine einheitliche Farbgebung.<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 69
Inhaltsverzeichnis<br />
7. Multivariate <strong>Daten</strong><br />
1. Wo treten multivariate <strong>Daten</strong> auf?<br />
2. Kombinierte Visualisierungstechniken<br />
3. Merkmalsextraktion<br />
4. Interaktive Techniken<br />
1. Grundidee<br />
2. Direkte Darstellung des Attributraums<br />
3. Projektionstechniken<br />
1. Dimensionsreduktion<br />
1. Definition<br />
2. Lineare Verfahren (PCA)<br />
3. Nichtlineare Verfahren (MDS, Isomap)<br />
2. Validierung<br />
3. Anwendungen in der wiss. Visualisierung<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 70
Probleme bei Direkten Darstellungen<br />
●<br />
Bei den bisherigen interaktiven Verfahren haben wir uns Methoden angesehen, die<br />
versuchen den gesamten Attributraum gleichzeitig darzustellen. Dies kann leicht zu<br />
Problemen führen:<br />
– Platz: Sollen sehr viele Variablen dargestellt werden, z.B. durch Streudiagramme,<br />
reicht schnell der zur Verfügung stehende Platz nicht mehr aus.<br />
– Übersichtlichkeit: Werden zu viele einzelne Ansichten präsentiert (Streudiagramm<br />
mit 10 Variablen, Parallele Koordinaten mit 10.000 <strong>Daten</strong>punkten) wird die<br />
Visualisierung schnell unübersichtlich.<br />
– Aussagekraft: Bei linearen Projektionen auf wenige Dimensionen (n Variablen 1D: →<br />
n Histogramme, 2D: (n-1) 2 Streudiagramme, n Parallele Koordinaten) verliert man<br />
schnell das Verständnis für den Zusammenhang der einzelnen Dimensionen. Die<br />
Darstellung verliert somit an Aussagekraft bezüglich der Gesamtmenge der <strong>Daten</strong>.<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 71
Probleme bei Direkten Darstellungen<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 72
Dimensionsreduktion<br />
●<br />
●<br />
●<br />
Bei der Dimensionsreduktion wird eine hochdimensionale Punktwolke in einen Raum<br />
geringerer Dimension projiziert.<br />
Häufig hat der niederdimensionale Raum die Dimension 2, da diese Darstellungen<br />
optimal dargestellt werden (Papier, Monitor etc. sind 2D). Projektionen nach 1D und 3D<br />
sind auch noch möglich. Die Frage ist jedoch, wie sinnvoll eine solche Projektion ist:<br />
– 1D: Histogramm ist hilfreich, gibt jedoch keine Information über Zusammenhänge<br />
zwischen den Variablen.<br />
– 3D: Man hat mehr Freiheitsgrade und kann mehr Information erhalten, jedoch ist die<br />
Darstellung und <strong>Analyse</strong> auf Papier/am Rechner eher schwierig.<br />
Ziel der Dimensionsreduktionstechniken ist es dem Nutzer ein Verständnis der<br />
hochdimensionalen Struktur(en) zu vermitteln und dabei möglichst viel <strong>von</strong> der in den<br />
<strong>Daten</strong> enthaltenen Varianz zu erhalten.<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 73
Dimensionsreduktion<br />
●<br />
Bei der Reduktion unterscheidet man zwei wesentliche Ansätze:<br />
– Gleiche Achsen: Der niederdimensionale Raum wird durch einen Teil der Achsen des<br />
hochdim. Raums aufgespannt.<br />
– Neue Achsen: Der niederdimensionale Raum wird durch neue synthetische Achsen<br />
aufgespannt. Diese haben zumeist keine klare Bedeutung mehr, also entsprechen<br />
nicht einer der gemessenen/simulierten Variablen.<br />
Hierbei ergibt sich eine weitere wichtige Unterscheidung, nämlich ob die <strong>Daten</strong> linear<br />
oder nicht-linear abgebildet werden.<br />
Achsenprojektion<br />
PCA<br />
Nichtlin. Abbildung<br />
74
Dimensionsreduktion<br />
●<br />
●<br />
●<br />
Es stellt sich nun natürlich die Frage wann und warum solche Abbildung sinnvoll sind und<br />
was man aus den projizierten <strong>Daten</strong> noch ablesen kann.<br />
Die Vermutung bei vielen <strong>Daten</strong> ist, dass die <strong>Daten</strong>punkte nicht gleichmäßig im<br />
hochdimensionalen Raum verteilt sind, sondern dass sie eine geringere wahre<br />
intrinsische Dimensionalität haben.<br />
Mögliche Ursachen basieren zumeist auf Korrelation zwischen verschiedenen Attributen.<br />
Diese kann man zumeist vorher nicht eliminieren, da z.B.:<br />
– Indirekte Messungen: Die relevante Kenngröße kann nicht direkt gemessen werden<br />
und wird durch verschiedene Parameter umschrieben. Beispiel: Bestimmt werden soll<br />
die Laichrate <strong>von</strong> Fischen, gemessen werden können aber nur indirekte Parameter wie<br />
Temperatur, Fangraten, Wasserqualität und -farbe.<br />
– Relevante Parameter unbekannt: Es existieren nur wenige <strong>Daten</strong>punkte in<br />
umfangreichen Attributraum und es ist a priori nicht klar, welche die wichtigen<br />
Dimensionen zur Unterscheidung/Ähnlichkeitsbestimmung sind. Beispiel:<br />
Dokumente werden durch einen Vektor (10K+ Dimensionen) beschrieben, der für eine<br />
Vielzahl <strong>von</strong> Wörtern deren Häufigkeit im aktuellen Dokument angibt. Gesucht<br />
werden nun
Dimensionsreduktion<br />
●<br />
●<br />
Natürlich erfüllen nicht alle <strong>Daten</strong> diese Vermutung und nicht immer ist eine<br />
Dimensionsreduktion sinnvoll/möglich. Deshalb muss geprüft werden, ob<br />
– eine geringere intrinsische Dimensionalität vorliegt oder nicht und wenn ja,<br />
– welche Dimension sie hat bzw. wieviel Information verloren geht, wenn man auf<br />
weniger Dimensionen projiziert.<br />
Hierzu werden wir uns im Folgenden Beispiele ansehen.<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 76
Inhaltsverzeichnis<br />
7. Multivariate <strong>Daten</strong><br />
1. Wo treten multivariate <strong>Daten</strong> auf?<br />
2. Kombinierte Visualisierungstechniken<br />
3. Merkmalsextraktion<br />
4. Interaktive Techniken<br />
1. Grundidee<br />
2. Direkte Darstellung des Attributraums<br />
3. Projektionstechniken<br />
1. Dimensionsreduktion<br />
1. Definition<br />
2. Lineare Verfahren (PCA)<br />
3. Nichtlineare Verfahren (MDS, Isomap)<br />
2. Validierung<br />
3. Anwendungen in der wiss. Visualisierung<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 77
Lineare Dimensionsreduktion<br />
●<br />
●<br />
●<br />
●<br />
Die einfachste Form der Dimensionsreduktion sind die lineare Projektionen. Hierfür<br />
werden die einzelnen <strong>Daten</strong>punkte, wie der Name schon sagt, linear projiziert.<br />
Verwendet werden lineare Projektionen häufig, wenn die Bedeutung der Achsen wichtig<br />
ist. Dies können zum einen die ursprünglichen Attributachsen sein, aber auch z.B. neu<br />
generierte Achsen wie die Hauptkomponenten der PCA, die die Richtungen der größten<br />
Varianz beschreiben.<br />
Werden neue Achse berechnet, so lassen sich diese weiterhin als Linearkombination der<br />
ursprünglichen Achsen beschreiben und man kann ablesen, welche Attribute zu welchem<br />
Anteil in die neuen Achsen eingehen.<br />
Beispiele:<br />
– Principal component analysis (PCA),<br />
– Independent component analysis (ICA),<br />
– Linear discriminant analysis (LDA), etc.<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 78
Lineare Dimensionsreduktion – Probleme<br />
●<br />
●<br />
Lineare Dimensionsreduktionsverfahren haben den Vorteil, dass sie<br />
– zum einen meist relativ einfach zu implementieren sind und<br />
– zum anderen in Projektionen resultieren, deren Achsen leicht zu verstehen sind.<br />
Probleme ergeben sich jedoch,<br />
– wenn die <strong>Daten</strong> keiner linearer Substruktur entsprechen. Somit werden <strong>Daten</strong><br />
nah zueinander projiziert, die im hochdim. relativ weit auseinanderliegen<br />
können.<br />
– Gerade bei nichtlinearen Zusammenhängen wird die intrinsische Dimension oft<br />
nicht richtig erkannt.<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 79
Inhaltsverzeichnis<br />
7. Multivariate <strong>Daten</strong><br />
1. Wo treten multivariate <strong>Daten</strong> auf?<br />
2. Kombinierte Visualisierungstechniken<br />
3. Merkmalsextraktion<br />
4. Interaktive Techniken<br />
1. Grundidee<br />
2. Direkte Darstellung des Attributraums<br />
3. Projektionstechniken<br />
1. Dimensionsreduktion<br />
1. Definition<br />
2. Lineare Verfahren (PCA)<br />
3. Nichtlineare Verfahren (MDS, Isomap)<br />
2. Validierung<br />
3. Anwendungen in der wiss. Visualisierung<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 80
Nichtlineare Dimensionsreduktion<br />
●<br />
Diese Probleme können durch eine nichtlineare Abbildung der <strong>Daten</strong> gelöst werden.<br />
2D → 1D<br />
●<br />
●<br />
●<br />
Ziel der nichtlin. Dimensionsreduktion ist es Punkte so im niederdim. Raum zu<br />
positionieren, dass Unterschiede im Interpunktabstand zwischen den beiden<br />
Repräsentationen minimiert werden.<br />
Problem: Mit diesen Verfahren kann man nun sehr gut die inherente Struktur der <strong>Daten</strong><br />
beschreiben, jedoch erkauft man sich diese Freiheit mit dem Fehlen <strong>von</strong> einfachen<br />
Dimensionsnamen.<br />
Beispiele: Multidimensional scaling (MDS), isomap, local linear embedding (LLE)<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 81
Nichtlineare Dimensionsreduktion – Aufgaben<br />
●<br />
●<br />
●<br />
Varianz aufdecken: Ähnlich der linearen<br />
Dim.reduktion ist ein Hauptziel der nichtlin.<br />
Dim.reduktion möglichst viel Varianz in den <strong>Daten</strong> zu<br />
erhalten bzw. zu erklären.<br />
Cluster finden: Zumeist geht es bei der <strong>Analyse</strong> <strong>von</strong><br />
multivariaten <strong>Daten</strong> um die Detektion <strong>von</strong> Clustern.<br />
Man benötigt also Darstellungen/<strong>Analyse</strong>verfahren, die<br />
Trennungen im hochD hervorheben.<br />
Struktur verstehen: Wichtig ist nun nicht nur, wo ein<br />
Cluster existiert, sondern auch welche Form es hat und<br />
wie es mit anderen Strukturen in der Punktwolke<br />
zusammenhänge. Es stellt sich dabei natürlich die<br />
Frage, wie man es schafft inherent<br />
k-dimensionale Strukturen (k > 2) in nur zwei<br />
Dimensionen sinnvoll wiederzugeben.<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 82
Nichtlineare Dimensionsreduktion – MDS<br />
●<br />
●<br />
Multidimensionale Skalierung (MDS) umfasst eine ganze Familie <strong>von</strong> Algorithmen zur<br />
nichtlinearen Dimensionsreduktion.<br />
Alle Algorithmen benötigen:<br />
– n Multivariate <strong>Daten</strong>punkte p i<br />
∈P .<br />
– Eine Zieldimension k.<br />
– Eine Distanzfunktionen δ i,j<br />
, die den Abstand zwischen je zwei <strong>Daten</strong>punkten i<br />
und j berechnet.<br />
– Aus den paarweisen Distanzen ergibt<br />
sich die Unähnlichkeitsmatrix Δ:<br />
δ i , j<br />
:=∥p i<br />
− p j<br />
∥<br />
δ 1,1 δ 1,2 … δ 1, n<br />
δ<br />
Δ :=(<br />
2,1 δ 2,2 … δ 2,n<br />
n)<br />
⋮ ⋮ ⋱ ⋮<br />
δ n ,1 δ n , 2 … δ n ,<br />
● Ziel der MDS ist es für jeden Punkt der <strong>Daten</strong>menge eine Position x i<br />
∈X im R k zu finden,<br />
so dass gilt:<br />
∥x i<br />
−x j<br />
∥≈δ i , j<br />
∀i , j ∈P → stress(D ,Δ )=√ ∑ ij (d ij−δ ij<br />
) 2<br />
∥⋅∥ ist eine Vektornorm, i.A. wird die Euklidsche Distanz gewählt.<br />
2<br />
∑ ij<br />
δ ij<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 83
Nichtlineare Dimensionsreduktion – Einfacher Feder-Masse-Ansatz<br />
●<br />
Im Allgemeinen benutzt man Optimierungsalgorithmen, um eine möglichst gute<br />
Platzierung der Punkte zu finden. Ein sehr einfacher Ansatz mit vergleichsweise wenig<br />
Implementierungs- und Rechenaufwand sind kraftbasierte Modelle.<br />
Algorithmus:<br />
●<br />
Positioniere alle Punkte x i<br />
zufällig im kD.<br />
●<br />
Für alle Punkte x i<br />
– Setze die Verschiebung Δx auf 0.<br />
– Für alle Punkte x j<br />
∈ X ∖{x i }<br />
●<br />
Berechne den Unterschied in den beiden Distanzen<br />
∥x i −x j ∥−δ i , j<br />
●<br />
Bewege x i<br />
so, dass die Distanz ein wenig verringert wird.<br />
– Verschiebe x i<br />
um Δx<br />
●<br />
Verringere die Bewegungsrate der Punkte und wiederhole Punkt 2 so lange, bis eine<br />
gewisse Güte erreicht ist.<br />
●<br />
Kosten: O(n³)<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 84
Nichtlineare Dimensionsreduktion – Verbesserter Feder-Masse-Ansatz<br />
●<br />
●<br />
●<br />
●<br />
Die hohe Berechnungskomplexität entsteht durch den paarweisen Vergleich aller Punkte.<br />
Zumeist ist jedoch nur der Abstand zwischen lokalen Nachbarn wichtig und soll stärker<br />
betont werden. (Hierdurch verliert man jedoch leicht relevante Strukturen auf der groben<br />
Skala.)<br />
Zur schnellen Auffindung der lokalen Nachbarn gibt es zwei Ansätze:<br />
– <strong>Daten</strong>strukturen: Man kann geeignete Raumteilungsverfahren wie etwa Oktree oder<br />
kd-Baum verwenden, um schnell die nächsten Nachbarn zu einem Punkt zu finden.<br />
Dies kann bei hochdimensionalen <strong>Daten</strong> schwierig/sehr aufwendig sein.<br />
– Stochastischer Ansatz: Eine weitere Möglichkeit besteht darin, sich Nachbarn zufällig<br />
zu suchen. In jedem Iterationsschritt werden neue Nachbarkandidaten bestimmt. Ist<br />
einer <strong>von</strong> ihnen näher als ein existierender Nachbar, so wird dieser ausgetauscht.<br />
Parameterwahl: Zumeist benutzt man für die Berechnung 6 Nachbarn und für den<br />
stochastischen Ansatz 3 zusätzliche Kandidaten.<br />
Komplexität: O(n²)<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 85
Nichtlineare Dimensionsreduktion – Der Isomap Algorithmus<br />
●<br />
Wie wir gerade beim MDS gesehen haben konzentrieren sich die meisten Algorithmen auf<br />
die Optimierung lokaler Distanzunterschiede. Dabei wird<br />
– zum einen häufig die grobe Struktur komplett außer Acht gelassen bzw. nicht korrekt<br />
dargestellt und<br />
– zum anderen enthalten paarweise Distanzen zumeist keine Information darüber, ob<br />
Punkte wirklich benachbart sind, oder ob sie etwa durch „leeren Raum“ verbunden<br />
sind.<br />
[Tenenbaum 2000]<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 86
Nichtlineare Dimensionsreduktion – Der Isomap Algorithmus<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 87
Nichtlineare Dimensionsreduktion – Der Isomap Algorithmus<br />
(B) Isomap applied to N = 1000<br />
handwritten „2“s from the MNIST<br />
database (40). The two most significant<br />
dimensions in the Isomap embedding,<br />
shown here, articulate the major features<br />
of the „2“: bottom loop (x axis) and top<br />
arch ( y axis).<br />
Fig. 1. (A) A canonical dimensionality reduction<br />
problem from visual perception. The input<br />
consists of a sequence of 4096-dimensional<br />
vectors, representing the brightness values of 64<br />
pixel by 64 pixel images of a face rendered with<br />
different poses and lighting directions. Applied to<br />
N = 698 raw images, Isomap (K = 6) learns a<br />
three-dimensional embedding of the data's<br />
intrinsic geometric structure.<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 88
Nichtlineare Dimensionsreduktion – Der Isomap Algorithmus<br />
Fig. 4. Interpolations along straight lines<br />
in the Isomap coordinate space<br />
(analogous to the blue line in Fig. 3C)<br />
implement perceptually natural but<br />
highly nonlinear „morphs“ of the<br />
corresponding high-dimensional<br />
observations (43) by transforming them<br />
approximately along geodesic paths<br />
(analogous to the solid curve in Fig. 3A).<br />
(A) Interpolations in a three-dimensional<br />
embedding of face images. (B)<br />
Interpolations in a fourdimensional<br />
embedding of hand images (20) appear<br />
as natural hand movements when<br />
viewed in quick succession, even<br />
though no such motions occurred in the<br />
observed data. (C) Interpolations in a<br />
six-dimensional embedding of<br />
handwritten „2“s preserve continuity not<br />
only in the visual features of loop and<br />
arch articulation, but also in the implied<br />
pen trajectories, which are the true<br />
degrees of freedom underlying those<br />
appearances.<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 89
Inhaltsverzeichnis<br />
7. Multivariate <strong>Daten</strong><br />
1. Wo treten multivariate <strong>Daten</strong> auf?<br />
2. Kombinierte Visualisierungstechniken<br />
3. Merkmalsextraktion<br />
4. Interaktive Techniken<br />
1. Grundidee<br />
2. Direkte Darstellung des Attributraums<br />
3. Projektionstechniken<br />
1. Dimensionsreduktion<br />
1. Definition<br />
2. Lineare Verfahren (PCA)<br />
3. Nichtlineare Verfahren (MDS, Isomap)<br />
2. Validierung<br />
3. Anwendungen in der wiss. Visualisierung<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 90
Intrinsische Dimension<br />
●<br />
●<br />
●<br />
Bei den bisherigen Verfahren wurde immer eine Zieldimension<br />
vorgegeben. Bisher haben wir uns jedoch keine<br />
Gedanken gemacht, ob diese Zieldimension sinnvoll ist und<br />
wie groß der Fehler ist, der durch die Abbildung entsteht.<br />
Die intrinsische Dimension einer hochdim. Punktwolke<br />
gibt Aufschluss darüber welche Wahl für die<br />
niederdimensionale Mannigfaltigkeit sinnvoll ist. Bisher gibt<br />
es jedoch kein Verfahren um sie explizit zu berechnen.<br />
Aufschluss kann zum Beispiel ein Fehlerdiagramm geben.<br />
●<br />
Beispiel: Gemessen wurden verschiedenen Oberflächenmaterialien<br />
in der Graphik. [Matusik et al. 2003]<br />
Der Graph zeigt die Eigenwerte der PCA. Man kann<br />
hier recht gut ablesen, welche Komponenten besonders<br />
wichtig sind.<br />
Benutzt man die ersten 45 Hauptkomponenten ergibt<br />
sich ein Rekonstruktionsfehler <strong>von</strong> < 1%.<br />
Der 45D Raum umfasst allerdings auch Beschreibungen <strong>von</strong> Materialien, die<br />
physikalisch nicht möglich sind.<br />
91
Intrinsische Dimension<br />
●<br />
●<br />
Eine ähnliche <strong>Analyse</strong> kann auch auf nichtlineare<br />
Abbildungen angewendet werden. Als Gütekriterium nimmt<br />
man hier z.B. verwenden:<br />
– Rekonstruktionsfehler<br />
– Nichterklärte Varianz<br />
Das obere Bild zeigt die Fehlerraten für eine nichtlineare<br />
MDS des <strong>Daten</strong>satz Oberflächenmaterial-<strong>Daten</strong>satzes (letzte<br />
Folie).<br />
●<br />
Man sieht das in diesem Fall 10<br />
Dimensionen reichen, um die<br />
<strong>Daten</strong> angemessen zu beschreiben,<br />
der Fehler danach<br />
also kaum noch verbessert wird.<br />
(PCA brauchte 45)<br />
●<br />
Im unteren Bild wird die nichterklärte<br />
Varianz genutzt, um die<br />
intrinsische Dimension im<br />
Handschriften-<strong>Daten</strong>satz zu<br />
finden [Tenenbaum 2000].<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 92
Inhaltsverzeichnis<br />
7. Multivariate <strong>Daten</strong><br />
1. Wo treten multivariate <strong>Daten</strong> auf?<br />
2. Kombinierte Visualisierungstechniken<br />
3. Merkmalsextraktion<br />
4. Interaktive Techniken<br />
1. Grundidee<br />
2. Direkte Darstellung des Attributraums<br />
3. Projektionstechniken<br />
1. Dimensionsreduktion<br />
1. Definition<br />
2. Lineare Verfahren (PCA)<br />
3. Nichtlineare Verfahren (MDS, Isomap)<br />
2. Validierung<br />
3. Anwendungen in der wiss. Visualisierung<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 93
Dimensionsreduktion in der Wiss. Visualisierung<br />
●<br />
●<br />
●<br />
●<br />
Die meisten Anwendungen, die wir uns bisher angesehen haben, haben keinen inherenten<br />
räumlichen Bezug – die Anordnung der <strong>Daten</strong>punkte ist oft beliebig, da jedes eine<br />
individuelle Entität beschreibt.<br />
Bei wissenschaftlichen <strong>Daten</strong> gibt es neben den hochdimensionalen Attributvektoren pro<br />
<strong>Daten</strong>punkt noch die ausgezeichnete räumliche Position.<br />
Wir benötigen also wieder Verfahren, die die hochdimensionalen projizierten <strong>Daten</strong> mit<br />
der räumlichen Information verknüpfen.<br />
Hier bieten sich an:<br />
– Farbkodierung entsprechend der ursprünglichen Attribute<br />
– Brushing<br />
– Linking<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 94
Zusätzliche Information in Projizierten <strong>Daten</strong><br />
●<br />
●<br />
●<br />
Nichtlineare Dimensionsreduktionsverfahren haben das<br />
Problem, dass die Achsen oft keine sinnvolle Bedeutung<br />
mehr haben. Um die Punktwolke mit den ursprünglichen<br />
<strong>Daten</strong> verknüpfen zu können, hilft es sie entsprechend<br />
der ursprünglichen Variablen einfärben zu können.<br />
Eine weitere Hilfreiche Technik ist das Brushing&Linking<br />
mit verschiedenen Farben.<br />
Hilfreich sind auch Zusatzinformationen für ausgewählte<br />
<strong>Daten</strong>, etwa der Wertebereich, Mittelwert und Varianz.<br />
Druck<br />
|Geschwindigkeit|<br />
Brushing & Linking<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 95
Topologische Landschaften<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 96
Topologische Landschaften<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 97
Topologische Landschaften<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 98
Topologische Landschaften<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 99
Topologische Landschaften<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 100
Literatur<br />
●<br />
●<br />
●<br />
●<br />
●<br />
●<br />
●<br />
G. Kindlmann, Superquadric Tensor Glyphs. Proceedings of IEEE TVCG/EG Symposium on<br />
Visualization 2004. Pages 147-154. May, 2004.<br />
A. Lie, J. Kehrer, H. Hauser, Critical Design and Realization Aspects of Glyph-based 3D Data<br />
Visualization, INPROCEEDINGS, Proceedings of the Spring Conference on Computer<br />
Graphics (SCCG 2009), 2009.<br />
R. M. Kirby and H. Marmanis and D. H. Laidlaw, Visualizing Multivalued Data from 2D<br />
Incompressible Flows Using Concepts from Painting, Inproceedings IEEE Visualization<br />
1999.<br />
Taylor, R.; , "Visualizing multiple fields on the same surface," Computer Graphics and<br />
Applications, IEEE , vol.22, no.3, pp. 6- 10, May/Jun 2002<br />
D. House, A. Bair, C. Ware. “On the Optimization of Visualizations of Complex Phenomena,”<br />
Proceedings of IEEE Visualization 2005, pp. 87-94, 2005.<br />
Eberly, D., Gardner, R., Morse, B., Pizer, S. and Scharlach, C., Ridges for image analysis,<br />
Journal of Mathematical Imaging and Vision 4(4):353-373, 1994.<br />
R. Peikert, F. Sadlo, Height Ridge Computation and Filtering for Visualization, Proceedings<br />
of IEEE Pacific Visualization Symposium (Kyoto, Japan, March 5-7, 2008), pp. 119-126<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 101
Literatur<br />
●<br />
●<br />
●<br />
●<br />
●<br />
●<br />
F. H. Post, B. Vrolijk, H. Hauser, R. S. Laramee, H. Doleisch, Feature Extraction and<br />
Visualisation of Flow Fields, In Proceedings EuroGraphics 2002.<br />
H. Doleisch, M. Gasser, H. Hauser, Interactive feature specification for focus+context<br />
visualization of complex simulation data, VISSYM '03 Proceedings of the symposium on<br />
Data visualisation 2003.<br />
Tenenbaum, de Silva and Langford, A Global Geometric Framework for Nonlinear<br />
Dimensionality Reduction, Science 290 (5500): 2319-2323, 2000.<br />
M. Chalmers, A linear iteration time layout algorithm for visualising high-dimensional data.<br />
In Proceedings of Visualization '96 (VIS '96), Roni Yagel and Gregory M. Nielson (Eds.). IEEE<br />
Computer Society Press, 1996.<br />
W. Matusik, H. Pfister, M. Brand, and L. McMillan. 2003. A data-driven reflectance model.<br />
ACM Trans. Graph. 22, 3 (July 2003), 759-769.<br />
H. Jänicke, M. Böttinger, and G. Scheuermann, Brushing of Attribute Clouds for the<br />
Visualization of Multivariate Data. IEEE Transactions on Visualization and Computer<br />
Graphics, vol. 14, no. 6 (Nov. 2008), pp. 1459-1466 (Proc. IEEE Visualization 2008).<br />
Vis Natur und Technik – 6. Multivariate <strong>Daten</strong> 102