Visualisierung

Prof. Dr. Detlef Krömker

Goethe-Universität, FrankfurtGraphische Datenverarbeitung

Visualisierung

Prolog und Einführung

WS 2005/20062Visualisierung – Vorlesung 1Prof. Dr. Detlef Krömker

Veranstalter


&

Tobias Breiner

Varrentrappstraße 40-42, 2. OG, Zi 210

60486 Frankfurt

Tel..: 49 (0)69 9799 5152

Email: [email protected]

www: http://www.gdv.cs.uni-frankfurt.de

Sprechstunde: nach Vereinbarung

Sekr. Frau Goinar

Johann Wolfgang Goethe-Universität

Fachbereich Mathematik und Informatik

Graphische Datenverarbeitung

Ro

ber

t-M

aye

r-S

tra

ße

Var

rent

rapp

stra

ße


Übersicht

1. Einordnung in GDV Veranstaltungen

2. Organisatorisches

3. Themen der Vorlesung

4. Literaturempfehlungen + weitere Quellen

5. Einführung: Was bedeutet Visualisierung?


Struktur der GDV Lehr- und Ausbildungsangebote


traditionelle Animationsmethoden (Stop Motion, Knetanimation etc.)

Computer Recorded Animation (Motion Capturing, Dinosaur Input Devices)

Computer Aided Animation (Keyframing, Morphing etc.)

Computer Generated Animation (Simulationsmethoden etc.)

Digital Pre- und Postproduction

Vorlesung Animation SS 2006


WS 2005/06 Visualisierung (V2+Ü1)Praktikum GDV (P4)Datenkompression 2 (2V)OpenGL (2V+2Ü)

SS 2006 GDV (4V+2Ü)Animation (2V+1Ü)Seminar+ProseminarDatenkompression 2 (2V)NSR (2V+2Ü)

(alle Angaben ohne Gewähr!!!)

LehrveranstaltungenGraphische Datenverarbeitung


Visualisierung

V2 + Ü1Mi 12-14 Uhr Mi 14 - 16 Uhr (14-tägig)SR 202 SR 202, ab 09.11.2005(Prof. Dr. Detlef Krömker

& Tobias Breiner) (Tobias Breiner)


Zur Vorlesung

Mittwoch, 12:00c.t. – ca. 14:00

Folien und Infos zur Vorlesung:

www.gdv.cs.uni-frankfurt.de

-> Lehre -> WS2005

-> Visualisierung


Organisation

Vorlesungsfolien auf WWW Serverhttp://www.gdv.cs.uni-frankfurt.de

Leistungsschein durch Fachgespräch (Belegschein: Übungsanmeldung (1. Übung

oder GDV-Sekretariat) erfoderlich) Rechner-Account bei GDV

(nach Übungsanmeldung möglich, im Sekretariat melden)

WS 2005/200610

Visualisierung – Vorlesung 1Prof. Dr. Detlef Krömker

Visualisierung Themen der Vorlesung (1)

A. Was bedeutet Visualisierung? Einführung Definition Semiotik

B. Wann ist eine Visualisierung gut? Ziele, Anforderungen, Gütekriterien

C. Der Visualisierungsprozess Visualisierungspipeline Referenzszenarien

WS 2005/200611



D. Was kann visualisiert werden? Daten und Information Datenarten, Datenquellen, Datenformate

E. Über den Nutzer Ziele bei der Visualisierung Vorwissen und kulturelle Unterschiede

F. Auge und Display Grundlagen des Sehens Das ideale Display

WS 2005/200612



G. Einige Wahrnehmungsprozesse Helligkeit, Kontrast und Farbe Gestalt und vis. Grammatik f. Diagramme Visual Pre-processing, Attention, Suche

H. Grundlegende Visualisierungstechniken Mapping auf Geometrie, Farbe, Textur Visuelle Objekte, Datenobjekte, Glyphen Bild. vs Wort

WS 2005/200613



I. Spezielle Visualisierungstechniken Multiparameter, Volumen, Strömung Raumwahrnehmung & 3D Visualisierung Informationsvisualisierung

J. Interaktive Visualisierung Human Computer Interaction Navigation Visual Thinking

K. Zusammenfassung, Rückblick, Ausblick

WS 2005/200614


Die drei Bücher zur Vorlesung

Heidrun Schumann, Wolfgang Müller:Visualisierung - Grundlagen und allgemeine MethodenSpringer 2000

Colin Ware:Information Visualization: Perception for DesignAcademic Press 2000 (Morgan Kaufmann Publishers)

Robert Spence:Information VisualizationACM Press 2001 (Addison-Wesley)

WS 2005/200615


Hausaufgabe

LESEN SIE DIESE DREI BÜCHER!!! (in

diesem Semester)

Nach jeder Vorlesung: Angabe von

Kapiteln in den Büchern – Hausaufgabe:

lesen bis zum nächsten Mal

Prüfungsstoff

Wo finden sich diese Bücher?

WS 2005/200616


Weitere Literaturempfehlung

Stuart K. Card, Jock D. Mackinlay,

Ben Shneidermann

Readings in Information Visualization:

Using Vision to Think

Morgan Kaufmann Publishers 1999

WS 2005/200617


Weitere wichtige QuellenInternationale Konferenzen

• IEEE Visualization seit 1990 jährlich

• IEEE International Symposium on Information Visualization seit 1997 jährlich

• Symposium on Visualization (VisSym) Seit 1995

• ACM Conference on Human Factors in Computing Systems (CHI) Konferenzreihe der ACM SIGCHI (Special Interest Group on Computer

Human Interface) seit .. 8X jährlich

• Eurographics Konferenzreihe der Eurographics Organisation seit 1979 jährlich

WS 2005/200618


Weitere wichtige Quellen Zeitschriften / Journals

Proceedings of Eurographics

Transactions on Graphics

ACM Computer Graphics

IEEE Computer Graphics and Applications

Computer and Graphics

Communications of the ACM


Goethe-Universität, FrankfurtGraphische Datenverarbeitung

Was bedeutet „Visualisierung“?

Vorlesung Visualisierung - Teil A

WS 2005/200620


Visualisierung

videre (lat.) – sehen to visualize: to form a mental image of ... to visualize: to remember or to imagine as if

actually seeing visualization: constructing a visual image in

the mind visualization: graphical representation of

data or concepts


Motivation•Information in Datenbanken oder weltweiten Informationsnetzen (z.B. WWW) steigen immens:

Megabytes (106) Inhalt eines Buches (1 MB)

Gigabytes (109) Inhalt eines Buchgeschäfts (1 GB)

Terabytes (1012) Typische Universitätbibliothek (1 TB) Library of Congress (20 TB ohne Bilder) Kmart Customer Relationship Database (70 TB, 2001)

Petabytes (1015) NCR Customer Relationship Database (250 TB in 2/2002, 4,2 PB

in 2005) WWW (~ 5 PB) NASA EOSDIS Project in der Fernerkundung (7 PB Earth Science

Data, erwartet für 2007)


MotivationExponentielles Wissenswachstum Insbesondere im Bereich der Life Sciences

DNA-Chips => zurzeit ein Terabyte pro Tag Exabytes (1018)

~1Exabyte an Genomic Data (erwartet 2010)


Motivation•Gesammelte Daten haben keinen Wert, solange es nicht gelingt, diesen Daten Bedeutungen zuzuordnen •Verschiedene analytische Verfahren zur Lösung des Problems

Data Mining

Knowledge Discovery in Databases (KDDB)

•Visualisierung ist ein weiterer, erfolgsversprechender Ansatz


Motivation: Statistik vs. Visualization

x y10,00 8,048,00 6,95

13,00 7,589,00 8,81

11,00 8,3314,00 9,966,00 7,244,00 4,26

12,00 10,847,00 4,825,00 5,69

x y10,00 9,148,00 8,14

13,00 8,749,00 8,77

11,00 9,2614,00 8,106,00 6,134,00 3,13

12,00 9,137,00 7,265,00 4,76

x y10,00 7,468,00 6,77

13,00 12,749,00 7,11

11,00 7,8114,00 8,846,00 6,084,00 5,39

12,00 8,157,00 6,425,00 5,73

x y8,00 6,588,00 5,768,00 7,718,00 8,848,00 8,478,00 7,048,00 5,25

19,00 12,508,00 5,568,00 7,918,00 6,89

After Tufte, 1990

N=11Mittelwert X = 9.0Mittelwert Y = 7.5

Regressionsgerade: Y = 0.5 X + 3

I II III IV


Motivation: Statistik vs. Visualization

0,00

5,00

10,00

15,00

0,00 10,00 20,00

0,00

5,00

10,00

15,00

0,00 10,00 20,00

0,00

5,00

10,00

15,00

0,00 10,00 20,00

0,00

5,00

10,00

15,00

0,00 10,00 20,00

I II

III IV After Tufte, 1990

WS 2005/200626


Das Visualisierungsproblem

8 1E-09 0,39269908 0,78539816 1,17809725 1,57079633 1,96349541-6,28318531 -3,8998E-17 -3,8003E-17 -3,511E-17 -3,0583E-17 -2,4827E-17 -1,835E-17-5,89048623 -0,06496636 -0,06330941 -0,05849027 -0,05094748 -0,04135887 -0,03056849-5,49778714 -0,12861662 -0,1253363 -0,11579564 -0,10086286 -0,08187988 -0,06051772-5,10508806 -0,1809723 -0,17635667 -0,16293232 -0,14192089 -0,11521054 -0,08515253-4,71238898 -0,21220659 -0,20679434 -0,19105306 -0,16641523 -0,13509491 -0,09984914-4,3196899 -0,21387636 -0,20842152 -0,19255637 -0,16772468 -0,13615792 -0,10063481

-3,92699082 -0,18006326 -0,17547081 -0,16211389 -0,14120801 -0,11463183 -0,0847248-3,53429174 -0,10827726 -0,10551569 -0,09748379 -0,08491247 -0,06893145 -0,05094748-3,14159265 7,4579E-16 7,2677E-16 6,7144E-16 5,8486E-16 4,7478E-16 3,5091E-16-2,74889357 0,13921362 0,13566303 0,1253363 0,10917317 0,08862614 0,0655039-2,35619449 0,30010544 0,29245136 0,27018982 0,23534668 0,19105306 0,14120801-1,96349541 0,47052798 0,45852733 0,42362402 0,3689943 0,29954742 0,22139658-1,57079633 0,63661977 0,62038301 0,57315917 0,49924569 0,40528473 0,29954742-1,17809725 0,7842133 0,76421222 0,70604003 0,61499051 0,49924569 0,3689943-0,78539816 0,90031632 0,87735407 0,81056947 0,70604003 0,57315917 0,42362402-0,39269908 0,97449536 0,9496412 0,87735407 0,76421222 0,62038301 0,458527332,2204E-15 1 0,97449536 0,90031632 0,7842133 0,63661977 0,470527980,39269908 0,97449536 0,9496412 0,87735407 0,76421222 0,62038301 0,458527330,78539816 0,90031632 0,87735407 0,81056947 0,70604003 0,57315917 0,423624021,17809725 0,7842133 0,76421222 0,70604003 0,61499051 0,49924569 0,36899431,57079633 0,63661977 0,62038301 0,57315917 0,49924569 0,40528473 0,299547421,96349541 0,47052798 0,45852733 0,42362402 0,3689943 0,29954742 0,221396582,35619449 0,30010544 0,29245136 0,27018982 0,23534668 0,19105306 0,14120801

WS 2005/200627


Was ist dies?

0,000000001-6,283185307

-5,890486225

-5,497787144

-5,105088062

-4,71238898

-4,319689899

-3,926990817

-3,534291735

-3,141592654

-2,748893572

-2,35619449

-1,963495408

-1,570796327

-1,178097245

-0,785398163

-0,392699082

2,22045E-15

0,392699082

0,785398163

1,178097245

1,570796327

WS 2005/200628


oder dies?

-0,4

-0,2

0

0,2

0,4

0,6

0,8

1

-6,2

831853

-5,1

050881

-3,9

269908

-2,7

488936

-1,5

707963

-0,3

926991

0,7

853982

1,9

634954

3,1

415927

4,3

196899

5,4

977871

6,6

758844

7,8

539816

9,0

320789

10,2

10176

11,3

88273

12,5

66371

0,000000001

0,392699083

0,785398164

1,178097246

1,570796328

1,963495409

2,356194491

2,748893573

3,141592655

3,534291736

3,926990818

4,3196899

4,712388981

5,105088063

5,497787145

5,890486226

6,283185308

6,67588439

7,068583472

7,461282553

7,853981635

WS 2005/200629


Die 2D-sinc Funktion

-6,2

83-4

,712

-3,1

42

-1,5

71

0,00

0

1,57

1

3,14

2

4,71

2

6,28

3

7,85

4

9,42

5

10,9

96

12,5

66

0,000

1,963

3,9275,890

7,854

-0,3-0,2-0,1

00,10,20,30,40,50,60,70,80,9

10,9-1

0,8-0,9

0,7-0,8

0,6-0,7

0,5-0,6

0,4-0,5

0,3-0,4

0,2-0,3

0,1-0,2

0-0,1

-0,1-0

-0,2--0,1

-0,3--0,2


Space Shuttle Disaster 1986•Space Shuttle Disaster 1986

Edward Tufte: Visual Explanations, 1990

•Probleme mit Dichtungsringen der Trägerrakete waren im Vorfeld bekannt

•Die folgenden Diagramme wurden bei der Analyse des Problems verwendet

After Tufte, 1990


Space Shuttle Disaster 1986

After Tufte, 1990



After Tufte, 1990



•Fakten Problem war bekannt: Fachleute diskutierten

bereits über den Sachverhalt, der letztendlich auch zum Absturz führte

Alle relevanten Daten waren verfügbar

Aber: die Daten wurden nicht auf expressive Art und Weise präsentiert

Folgerung: Eine falsche Entscheidung wurde getroffen!



After Tufte, 1990

WS 2005/200635


Warum visualisieren wir?

Hohe Bandbreite zum Gehirn (70% aller Rezeptoren ,40+% des Cortex, 4 Milliarden Neuronen)

Verstehen von riesigen Datenmengen (Millionen von Messwerten können in einem Bild dargestellt werden)

Wir können mehr sehen, als wir uns mental vorstellen können

Erkennen von Mustern in Daten …

WS 2005/200636


Warum visualisieren wir?

„In der Tat ist der Mensch ein Augentier“. (Herbert W. Franke)

WS 2005/200637


Ein Bild sagt mehr als tausend Worte?

WS 2005/200638


Ein Bild sagt oft mehr als tausend Worte!

3D-GraphikkarteClub CGN NVIDIA GeForce FX5900xt 128 MB DDR, 128 biti TV-Out


Ziele der Visualisierung

• Unterstützung bei: Exploration

Analyse

Schlussfolgern aufgrund von Informationen

Decision Making

Erklärung und Kommunikation

Adapted from Hearst 1998


Ziele der Visualisierung •Genauer: Große Datensätze kohärent machen

(Kompakte Datensätze kompakt repräsentieren) Präsentation von Daten und Informationen von

verschiedenen Gesichtspunkten Präsentation von Daten und Informationen auf

verschiedenen Detailstufen (Überblick bis Detail) Unterstützung visueller Vergleiche Aufdeckung versteckter Strukturen Geschichte der Daten erzählen

Adapted from Hearst 1998

WS 2005/200642


VisualisierungModerne Definition(-sversuche)

Zwei Aspekte: “making visible, especially to one’s mind (things not visible to the

eye)” modernes Mikroskop, Teleskop, ... Bsp. Molekül

“forming a mental image of something (thing not present to the sight, an abstraction, etc.)”... Informationsvisualisierung ...

the use of computers or techniques for comprehending data or to extract knowledge from the results of simulations, computations, or measurementsMc Cormick, De Fanti, Brown 1987

WS 2005/200643


Visualisierung: unscharfe Trennung (nach Card, Mackinlay, Shneiderman)

(Scientific) Visualization

The use of computer-supported, interactive, visual representations of data to amplify cognition.

Daten sind oft technischen, naturwissenschaftlichen Ursprungs (Messung, Simulation) oft existiert „natürliche“ , naheliegende räumliche Repräsentation

Information VisualizationThe use of computer-supported, interactive, visual representations of abstract data to amplify cognition.

„allgemeinere“ Daten: Geschäftsdaten, Finanzdaten, „Dokumente“ ... oder Datenbankinhalte = strukturierte abstrakte Daten ohne „natürliche“ , naheliegende räumliche Repräsentation

WS 2005/200644


Beispiel Informationsvisualisierung [Ahlberg, Williamson, Shneiderman, 1992]

Klassisches Periodensystem(Mendeleyev)Ergänzt um 6 sliders:atomic massatomic numberatomic radiusionic radiusionization energyelectronegativity

Experiment: 18 chemistry students 1 aktive Diagramme (dynamic queries) 2 same visualisation, but number boxes

3 textual input and output

WS 2005/200645


Beispiele: Grenzfälle zwischen Scientific & Information Visualisation

• Immun

• Gläserner Reaktor

WS 2005/200646


Visualisierung von Abstraktionen und Modellen

WS 2005/200647


Gläserner Reaktor (1)

Kopplung eines

Simulators (Speedup)

mit einem

Visualisierungssystem

WS 2005/200648


Gläserner Reaktor (2)

WS 2005/200649


Beispiele Scientific Visualization

a)Raumbezogene Daten


Bildgebende Verfahren in der MedizinBsp. InViVo 4D (Scientific Vis.)

Echo-cardio Datensatz 3 Orts- & 1 Zeitdimension

WS 2005/200651


Etwas Altbekanntes

„Imagination oder Visualisierung und besonders die Benutzung von Diagrammen haben einen entscheidenden Anteil an der wissenschaftlichen Forschung.“

Rene Descartes, 1637

WS 2005/200652


Offener philosophischer Streit

Sind Bilder gleichermaßen willkürlich wie Worte

oder

gibt es „Ähnlichkeitsmaße“ zwischen Bildern und den realen Dingen, die sie repräsentieren?

WS 2005/200653


Meinungen„The picture, particularly one printed on paper, is a highly

conventional symbol, which a child reared in the Western culture has learned to interprete. “

Biesheuvel, 1947„ Realistic representation, in brief, depends not upon

imitation or illusion or information but upon incalculation. Almost any picture may represent almost anything; that is, given picture and object there is usually a system of representation, a plan of correlation, under which the picture represents the object.“

Goodman, 1968Es gibt keine guten oder schlechten Visualisierungen,

alle sind gleichgut, alles nur Konvention.Je früher man diese Konventionen lernt, umso besser.

WS 2005/200654


BeispielBeziehungen zwischen Objekten

WS 2005/200655


Wahrnehmungspsychologie

Solange das visuelle System (Funktion des neuronalen Systems) nicht vollständig (naturwissenschaftlich) verstanden ist, gibt es Raum für Meinungen.

Wissen um die Funktion des visuellen Systems ist wichtig, da es einen nicht-trivialen Zusammenhang zwischen Reiz und Perzept gibt

WS 2005/200656


Inwieweit können Bilder das Lernen unterstützen (nach Peeck, 1987)

affektiven Faktoren: ist ein Bild interessant oder ist es imaginativ?

Motivationsfaktoren: wie ist der Betrachter motiviert, ändert das Bild etwas an der Motivation

kognitiven Faktoren: Inwieweit können Informationen aus dem Bild entnommen werden

WS 2005/200657


Weitere Einflußfaktoren (Peeck, 1987)

ästhetische, künstlerische, technische Qualität: z.B. Farbbalance

die Authentizität und Validität: der Grad mit dem der Betrachter das Gesehene glaubt

die Informationsdichte: Anzahl der Bildelemente und den Detailgrad eines jeden Elementes

WS 2005/200658


Bildklassifikationen

Presentational Pictures

Pictograms

Abstract-graphical Pictures

nach Strothotte

zeigen natürlich sichtbareObjekte oder Relationensind intuitiv, einfach zu verstehen

Können auch nicht-sichtbareObjekte oder Relationen

zeigen. Sind von Konventionengeprägt. Diese müssen erlernt

werden.

WS 2005/200659


Piktogramme

Piktogramme repräsentieren oft mehr, als sie aktuell zeigen

(Index) Symbole Ikonen(An-)Zeichen symbolischikonisch

WS 2005/200660


Symbole

Richtige Interpretation von Symbolen setzt einen Lernprozess voraus

Viele Hinweise (insbesondere aus der Wahrnehmungs- und Lernpsychologie), daß eine Unterscheidung zwischensensorischen und willkürlichenSymbolen und Bildern Sinn macht.

WS 2005/200661


Willkürliche vs. Sensorische Symbole

WS 2005/200662


Sensorische Symbole

Werden ohne Training verstanden

Unterliegen sensorischen Phänomenen

Sensorische Direktheit

Valide in unterschiedlichen Kulturen

WS 2005/200663


Sensorische Phänomene 1

Krümmung durch diagonale Linien

WS 2005/200664



Krümmung durch diagonale Linien

WS 2005/200665



Krümmung durch Helligkeitsverteilung

WS 2005/200666



falsche Größeneinschätzung

Müller-Lyer-Pfeile

WS 2005/200667



falsche Größeneinschätzung durch Tiefenwirkung

WS 2005/200668



Gitterphänomene

WS 2005/200669



Erkennung nichtexistenter Objekte

WS 2005/200670



Stückweise Gestaltwahrnehmung

WS 2005/200671



Exklusive Gestaltselektion

WS 2005/200672


Sensorische Phänomene in der Natur

Mondphänomene: Kombination aus verschiedenen sensorischen Phänomenen

WS 2005/200673



Frau oder Mann im Mond?

WS 2005/200674



Mondberge oder -krater?

WS 2005/200675


Sensorische Direktheit

WS 2005/200676


Willkürliche Symbole

Schwer zu erlernen

Einfach zu vergessen

In die Kultur eingebettet

Formal mächtig

Schnell abänderbar

WS 2005/200677


Diagramm

Ein Diagramm in seiner allgemeinsten Form ist eine graphische Repräsentation von Informationen mit Hilfe graphischer Elemente, wie etwa Punkte, Linien, Kurven und geometrischer Formen in Verbindung mit Darstellungsattributen wie Farbe und Textur. Diagramme bezeichnen somit die allgemeinste Form der graphischen Darstellung von Daten.

WS 2005/200678


Diagramm und Charts

Achtung: im Englischen (nach Harris)für diese allgemeine Form: Chart. Harris unterscheidet verschiedene Klassen von Charts. Die wichtigsten Formen sind:

Diagramme, die nicht-quantitative Beziehungen zwischen Elementen darstellen,

Graphen, die dagegen quantitative Strukturen und Vergleiche zwischen zwei oder mehr Gesamtheiten, sowie

Karten, die Orts- und Richtungsbeziehungen präsentieren.

WS 2005/200679


Graphische Semiotik(Graphische Semiologie)

Wissenschaft von den graphischen Zeichen, Symbolen, Sinnbildern, ...

Jahrtausende alte Traditionen Theologie, Philosophie, Anthropologie

Psychologie, ..., Kartographie (Bertin), ..., Visualisierung

Jacques Bertin 1982: The Semiology of GraphicsGrundlage der modernen Visualisierung

WS 2005/200680


Visuelle Variablen (nach Bertin 1982)

Für statische 2D-Darstellungen gibt es verschiedene visuelle Variablen, die konstruktiv zur Generierung graphischer Darstellungen eingesetzt werden können:

die Position auf der Ebene die Größe (Länge, Fläche/Volumen) der Helligkeitswert, die Musterung oder Textur, die Farbe, die Richtung oder Orientierung sowie die Form des Elementes

WS 2005/200681


Wirkungen der visuellen Variablen (nach Bertin 1982)

Selektiv (trennend): Unterschiedliche Datenwerte werden nach Kodierung mit solchen Variablen vom Betrachter spontan in Gruppen aufgeteilt und unterschieden.

besonders geeignet für nominale Daten Weitere Unterscheidung:

assoziativ (alle Faktoren haben gleiche Sichtbarkeit)

nicht assoziativ

WS 2005/200682


Wirkungen der visuellen Variablen (nach Bertin 1982)

ordinal: Datenwerte werden vom Betrachter spontan in eine Ordnung gebracht. Besonders geeignet für ordinale Daten

proportional: Datenwerte werden vom Betrachter ebenfalls spontan in eine Ordnung gebracht. Zusätzlich erwirken diese Variablen eine direkte Assoziation der relativen Größe. (visuelle Metrik)Mit diesen Variablen lassen sich daher insbesondere ordinale und quantitative Daten gut darstellen.

WS 2005/200683


Ergänzungen und Verfeinerungen(nach Mackinlay / Cleveland)

WS 2005/200684


Visualisierungs-PrinzipienAbbildung von Daten / Informationen Freiheits-auf (visuelle) Wahrnehmungsprimitive grade (visuelle Attribute)

Form 2 oder 3 Position, Orientierung, Größe (2+2+2) 3+3+3 Farbe 3 (aber max. 2 nutzen) Textur 2 ... 5 Zeit 1Achtung: - Wahrnehmung der Primitive ist nicht unabhängig

- oft Redundanz zu empfehlen / notwendig

GESTALTEN

WS 2005/200685


Visualisierung als Anwendung der Computergraphik -- Meilensteine 1967-81 Arbeiten + Theorien von Jacques Bertin:

„Graphics is the visual means of resolving logical problems.“

Semiology of Graphics: Diagrams Networks, Maps, Madison, University of Wisconsin Press, 1983, übersetzt von W.J. Berg (Original als französische Ausgabe, 1967).

La Graphique et le Traitement Graphique de l‘Information, Paris 19??.(als deutsche Übersetzung erschienen: Graphische Darstellungen und die graphische Weiterverarbeitung der Information, Walter de Gruyter, Berlin 1982, auch als englische Übersetzung erschienen: Graphics and Graphics Information Processing, Walter de Gruyter, Berlin 1977 (?) /1981)

WS 2005/200686


Meilensteine (2)

1983 Edward R. Tufte The Visual Display of Quantitative Information,

Graphics Press, Cheshire,CT 1983.Envisioning Information, Graphics Press,

Cheshire,CT 1990.Visual Explanations: Images and Quantities,

Evidence and Narrative, Graphics Press, Cheshire,CT 1997.

1986 NSF/SIGGRAPH Workshop Visualization in Scientific Computing

Mc Cormick, De Fanti, Brown, 1987

WS 2005/200687


Zusammenfassung

Begriff Visualisierung Visualisierung als Anwendung der CG Semiotik Visuelle Variablen Meilensteine der Entwicklung Terminologie

Diagramm Willkürliche und sensorische Symbole, Ikonen Scientific Visualization und Informationsvisualisierung

WS 2005/200688


Ausblick – Nächste Schritte

Anforderungen und Ziele Effektivität – Expressivität – Angemessenheit

Der Visualisierungsprozesses Visualisierungspipeline Referenzmodell Visualisierungsszenarien

WS 2005/200689


Hausaufgabe

Lesen Sie: CW:

Preface,Kap. 1 bis S. 25 SM:

Einleitung RS:

Preface, Kap. 1.1 – 1.3

Exzerpieren Sie wesentliche Punkte

WS 2005/200690


Danksagung

Diese Vorlesung basiert auf Material von Prof. Dr. Ralph Dörner Prof. Dr. Wolfgang Müller Prof. Dr. Colin Ware

Date post:	09-Jan-2016
Category:	Documents
Upload:	lan
View:	64 times
Download:	2 times

Visualisierung

Documents