Vorlesung 2 Dr. Ralf Dörner - Johann Wolfgang Goethe ... · 3 Dr. Ralf Dörner Visualisierung –...

1

Dr. Ralf Dörner

*RHWKH�8QLYHUVLWlW��)UDQNIXUW

*UDSKLVFKH�'DWHQYHUDUEHLWXQJ

��

Vorlesung 2

WS 2002/20032Visualisierung – Vorlesung 2Dr. Ralf Dörner

� ��

1. Wiederholung: „Was ist Visualisierung?“ (Teil A)

2. „Wann ist eine Visualisierung gut?“ (Teil B)

3. Der Visualisierungsprozess (Teil C)

2


��

�� !� ��"

�� symbolisch

�Zeichen(-ketten) Wörter oder Abkürzungenz.B. chemische Elemente, Verbindungen Pb, S, H20

� (abstraktes) Symbol Kreuz (schwarz, rot, ...)�Piktogramm (graphisch,

bildliches Symbol) Totenkopf (für Gift)

© D

etle

f Krö

mke

r


��

�� !� ��"

�� ikonisch, zeigt (für einen Menschen) unmittelbar

die Bedeutung, anschaulich� stilisierte Abbildungen ( Strichzeichnungen)� realitätsnah (elementare Beleuchtungsrechnung)

� fotorealistisch: nicht von einem Foto unterscheidbar

© D

etle

f Krö

mke

r

3


��

�� !� ��"

�� Schrift Zeichenketten, Konventionen� Tabelle zusätzliche Strukturen im Schriftbild� Diagramme Anordnung von Zeichen,

Symbolen und Ikonen� Zeichnungen zweckgebundene Abstraktion

(Karten) Ähnlichkeiten bezgl. topologischer Strukturen bleiben erhalten

� Bild höherer Grad der Ähnlichkeit� Virtuelle Welten „erlebbare“ 3-Dimensionalität

© D

etle

f Krö

mke

r


��

�� !� ��"

� �� statisch, dynamisch

(diskret, kontinuierlich)� ��

� Standbild (Festbild)� nicht proportionales Bewegtbild� proportionales Bewegtbild

� Zeitlupe

� Echtzeit

� Zeitraffer

© D

etle

f Krö

mke

r

4


��

�� !� ��"

�� ohne� Navigation in der Präsentation� mit dem Simulationsmodell / den Messgeräten� mit dem graphischen Modell� „in“ dem Modell (Immersion)

© D

etle

f Krö

mke

r

Dr. Ralf Dörner



#��$

Teil B

5


#��%��&��$

explorative Analysekonfirmative Analyse

Präsentation+ Kommunikation

Erkenntnisgewinnung

Kenntnisvermittlung(Training)

Noch keine Hypothesen bekannt,interaktive, oft ungerichtete Suche�� Formulierung einer Hypothese

��: Bestätigen oder Verwerfen einer Hypothese

Ergebnisse und Fakten für Dritte erkennbar darstellen

© D

etle

f Krö

mke

r


'��

Visualisierung ist gut, wenn sie ihr Ziel erreicht:� die Analyse,� das Verständnis und� die Kommunikation

von� Modellen,� Konzepten und� Daten / Information

ergänzen, erleichtern, ermöglichen� durch die Erzeugung geeigneter visueller

Repräsentationen von Daten / Information

© D

etle

f Krö

mke

r

6


��

Mit Hilfe einer (dem Sender und Empfänger) bekannten Abbildungsvorschrift α wird einer (konkreten) Nachrichteine (abstrakte) Information zugeordnet.

Eine Nachricht N zusammen mit der ihr zugeordneten Information I, also das Paar (N,I) nennen wir Objekt. Daten sind spezielle Objekte (binär kodierte Zeichen), besonders in Abgrenzung zu Befehlen genutzt.

nach Bauer, Goos

α��

© D

etle

f Krö

mke

r


(��)��

definiert sich durch den Grad, in dem die bildliche Darstellung das Ziel der Visualisierung erreicht.

Sie läßt sich als das Verhältnis von der vom Betrachter in einem Zeitraum wahrgenommenen Information zu der im gleichen Zeitraum zu vermittelnden Information beschreiben.

Mentale Modelle (Form der Wissensrepräsentation beim Menschen, Begriff aus der kognitiven Psychologie)müssen im Betrachter entwickelt oder geeignet adressiert werden. Wie gut gelingt dies durch eine Visualisierung?

© D

etle

f Krö

mke

r

7


��*�� +��)�

� die Art und Struktur der Daten,zum Beispiel Typ der Daten sowie Dimension und Struktur des Beobachtungsbereiche,

� das Bearbeitungsziel bei der Visualisierung, beispielsweise Überblick, Detailanalyse oder Ergebnispräsentation für Dritte,

� das Vorwissen des Anwenders/Betrachters,ist er zum Beispiel ein Laie, ein Entscheider oder ein Planer

� die visuellen Fähigkeiten und Vorlieben des Betrachters,ist er etwa farbenblind oder hat er spezielle Farbpräferenzen,

� übliche Metaphern oder Konventionen des Anwendungsgebietes,wie zum Beispiel übliche Symbole oder übliche Darstellungsformen

� die Charakteristika des Darstellungsmediumswie Auflösung, Anzahl der darstellbaren Farben und Rechenleistung

© D

etle

f Krö

mke

r


!��&��!��

Eine Visualisierung soll

��!"��#

� möglichst �$$�� und dabei

��

sein.

© D

etle

f Krö

mke

r

8


�,-��)� !��)��"

�%�� Unverfälschte Wiedergabe der Daten

�&�� die in den Daten enthaltenen Informationen �� sollen durch die Visualisierung dargestellt werden.

© D

etle

f Krö

mke

r


��-��,-��)�

�'��"�� (��

Das Balkendiagramm ist nicht expressiv, da es kontinuierliche, geordnete Werte auf der Abszisse suggeriert.

© D

etle

f Krö

mke

r

9


��,-��)�

� Die Expressivität ist �� von der �� (Typ, Wertebereich, ...) �� .

� Expressivität ist oft keine binäre Eigenschaft sondern graduell.

� Die Wahl eines oder mehrerer (maximal, genügend) expressiven Vis-verfahrens oder einer Vis-technik ist i.d.R. der erste Schritt bei der Visualisierung.

© D

etle

f Krö

mke

r


��)�

%�� Unter Beachtung der Randbedingungen

1. Zielsetzung2. Anwendungskontext3. visuelle Fähigkeiten des Betrachters4. Eigenschaften (und Einstellungen) des

Graphiksystems

wird ein optimales Vis-Verfahren oder eine optimale Vis-Technik gesucht.

© D

etle

f Krö

mke

r

10


��-��)�

Visualisierung von Grundstückspreisen in einer Region (nach Bertin 82)

Die rechte Visualisierung ist effektiver, da die Größen der Kreise direkt die richtige Assoziation erweckt.

© D

etle

f Krö

mke

r


��)�

� Das Effektivitätskriterium gibt Aufschluss über die Fähigkeit einer Darstellungsform, die in ihr enthaltenen Informationen zu ��'��'��und ��$ �� )�� an den Betrachter *� ��. Im allgemeinen sucht man daher nach der effektivsten Darstellungsform für eine gegebene Datenmenge, aber

� nicht immer ist jedoch die effektivste Visualisierung auch die beste Wahl

� Angemessenheit

© D

etle

f Krö

mke

r

11


��-��.


��-��/

12


!�&��

� setzt Aufwand und Nutzen in Relation� nicht nur Technologiekosten zählen, sondern auch und

insbesondere der� zeitliche,� kognitive,� physische und� psychischeAufwand / (die Belastung) für den Betrachter.

� eng mit Effektivität verknüpft: Unangemessene Visualisierungen können nicht effektiv sein.

© D

etle

f Krö

mke

r


!��

� Verwendung als Leitlinien (vgl. Gestaltungsregeln)

� Keine Messbarkeit wie eine physikalische Größe, keine theoretische Ableitung

� Durchführung von +�� mit Nutzern

13


0��1��

� Verwendung von empirischen Methoden (z.B. aus der Psychologie)

� Psychologische Methodenlehre:� Objektivität� Reliabilität� Validität


2 3��)�

� Verwendung operationaler Definitionen� Bsp. „Intuitiv“ vs. „Anzahl der Fehler“

� Standardisierung und Kontrolle der Versuchsbedinungen

� Vermeidung systematischer Fehler (bias)� Placebo Effekt� Rosenthal Effekt� Hawthorne Effekt

14


4�� )�

� Genauigkeit der Messung

� Konsistenz

� Stabilität

� Reproduzierbarkeit


��)�

� Was wollen wir messen?

� Welche Kriterien stellen wir auf?

� Welches Verfahren wählen wir?

� Was messen wir mit dem Verfahren wirklich?

15


��5��5��)�

� Koinzidenz:

Zufällige Verbindung von Ereignissen

� Korrelation:

Konsistente, stabile Beziehung zwischen zwei

oder mehreren Variablen (z.B. Krebs u. Rauchen)

� Kausalität:

Veränderung in einer Variablen verursacht Änderung

in einer anderen Variablen


6��

� Beobachtung� Direkt� Vermittelt

� Befragung� Fragebogen� Interview

� Test� Kontrolliertes Experiment� Korrelationsstudie

16


��,-��&��

� Unabhängige Variablen (Factors)� Treatment Factor� Group Factor� Trials Factor� Blocking Factor� Error Factor

� Abhängige Variable(n) (Score)


��,-��&��

� Factors: diskret (levels)

� Score: Wert aus einem Intervall

� Fixed vs. Random Factors

� Crossed vs. Nested Factors

17


��,-��&��

� S(A): Subject is nested with A:Between Subject Effects

� S x A: Subject crossed with A:Within Subject Effects

� Benötigte Anzahl Subjects:� Multiplikation d. Level des Between Subject Factors

� Benötigte Anzahl Messungen pro Subject :� Multiplikation d. Level der Within Subject Factors


!��

� Auswertung mit statistischen Verfahren, z.B. ANOVA / MANOVA

� Konfidenzschwellwert (gewöhnlich 5%)

� Verwendung statistischer Programme (z.B. SPSS) oder Taschenrechner + Verteilungstabellen

18


'��&&��

� Hauptqualitätskriterien bei einer Visualisierung:�$$�� , �$$�*��* , ��

� Akzeptierte formale Beschreibung ist offener Forschungsgegenstand (-> empirische Tests)

� Assistenzsysteme sind möglich und hilfreich –können gravierende Fehler vermeiden

� Gute Visualisierungen zu erstellen ist (und bleibt?) eine

%-&�+.

Dr. Ralf Dörner



��-��

Teil C

19


� ��

1. Die Visualisierungspipeline� Transformationen (Funktionen)� Datenarten und Datenfluss

2. Klassifikation der Visualisierungen3. Rollen im Visualisierungsprozess4. Referenzmodell für die Visualisierung5. Visualisierungsszenarien


��-�-��

Die drei wesentlichen Schritte :

/��: „Datenaufbereitung“

��""��: Erzeugung eines Graphischen Modells (Geometrie + Merkmale): Visualisierung im engeren Sinn

0��: „Bildgenerierung“

(nach Haber: �� , 1990)

Filtering

Mapping

Rendering

Daten

Bild

© D

etle

f Krö

mke

r

20


��-�-��

Datenerfassung liefert �� Messung� Berechnung, Simulation

� Manuelle Eingabe

� Datenbanken, TabellenFiltering

Mapping

Rendering

Daten

Bild

© D

etle

f Krö

mke

r


��-�-��

1�� Interpolation (Vorsicht!)

0��*�� Selektion� Projektion

2�� Fehlerkorrektur

(�� '��'�� '��$�� Extrema, Gradienten� Statistik, Informationsgehalt

Ergebnis:

��$��

Filtering

Mapping

Rendering

Daten

Bild

© D

etle

f Krö

mke

r

21


��-�-�� der aufbereiteten Daten � ��

(�� *�� 3��(Geometrie und Merkmalsebene) durch

� Ensemble von geometrischen Objekten (Punkte, Linien, Flächen, Körper)

� Erscheinungsattribute (Farbe, Struktur, Textur, Parametern von Beleuchtungsmodellen, ... )

� Betrachtungsbedingungen�� 0�"�� sogenannter

�� 1��: Position auf der Ebene, Größe, Helligkeit, Musterung (Textur), Farbe, Richtung / Orientierung, Form) ��

�'��: In Sonderfällen wird direkt in ein Digitales Bild transformiert (VolumeRendering)

Filtering

Mapping

Rendering

Daten

Bild

© D

etle

f Krö

mke

r


��-�-��

0��Transformation einer Geometrie- und Merkmalsbeschreibung in ein Digitales Bild

Filtering

Mapping

Rendering

Daten

Bild

© D

etle

f Krö

mke

r

22


1��&��

Fachhistorisch taucht der Begriff schon 1968 z.B. bei Appelauf. Zuächst findet man eine starke Anlehnung an die in der Kunst gebräuchlichen Verwendung: �� !��" ��#��". „$�� %��&�� %�� "��&�� %�� &�� '(�[Appel 68]

PEX Glossary 88:„)�� %��" �� %�� &�� *�� '(

© D

etle

f Krö

mke

r


��-�-��

Anzeige:

Digitale Bild � VideosignalElektrooptische Wandler

(Display): Monitor, ..., Drucker

Filtering

Mapping

Rendering

Daten

Bild

© D

etle

f Krö

mke

r

23


!��7��&�� -��7�"�

Elektrooptische Wandler

Refresh-Typen Speichertypen

sequentiell simultan

pixelsequentiellRasterscan: Fernsehprinzip

andere Sequentialisierungen

%��4�5�� 60+)

kaligraphische CRTseinzelne Farbauszügein Filmbelichtern

/�7��4��4�*��

��'��

Plotter

Plasmadisplays

AC-Dünnfilm-Elektroluminis-zenz

Speicherröhre


1��&��

Applikationsdomäne

1��8

88

1��

Graphische DatenverarbeitungGDV, Anim u. MM und VR u. MR

Filtering

Mapping

Rendering

Daten

Bild

© D

etle

f Krö

mke

r

24


��* ��-�-��

0��

(��

��$��

2�� 9��

(��

© D

etle

f Krö

mke

r


��-�)�� 8-��"�

DigitalesBild

Digital-video

Graphik Animation

Reiz

Video

� Symbolisch

� Geometrie & Merkmal

� Diskret, Quantisiert

� Elektrisch (optisch)

� Optisch (unmittelbar wahrnehmbar)

zeitunabhängigeRohdatenaufbereitete Daten

zeitabhängigeDaten

© D

etle

f Krö

mke

r

25


��""��

0��

Rekonstrukion

Anzeige

6��9��

Bildverstehen

Merkmalsextraktion

Abtastung

Aufnahme

Digitales Bild Digital-Video

Graphik Animation

zeitunabhängigRohdatenaufbereitete Daten

Reiz

Video

zeitabhängigeDaten

/��

© D

etle

f Krö

mke

r


��-��

Erfassung der Rohdaten an den roten Punkten

Abbildung auf ein reguläres Gitter

Projektion des Gitters und Mapping der WerteDruck � HöheTemperatur � Farbe

© D

etle

f Krö

mke

r

26


4��&��-��

� Messfachmann� Simulationsfachmann� Berechnungsfachmann

� Visualisierungsfachmann� (Illustratoren)

� (Fach-) Analytiker� Zuschauer

� Autor („Publisher“)

� Betrachter, Leser(„Viewer“)

© D

etle

f Krö

mke

r


��.:��!��;�

��+��

� Der Betrachter hat keine Möglichkeiten auf den Visualisierungsprozess Einfluss zu nehmen

� Ggf. hohe Datenraten nötig (Bild, Video)� Der Autor kann die Qualität garantieren

/ � 0Daten Bild

Autor Betrachter

© D

etle

f Krö

mke

r

27


��/:��!��9��&��< ��

6��&��&��;��!�&��

� Übertragung zum Beispiel als VRML-Szene� Betrachter kontrolliert virtuelle Kamera und ggf. andere

Renderingparameter (walkthroughs)insbesondere bei 3D Präsentationen sinnvoll

� Betrachter gewinnt Freiheiten� Autor kann i.d.R. Qualität noch sicherstellen

/ � 0Daten Bild

Autor Betrachter

© D

etle

f Krö

mke

r


��:��

� Der „Autor“ liefert Rohdaten oder aufbereitete Daten

� Daten werden z.B. als netCDF ausgetauscht� Betrachter hat alle Freiheiten – hat mehr Arbeit

und Verantwortung (für Qualität)� Betrachter braucht Visualisierungssystem

/ � 0Daten Bild

Autor Betrachter

© D

etle

f Krö

mke

r

28


��=:��!��9��&��<��6��&��<&�� ;��* ��

� Filtering und Mapping wird vom Autor vorbereitet � Über ergänzende Schnittstelle erhält der Betrachter

Möglichkeiten zur Beeinflussung des Filtering und des Mappings, �� in vom Autor kontrollierten Art und Umfang

� Kaum ein Visualisierungssystem erlaubt dieses

/ � 0Daten Bild

Autor Betrachter

© D

etle

f Krö

mke

r


4��&��%��

Datenfluß im erweiterten Modell

/ � 0

Bild

Visualisierungssystem

Roh-daten

Analyse

&��*��Spezifikation derVisualisierung

BeobachtungMessung

Modellierung

SimulationBerechnung

Daten-analyse

© D

etle

f Krö

mke

r

29


4��&��%��

Kontrollfluß (rot) im erweiterten Modell

Bild


Roh-daten

Analyse


BeobachtungMessung

Modellierung


Daten-analyse

/ � 0

© D

etle

f Krö

mke

r


��7�� '7��

Bild


Roh-daten

Analyse


BeobachtungMessung

Modellierung


Daten-analyse

/ � 0

VerschiedeneVerschiedeneNutzungsszenarienNutzungsszenarien

© D

etle

f Krö

mke

r

30


8��:�1��

Bild


Roh-daten

Analyse


BeobachtungMessung

Modellierung


Daten-analyse

/ � 0

So wie die Daten gemessen oder errechnet werden, so werden sie visualisiert�� : �'��

© D

etle

f Krö

mke

r


��)��8�� ! ��"

Bild


Roh-daten

Analyse


BeobachtungMessung

Modellierung


Daten-analyse

/ � 0

„optimal“ für den Erkenntnisprozess(wenn der Nutzer genügende Kentnisse hat)

aber oft aufgrund der benötigten Rechenleistung nicht praktikabel

3

2

1

© D

etle

f Krö

mke

r

31


>��&��?

SchrittDatenerzeugung

Roh-daten

BeobachtungMessung

Modellierung


1 SchrittVisualisierung

Bild

2

Roh-daten

Visualisierung

SchrittAnalyse

Analyse

&��*��

3

Bild

© D

etle

f Krö

mke

r


��@��-��8��

SchrittDatenerzeugung

Roh-daten

BeobachtungMessung

Modellierung


1 SchrittInteraktive Visualisierung

Bild

2

Roh-daten

Visualisierung

Analyse

&��*��

© D

etle

f Krö

mke

r

32


'��&&��

� Tracking� „Bewegungsmodus“

� �� "�*�� Interaktive Steuerung

� Visualisierungs(kern-)prozesse sind:� Filtering = „Datenaufbereitung“� Mapping = Abbildung der Daten auf

Geometrie- und Merkmalsdaten( = visuelle Variablen)

� Rendering = Abbildung auf ein Digitales Bild

� Rollen im Visualisierungsprozeß:� Autor – Betrachter

� Nutzungsszenarien:

© D

etle

f Krö

mke

r


��

� Diese Vorlesung basiert auf Material von� Prof. Dr. Detlef Krömker� Prof. Dr. Colin Ware

33


A��

� Lesen Sie:� SM:

Kap. 1, Kap. 2

� Exzerpieren Sie wesentliche Punkte

Date post:	26-Aug-2019
Category:	Documents
Upload:	lamminh
View:	220 times
Download:	0 times

Vorlesung 2 Dr. Ralf Dörner - Johann Wolfgang Goethe ... · 3 Dr. Ralf Dörner Visualisierung –...

Documents