Vorlesung 9 Mapping auf Farbe, Geometrie und Objekte Visualisierung Vorlesung 9 Mapping auf Farbe, Geometrie und Objekte

Wiederholung und Vertiefung Mapping auf Geometrie / Objekte Übersicht Wiederholung und Vertiefung Mapping auf Geometrie / Objekte Glyphenbasierte Vis.-Techniken Retinale Techniken Farbe Textur Visualisierung – Vorlesung 9 WS 2005/2006

Visuelle Variablen 8 Visuelle Variablen nach Bertin, 1982 Position (x und y) Textur Fläche, Größe Neigung, Orientierung Helligkeit Form, Gestalt Farbe Visualisierung – Vorlesung 9 WS 2005/2006

Visuelle Variablen Zusätzliche visuelle Variablen Länge Volumen Farbton Sättigung Winkel Verbindung Enthaltung Visualisierung – Vorlesung 9 WS 2005/2006

Visuelle Variablen Zusätzliche visuelle Variablen Bewegung Blinken Visualisierung – Vorlesung 9 WS 2005/2006

Eigenschaften Visueller Variablen Selektiv Spontane Gruppierung beim menschlichen Betrachter Besonders nützlich zur Visualisierung nominaler Daten Weitere Unterscheidung: Assoziativ vs. Nicht assoziativ Assoziativ: alle Variablen haben bei Benutzung dieser Variablen weiterhin die gleiche Sichtbarkeit Ordinal Spontane Anwendung einer Ordnung beim menschlichen Betrachter Besonders nützlich zur Visualisierung ordinaler Daten Proportional Direkte Assoziation eines Wertes Besonders nützlich zur Visualisierung ordinaler und quantitativer Daten Visualisierung – Vorlesung 9 WS 2005/2006

Effektivität Visueller Variablen Quantitativ Ordinal Nominal Hohe Effektivität Position Position Position Länge Helligkeit Farbton Winkel Sättigung Textur Neigung Farbton Verbindung Fläche Textur Enthaltung Volumen Verbindung Helligkeit Helligkeit Enthaltung Sättigung Sättigung Länge Form Farbton Winkel Länge Textur Neigung Winkel Verbindung Fläche Neigung Enthaltung Volumen Fläche Geringe Effekt. Form Visualisierung – Vorlesung 9 Form Volumen Nach Mackinlay 1986 mit Adaptionen WS 2005/2006

Bisher kennen gelernte Diagrammtypen Liniengraph Punktediagram (=Scatterplot) Säulendiagramm Balkendiagramm (= Bar Chart) (Sonderform Histogramm) Kreisdiagramm (=Pie Chart) Gantt Diagramm © Detlef Krömker Visualisierung – Vorlesung 9 WS 2005/2006

Weitere Diagrammtypen Flächendiagramm Ringdiagramm  Kursdiagramm Blasendiagramm Netzdiagramm Kegel, Zylinder, Pyramidendiagramm  © Detlef Krömker Visualisierung – Vorlesung 9 WS 2005/2006

Blasendiagramme Visualisierung – Vorlesung 9 WS 2005/2006

Strukturdiagramm Visualisierung – Vorlesung 9 WS 2005/2006

Ablaufdiagramm a b c Visualisierung – Vorlesung 9 WS 2005/2006

X Liste Tabelle Kurven- diagramm Säulen- diagramm Aufzählung Zuordnung Absolute Werte Anteil Verlauf/ Ablauf Aufbau/ Struktur Gegen-überstellung Visualisierung – Vorlesung 9 WS 2005/2006

Grundlegende Visualisierungstechniken

Wechselwirkung Mapping Methodik des Mappings Wahrnehmungs- fähigkeit des Visuelle Variable Menschen Geometrie: Position, Größe, Richtung, Orientierung Helligkeit und Farbe Textur (Muster) Bewegung, Raum Wechselwirkung Müssen visuelle Wahrnehmung kennen, um gut zu visualisieren © Detlef Krömker Visualisierung – Vorlesung 9 WS 2005/2006

Überblick Mapping auf Geometrie Helligkeit Farbe Textur Objekte © Detlef Krömker Visualisierung – Vorlesung 9 WS 2005/2006

Mapping auf Geometrie Visualisierung – Vorlesung 9 WS 2005/2006

Elementare Mappingverfahren Grundverfahren des Mappings auf Geometrie: Position Größe Winkel © Detlef Krömker Visualisierung – Vorlesung 9 WS 2005/2006

Positionen 1-dimensional, 2-dimensional, 3dimensional einsetzbar Skalierung der Achsen möglich entsprechend der Werte Vergleiche möglich, aber auch Größenschätzungen eine gemeinsame Achse ist effizienter als relative Achsen auch für ordinale und nominale Daten nutzbar © Detlef Krömker Visualisierung – Vorlesung 9 WS 2005/2006

Längen, Flächen FALSCH Längen werden gut geschätzt (Ungenauigkeit entsprechen dem Weberschen Gesetz) auch die Abbildung auf Flächen ist möglich: VORSICHT: Geschätzt (interpretiert) wird die Fläche – nicht der Radius oder die Kantenlänge © Detlef Krömker Visualisierung – Vorlesung 9 WS 2005/2006

Kreisdarstellungen für Quantitative Größen Korrigierte Darstellung mit Kreisflächen Flächenwahrnehmung erfolgt gemäß der Steven‘schen Potenzfunktion mit Exp. 0,7 © Detlef Krömker Visualisierung – Vorlesung 9 WS 2005/2006

Orientierungen und Winkel Zeigermetapher Winkel zwischen 0 und 90 Grad werden vergleichsweise genau geschätzt Stumpfe Winkel oder Winkel mit horizontaler Winkelhalbierenden werden überschätzt Spitze Winkel oder Winkel mit einer vertikalen Winkelhalbierenden werden unterschätzt Für ordinale Größen höchstens 6-8 Hauptrichtungen wählen © Detlef Krömker Visualisierung – Vorlesung 9 WS 2005/2006

Visualisierung – Vorlesung 9 WS 2005/2006

Mapping auf Objekte Visualisierung – Vorlesung 9 WS 2005/2006

Glyphenbasierte Techniken Glyph: Begriff in der Visualisierung gebräuchlich manchmal auch Ikonen (beachte Icons im UI-Bereich) Visualisierungsprimitive, die exakt positioniert werden können und Werte von Variablen in geometrische Charakteristika wie zum Beispiel Länge, Winkel oder Form bzw. in Darstellungsattribute wie Farbe oder Transparenz verschlüsseln. © Detlef Krömker Visualisierung – Vorlesung 9 WS 2005/2006

Glyphenbasierte Techniken Ein nichttriviales Problem ist das Auffinden effektiver Kodes. Einige Regeln: Die einzelnen Merkmale sollten in einer Ikone gut kombinierbar und unterscheidbar sein. Ikonen sollten separat erkennbar sein. Ikonen sollten sich erkennbar unterscheiden, wenn die zugehörigen Merkmalsausprägungen differieren. © Detlef Krömker Visualisierung – Vorlesung 9 WS 2005/2006

Stick-Figure nach Pickett und Grinstein Ziel: Erzeugung von Texturen 2D vier-armige Figur Parameter: Armlänge Armbreite Winkel der Arme zur Hauptachse Weitere Varianten siehe Pickett 88 und Wong 97 © Detlef Krömker Visualisierung – Vorlesung 9 WS 2005/2006

Farbikone Color Icon nach Levkowitz Quadrat (Rechteck) in Teilflächen einteilen Teilflächen unterschiedlich färben wirkt trennend Variante: Kanten einfärben und Flächen bilinear interpolieren wirkt kontinuierlich © Detlef Krömker Visualisierung – Vorlesung 9 WS 2005/2006

Farbikone Weitere Varianten Anzahl der unterteilenden Kanten bzw. der Teilflächen Hiermit wird die Anzahl der darstellbaren Variablen bestimmt. Form der Ikone Anstelle eines Quadrates lassen sich Sechsecke oder andere regelmäßige Polygone verwenden. Hervorhebung bestimmter Kanten Hiermit lassen sich Variablen gruppieren oder hervorheben. Abbildung der Datenwerte auf bi- und trivariate Farbskalen Erhöhung der Anzahl der darstellbaren Variablen © Detlef Krömker Visualisierung – Vorlesung 9 WS 2005/2006

Chernoff Ikone nach Chernoff 1973 12 Merkmale werden abgebildet auf Form und Größe von Kopf Nase Mund Augen und Brauen © Detlef Krömker Visualisierung – Vorlesung 9 WS 2005/2006

Beispiel: Nutzung von Chernoff Ikonen © Detlef Krömker Visualisierung – Vorlesung 9 WS 2005/2006

Kreispalette Datenwerte werden auf Größe und Farbe von Kreisen abgebildet © Detlef Krömker Visualisierung – Vorlesung 9 WS 2005/2006

Data Jacks nach Hearn 1991 Datenwerte werden auf Gliederlänge und Farbe abgebildet Variante: Übergang in den 3D Ggf. als Moving Icon, um Effekte durch Verdeckungen zu minimieren © Detlef Krömker Visualisierung – Vorlesung 9 WS 2005/2006

Shape Coding nach Beddow 1990 Nennt man auch Autoglyph Jeder Gitterzelle wird ein Merkmal zugeordnet Die Ausprägung des Merkmals (vorwiegend nominale Größen) wird durch Farbe verschlüsselt Die Autoglyphen werden in einem rechteckigen Feld angeordet Hautziel: Erkennen von Korrelationen  Muster © Detlef Krömker Visualisierung – Vorlesung 9 WS 2005/2006

Beispiel Shape Coding Mikrobiologischer Datensatz 8 verschiedene Resistenzmerkmale für 210 Proben © Detlef Krömker Visualisierung – Vorlesung 9 WS 2005/2006

Zusammenfassung Glyphenbasierte Techniken Werden häufig eingesetzt Wichtigster Vorteil: Ikonen lassen sich auf der Ebene oder im Raum positionieren multivariate Daten in mehrdimensionalen Räumen Darstellung der Daten sehr kompakt  Übersichtsfunktion Insbesondere Stick und Farbikonen erzeugen Texturen © Detlef Krömker Visualisierung – Vorlesung 9 WS 2005/2006

Wiederholung und Vertiefung Glyphenbasierte Vis.-Techniken Übersicht Wiederholung und Vertiefung Glyphenbasierte Vis.-Techniken Retinale Techniken Farbe Textur Visualisierung – Vorlesung 9 WS 2005/2006

Wichtigste retinale Techniken Verwendung weiterer visueller Variablen in Verbindung mit Standard-Graphen basierend auf der Variation von Positionen und Größen Wichtigste retinale Techniken Farbe Textur Visualisierung – Vorlesung 9 WS 2005/2006

Allgemeine Fragen Welche Arten von Daten/Informationen/Eigenschaften können mittels Farbe dargestellt werden? Welche Formen von Korrelationen können in solchen Abbildungen identifiziert werden und wie effektiv ist der Einsatz von Farbe in diesem Kontext? Welche Farben haben eine vordefinierte Bedeutung? Wie können diese Bedeutungen zum effektiven Einsatz von Farbe effektiv eingesetzt werden? Visualisierung – Vorlesung 9 WS 2005/2006

Einsatzgebiete für Farbe Farbe kann für folgende Aufgaben eingesetzt werden Lenken der Aufmerksamkeit Gruppierung von Merkmalen durch Visualisierung qualitativer Aspekte Visualisierung ordinaler Daten Visualisierung quantitativer Daten Visualisierung – Vorlesung 9 WS 2005/2006

Farbe und nominale Daten Mögliche Aufgaben Suchen und Identifizieren, „Labeling“ Anforderungen Farben müssen leicht unterschieden und erinnert werden Ansatz Wahl von Farben, die einen deutlich trennenden Charakter haben Visualisierung – Vorlesung 9 WS 2005/2006

Farbekodierung und Unterscheidbarkeit Verschiedenheit (Distinctness) Kodierungen mit Farbabständen zwischen 45 und 65 in CIELUV-Farbdifferenzeinheiten haben sich als effektiv erwiesen Zu beachten Große Farbabstände werden von CIELUV oder CIELAB leicht fehlerhaft repräsentiert CIELUV/CIELAB gelten für 2o-Beobachter Für kleinere Flächen Kleinfeldkorrektur benutzen! Für schnelle Unterscheidungen sollte eine Farbe außerhalb der konvexen Hülle der benachbarten Farben liegen Visualisierung – Vorlesung 9 WS 2005/2006

Farbekodierung und Unterscheidbarkeit Schnelle Unterscheidung von Daten (Bauer) Wahl von Farbkodierungen außerhalb der konvexen Hülle (z.B. im CIELUV-Diagramm) der bereits verwendeten Farben Grau liegt in der konvexen Hülle  schwerer unterscheidbar Rot liegt außerhalb der konvexen Hülle  leicht unterscheidbar Regel kann auch im 3D-Farbraum (z.B. YU*V*) benutzt werden! Visualisierung – Vorlesung 9 WS 2005/2006

Farbkodierungen und ausgezeichnete Farbtöne Ausgezeichnete Farbtöne (Unique Hues) Schwarz – Weiß Rot – Grün – Blau – Gelb Bezug zu Farbnamen (vgl.) Empfehlung Aus keiner Kategorie 2 Farben wählen (z.B. zwei Grüntöne), auch wenn sie farbmetrisch einen großen Abstand aufweisen Ausgezeichnete Helligkeiten Unterscheidung und Bezeichnung von höchstens 4 Helligkeiten schwarz – dunkelgrau – hellgrau – weiß Visualisierung – Vorlesung 9 WS 2005/2006

Farbe und Hintergrund Hintergrundkontrast Folgerungen Kontrast zum Hintergrund beeinflusst ebenfalls die Erkennbarkeit Durch Simultankontrast können sich ggf. stark verschiedene Farbeindrücke ergeben Folgerungen Wenige Farben benutzen! Keine Farben nutzen, die nur Chrominanz- unterschiede aufweisen Verwendung neutraler Hintergründe (schwarz, weiß, grau) Visualisierung – Vorlesung 9 WS 2005/2006

Anzahl der nutzbaren Farben Anzahl der nutzbaren Farben begrenzt Paralleles Suchen (spontane Unterscheidung) 5-8 Farben (max. 10 Farben inkl. Weiß und Schwarz, Healey) Magical Number 7 (plus/minus 2) (Miller 1956) Allgemeine These: Der Mensch kann 7 (+/- 2) Dinge gleichzeitig memorieren oder unterscheiden Ursprünglicher Artikel bezieht sich allerdings auf das Kurzzeitgedächtnis Visualisierung – Vorlesung 9 WS 2005/2006

Empfehlungen für Farbkodierungen Empfohlene Farbkodierungen für nominale Daten nach Ware 2000 Rot Grün Gelb Blau Schwarz Weiß Rosa Cyan Grau Orange Braun Lila Bei sechs oder weniger Werten wähle man nur aus 1 ... 6 Visualisierung – Vorlesung 9 WS 2005/2006

Empfehlungen für Farbkodierungen Empfohlene Farbkodierungen nach Smallman Farbbezeichnung CIE-x-Wert CIE-y-Wert (1) rot 0.51 0.32 (7) pink 0.35 0.30 (12) lila 0.27 0.20 (4) blau 0.19 0.25 (2) grün 0.31 0.52 (3) gelb 0.46 0.48 (10) orange 0.54 0.40 (11) braun 0.38 Zahlen in Klammern entsprechen der Nummerierung nach Ware Visualisierung – Vorlesung 9 WS 2005/2006

Empfehlungen für Farbkodierungen Erweitere Tabelle mit Farbkodierungen auf Basis der Empfehlungen von Smallman (Schumann, Müller 2000) Farbbezeichnung CIE-x-Wert CIE-y-Wert rot 0.51 0.32 rot-pink* 0,43 0,31 pink 0.35 0.30 pink-lila* 0,25 lila 0.27 0.20 lila-blau* 0,23 blau 0.19 0.25 (8) blau-grün* 0,39 grün 0.31 0.52 grün-gelb* 0,50 gelb 0.46 0.48 gelb-orange* 0,44 orange 0.54 0.40 orange-rot* 0,53 0,36 * durch Interpolation gewonnen Visualisierung – Vorlesung 9 WS 2005/2006

Erweiterte Tabelle mit Farbkodierungen Hinweis: Farbabstände besser im u‘v‘-Diagramm beurteilbar Visualisierung – Vorlesung 9 WS 2005/2006

Farbe und Größe Flächengröße Minimale Größe von Farbstimuli für verschiedene Aufgaben Art der dargestellten Information Vergleichende Farbunter-scheidung (2-7 Farben) Absolute Farbidentifi-zierung (2-4 Farben) Helligkeit des Symbols kritische Information, variable Position  20’  1 fL kritische Information, feste Position  16’ unkritische Information  12’ Visualisierung – Vorlesung 9 WS 2005/2006

Farbe und Größe Ergänzende Regeln Für gelb-blau Differenzen sollten die Flächen sogar mindestens ein halbes Grad groß sein Kleine Flächen  stark gesättigte Farben mit möglichst großem Farbabstand Größere Flächen  weniger gesättigte Farben (ggf. auch mit geringerem Farbabstand) Visualisierung – Vorlesung 9 WS 2005/2006

Kriterien Interferenzen mit schwarzen Detailinformati- onen (Text) Beispiel für die Nutzung von Farben bei großen Flächen: Geringe Sättigung große Helligkeit Import java.applett.Applett; Import jawa.awt.Graphics; Import jawa.awt.Color Public class ColorText extends Applett { public void init () red = 100; green = 255; blue = 20; } public void paint (Graphics g) Gr.setColor (new Color (red,green, blue)); Gr.drawString (“Colored Text“.30,50); private int red; private int green; private int blue; Interferenzen mit schwarzen Detailinformati- onen (Text) sind gering Visualisierung – Vorlesung 9 WS 2005/2006

Kriterien Import java.applett.Applett; Import jawa.awt.Graphics; Import jawa.awt.Color Public class ColorText extends Applett { public void init () red = 100; green = 255; blue = 20; } public void paint (Graphics g) Gr.setColor (new Color (red,green, blue)); Gr.drawString (“Colored Text“.30,50); private int red; private int green; private int blue; Visualisierung – Vorlesung 9 WS 2005/2006

Man wähle die Farbflächen groß genug! Zusammenfassung Bei der visuellen Suche nach Zielobjekten sind Farbkodierungen effektiver als monochromatische Darstellungen Wenn es auf Schnelligkeit ankommt, wähle man die Farben nach Bauer`s Regel (Konvexe Hülle) Man wähle die Farbflächen groß genug! Visualisierung – Vorlesung 9 WS 2005/2006

Einsatzgebiete für Farbe Farbe kann für folgende Aufgaben eingesetzt werden Lenken der Aufmerksamkeit Gruppierung von Merkmalen durch Visualisierung qualitativer Aspekte Visualisierung ordinaler Daten Visualisierung quantitativer Daten Visualisierung – Vorlesung 9 WS 2005/2006

Ordinale Daten Je nach Aufgabe: Suchen und Identifizieren:  Wahl wie bei nominalen Daten Übersicht oder Vergleichen:  Abbildung auf Farbskalen wie bei quantitativen Daten Beispiel: modifizierter Farbkreis Problem: Werden diese Größen dann auch als quantitative Größen interpretiert? Visualisierung – Vorlesung 9 WS 2005/2006

Quantitative Daten Beachte: Immer nur einen Teil der Buntton-Skala Benutzen Die zwei unteren Verfahren erlauben den Einsatz von Farbtabellen (Color-Look-Up-Table) Visualisierung – Vorlesung 9 WS 2005/2006

Farbskalen Typen von Farbskalen Aspekte von Farbskalen Grauwertskalen: Variation der Helligkeit Farbskalen: Variation der Farbart (Sättigung und Farbton) Aspekte von Farbskalen Abbildung auf RGB i.d.R. nicht effizient und wenig effektiv Abbildung auf HSV, HLS, o.ä. möglich Spezielle Farbskalen i.d.R. effizienter Visualisierung – Vorlesung 9 WS 2005/2006

RGB ist wahrnemungsmäßig nicht gleichabständig FB(250,220,50) FC(200,220,100) Orange   Olivgrün FA(200,220,50) Olivgrün   FE(200,170,50) FD(200,220,0) Braun Olivgrün   Visualisierung – Vorlesung 9 WS 2005/2006

Grauwertskalen Empfindungsgemäß gleichabständige Grauwertskala Berücksichtigung der Gammakorrektur Typisches Monitorgamma für Farbmonitore: 2,3 ... 2,8 Kuriosum: Diese Zwei Effekte korrigieren sich fast selbst! Visualisierung – Vorlesung 9 WS 2005/2006

Farbskalen Aufgabe: Bringen Sie die Farbe in eine Ordnung! Visualisierung – Vorlesung 9 WS 2005/2006

Farbskalen Gray scale Full spectral scale Single sequence part spectral scale Single sequence single hue scale Double-ended multiple hue scale Visualisierung – Vorlesung 9 WS 2005/2006

Beispiele für spezielle Farbskalen Farbton-Skala (Hue) Regenbogenskala Temperaturfarbskala Magenta-Farbskala Visualisierung – Vorlesung 9 WS 2005/2006

Regenbogenfarbskala Im Gegensatz zum natürlichen Regenbogen, bei dem auch die Helligkeit variiert (Sättigung kaum), hält man die Helligkeit hier üblicherweise konstant Subjektive „Natürlichkeit“ der Ordnung ist zweifelhaft, wird aber gelegentlich behauptet (findet man häufig in der Physik) Die sogenannte modifizierte Regenbogenskala nutzt zusätzlich Helligkeiten Visualisierung – Vorlesung 9 WS 2005/2006

Temperatur-Farbskala (Heated Object Scale) Wird als natürlich empfunden Modifiziert Helligkeit und Farbe Visualisierung – Vorlesung 9 WS 2005/2006

Magenta-Farbskala Nach Levkowitz Versucht auszunutzen, dass der Mensch für Bunttonunterschiede im Magentabereich besonders empfindlich ist Kodierung über Farbton und Helligkeit Visualisierung – Vorlesung 9 WS 2005/2006

Zwei wesentliche Fragestellungen Bleiben „Spitzen“, „Täler“ oder „Kämme“ = Strukturen in den Werten wahrnehmbar? Bleiben bestimmte Klassifizierungen wahrnehmbar Z.B., kann man Datenwerte einfach aus der Karte ablesen? Visualisierung – Vorlesung 9 WS 2005/2006

Wahrnehmung von Formen = Strukturen Visualisierung – Vorlesung 9 WS 2005/2006

Einige Regeln für den Einsatz von Farbskalen Wenn eine wahrnehmungsmäßig geordnete Sequenz benötigt wird, bevorzuge man eine Grauwertskala, Rot-Grün-Skala Gelb-Blau-Skala Sättigungsskala Visualisierung – Vorlesung 9 WS 2005/2006

Einige Regeln für den Einsatz von Farbskalen Verschiedene Skalen sind für verschiedene Detailgrade unterschiedlich gut geeignet: Großer Detailreichtum  Luminanzskalen Geringerer Detailreichtum  Farbton- oder Sättigungsskalen Visualisierung – Vorlesung 9 WS 2005/2006

Einige Regeln für den Einsatz von Farbskalen Uniforme Skalen können durch Verwendung von CIELUV (CIELAB) gewonnen werden. Achtung: Manchmal sollen spezielle Eigenschaften durch nichtuniforme Skalen hervorgehoben werden! Visualisierung – Vorlesung 9 WS 2005/2006

Einige Regeln für den Einsatz von Farbskalen Für ein Ablesen von Datenwerten sollte man Farbskalen benutzen, die durch viele Farbarten charakterisiert ist Minimiert Fehler durch Farbkontrast Oft ist eine Spiralskala, z.B. im CIELUV-Farbraum sehr gut Alle Farben unterscheiden sich auch in der Helligkeit Visualisierung – Vorlesung 9 WS 2005/2006

Einige Regeln für den Einsatz von Farbskalen Durch Wahrnehmungseffekte erscheinen kontinuierliche Skalen oft diskret Um Formen und Strukturen in Wertefeldern wahrnehmbar darzustellen, ist die Betrachtung der Daten als Höhenfeld und ein Standard-Shading der CG oft effizienter als Farbskalen Visualisierung – Vorlesung 9 WS 2005/2006

Einige Regeln für den Einsatz von Farbskalen Auch hier gilt es Farbfehlsichtigkeit zu berücksichtigen! Details zu finden in: Meyer, Greenberg 1988 Schumann, Müller 2000 Meyer, Greenberg 1988 Visualisierung – Vorlesung 9 WS 2005/2006

Effekte von Farbfehlsichtigkeiten auf Farbskalen Full spectral scale Protanopie Deuteranopie Tritanopie Visualisierung – Vorlesung 9 WS 2005/2006

Effekte von Farbfehlsichtigkeiten auf Farbskalen Full spectral scale Protanopie Deuteranopie Generiert mit Vischeck Photoshop Plugin Tritanopie Visualisierung – Vorlesung 9 WS 2005/2006

Effekte von Farbfehlsichtigkeiten auf Farbskalen Magenta Scale Heated Object Scale Protanopie Protanopie Deuteranopie Deuteranopie Tritanopie Tritanopie Better results with magenta scale and heated object scale Visualisierung – Vorlesung 9 WS 2005/2006

Allgemeine Regeln zur Visualisierung mit Farbe Verwende Farbe mit Zurückhaltung Weniger ist mehr! Verwende Farbe zur Gruppierung und zur Unterstützung beim Suchen Betone das Interessante und vermeide das Störende Verwende gewohnte Farbkodierungen Nutze Metaphern des Anwendungsgebietes Gestalte für Nutzer mit Farbanomalien Say it again! Farbe für redundante Kodierungen Verwende einen angemessenen Level-of-Detail! Visualisierung – Vorlesung 9 WS 2005/2006

Allgemeine Regeln zur Visualisierung mit Farbe Verwende blau für großflächige Bereiche, keine dünnen Linien Verwende rot und grün im Zentrum der Blickfeldes Randbereiche der Retina sind nicht sensitiv für diese Farben Verwende schwarz, weiß und gelb in der Peripherie Verwende Farben für benachbarte Regionen, die sich in Farbton und Helligkeit unterscheiden; Vermeide die Verwendung verschiedener Blautöne für benachbarte Regionen Verwende möglichst nicht mehrere hoch gesättigte Farben, insbesondere mit großen spektralen Unterschieden, zusammen Vermeidung von Nachbildern Berücksichtige mögliche Farbverschiebungseffekte benachbarter Farbflächen Visualisierung – Vorlesung 9 WS 2005/2006

Farbe ist ein sehr breites und komplexes Gebiet Zusammenfassung Farbe ist ein sehr breites und komplexes Gebiet Viele Wahrnehmungseffekte erklären sich durch die Gegenfarbentheorie Luminanzunterschiede sind mit einer wesentlich höheren Ortsauflösung wahrnehmbar. Farbe ist effektiv für nominale, ordinale und quantitative Wertebereiche Visualisierung – Vorlesung 9 WS 2005/2006

Übersicht Wiederholung Retinale Techniken Farbe Textur Visualisierung – Vorlesung 9 WS 2005/2006

Übersicht Wiederholung Retinale Techniken Farbe Textur Visualisierung – Vorlesung 9 WS 2005/2006

Textur Textur wird typischerweise in erster Linie zur Visualisierung qualitativer Aspekte dargestellt Muster, Schraffuren Nicht so effektiv wie Farbe Mögliche Variationen Gröbe (Coarseness) Linienhaftigkeit Gerichtetheit Regelmäßigkeit Kontrast Visualisierung – Vorlesung 9 WS 2005/2006

Textur und quantitative Daten Vereinzelte Anwendungen von Textur zur Visualisierung qualitativer und quantitativer Aspekte Speziell: Visualisierung von Multi-parameter-Datensätzen Mehr zu diesem Thema später! Pickett, Grinstein 1988 Visualisierung – Vorlesung 9 WS 2005/2006

Textur und Vektordaten Textur eignet sich zudem, Orientierungen und auch Ausprägungen darzustellen Anforderungen, die bei der Visualisierung von Vektordaten auftreten Beispiel: Strömungsfelder Beispiel für Textursynthesetechnik: Line Integral Convolution (LIC) Mehr zu diesem Thema später! Visualisierung eines kreisförmigen und eines turbulenten Strömungsfeldes mit LIC (Cabral 1993) Visualisierung – Vorlesung 9 WS 2005/2006

Texturen in 3D Textur ist ein wichtiger visueller Faktor zur Wahrnehmung von Neigung und Orientierung von Oberflächen Anwendung von Textur zur Verdeutlichung dieser Aspekte im Kontext von 3D-Visualisierung Visualisierung des Krümmungsverlaufs von Oberflächen Eingesetzte Techniken ähneln denen der Visualisierung von Vektordaten Visualisierung – Vorlesung 9 WS 2005/2006

Zusammenfassung Visualisierung – Vorlesung 9 WS 2005/2006

Überblick Einfaches Modell der visuellen Wahrnehmung Wahrnehmung von Helligkeit und Kontrast Wahrnehmung von Farbe Wahrnehmung von Textur Visual Pre-Attention und Visual Attention Statische und bewegte Pattern Wahrnehmung von Objekten Visualisierung – Vorlesung 9 WS 2005/2006

Dual Coding Theorie (Pavio) Associate structure Imagens Visual Non-verbal responses Image Information Visual System Text Information Logogens Verbal responses Verbal Auditory System Information From speech © Detlef Krömker Visualisierung – Vorlesung 9 WS 2005/2006

Übergang visuelles System - Logogene Visuelles System: schnelle Wiedererkennung und Musterkennung © Detlef Krömker Visualisierung – Vorlesung 9 WS 2005/2006

Übliche Kapazität: 3 – 7 Objekte Ikonischer Puffer Übliche Aufgabe: Objekte kurz zeigen – an welche kann man sich erinnern Beschränkungen: Bild „verblasst“ Neue Sakkade Zugriffsrate auf den ikonischen Puffer Übliche Kapazität: 3 – 7 Objekte Visualisierung – Vorlesung 9 WS 2005/2006

Kapazität des visual working memory (Vogal, Woodman, Luck, 2001) Übliche Aufgabe: Erkennung von Änderungen Wir können uns 3,3 Objekte merken Jedes Objekt kann komplex sein © Detlef Krömker Visualisierung – Vorlesung 9 WS 2005/2006

Kapazität verbal working memory Bislang angenommen: 7 +/- 2 Heute wird es mehr als eine Dauer von Proto-verbalen Codes angenommen Visualisierung – Vorlesung 9 WS 2005/2006

Arbeiten von Chomsky: “deep structures” Das Wesen der Sprache Arbeiten von Chomsky: “deep structures” Sprache ist nicht notwendigerweise verbal Zeichensprachen (z.B. für Taube) sind exzellentes Beispiel einer visuellen Sprache Kritische Periode für den Spracherwerb Geburt bis 3,5 Jahre (läuft aus bis 10 Jahre) © Detlef Krömker Visualisierung – Vorlesung 9 WS 2005/2006

Zusammenfassung Teilprozesse der Objekterkennung Verschiedene Theorien Silhouette Skelett Shading Oberflächeneigenschaften Verschiedene Theorien Template Theorien Strukturtheorien 3D Objekt Icons und Objektstrukturen sind vielversprechend für die Visualisierung Objekte – Sprache Relation Visualisierung – Vorlesung 9 WS 2005/2006

Zusammenfassung: visuelle Wahrnehmung Low level – massiv parallel Aufmerksamkeit erregen Attribute: Textur, Farbe, Helligkeit Mid-level - Muster finden Segmentierung des Bildes Statische und bewegte Pattern Gestalt Gesetze Räumliche Wahrnehmung High level Wenige Objekte, können komplex sein Worte für Logik und abstrakte Bedeutungen/ Bilder für Muster oder Strukturen Visualisierung – Vorlesung 9 WS 2005/2006

Exzerpieren Sie wesentliche Punkte Hausaufgabe Lesen Sie: CW: Kap. 7 SM: Kap. 4 Kap. 5.1 und 5.2 Exzerpieren Sie wesentliche Punkte Visualisierung – Vorlesung 9 WS 2005/2006

Diese Vorlesung basiert auf Material von Danksagung Diese Vorlesung basiert auf Material von Prof. Dr. Detlef Krömker Prof. Dr. Colin Ware Visualisierung – Vorlesung 9 WS 2005/2006