Visualisierung Vorlesung 9 Mapping auf Farbe Geometrie und

Visualisierung Vorlesung 9 Mapping auf Farbe, Geometrie und Objekte Prof. Dr. Detlef Krömker Goethe-Universität, Frankfurt Graphische Datenverarbeitung

Übersicht u Wiederholung und Vertiefung u Mapping auf Geometrie / Objekte u Glyphenbasierte Vis. -Techniken u Retinale Techniken n n Farbe Textur Prof. Dr. Detlef Krömker Visualisierung – Vorlesung 9 2 WS 2005/2006

Visuelle Variablen u 8 Visuelle Variablen nach Bertin, 1982 Position (x und y) Textur Fläche, Größe Neigung, Orientierung Helligkeit Form, Gestalt Farbe Prof. Dr. Detlef Krömker Visualisierung – Vorlesung 9 3 WS 2005/2006

Visuelle Variablen u Zusätzliche visuelle Variablen Länge Volumen Farbton Sättigung Winkel Verbindung Enthaltung Prof. Dr. Detlef Krömker Visualisierung – Vorlesung 9 4 WS 2005/2006

Visuelle Variablen Zusätzliche visuelle Variablen Bewegung Prof. Dr. Detlef Krömker Blinken Visualisierung – Vorlesung 9 5 WS 2005/2006

Eigenschaften Visueller Variablen u Selektiv n n n u Ordinal n n u Spontane Gruppierung beim menschlichen Betrachter Besonders nützlich zur Visualisierung nominaler Daten Weitere Unterscheidung: Assoziativ vs. Nicht assoziativ u Assoziativ: alle Variablen haben bei Benutzung dieser Variablen weiterhin die gleiche Sichtbarkeit Spontane Anwendung einer Ordnung beim menschlichen Betrachter Besonders nützlich zur Visualisierung ordinaler Daten Proportional n n n Spontane Anwendung einer Ordnung beim menschlichen Betrachter Direkte Assoziation eines Wertes Besonders nützlich zur Visualisierung ordinaler und quantitativer Daten Prof. Dr. Detlef Krömker Visualisierung – Vorlesung 9 6 WS 2005/2006

Effektivität Visueller Variablen Quantitativ Hohe Effektivität Geringe Effekt. Ordinal Nominal Position Länge Helligkeit Farbton Winkel Sättigung Textur Neigung Farbton Verbindung Fläche Textur Enthaltung Volumen Verbindung Helligkeit Enthaltung Sättigung Länge Form Farbton Winkel Länge Textur Neigung Winkel Verbindung Fläche Neigung Enthaltung Volumen Fläche Form Volumen Prof. Dr. Detlef Krömker Nach Mackinlay 1986 mit Adaptionen 7 Visualisierung – Vorlesung 9 WS 2005/2006

Bisher kennen gelernte Diagrammtypen Liniengraph u Punktediagram (=Scatterplot) u Säulendiagramm u Balkendiagramm (= Bar Chart) (Sonderform Histogramm) u Kreisdiagramm (=Pie Chart) u Gantt Diagramm © Detlef Krömker u Prof. Dr. Detlef Krömker Visualisierung – Vorlesung 9 8 WS 2005/2006

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

Blasendiagramme Prof. Dr. Detlef Krömker Visualisierung – Vorlesung 9 10 WS 2005/2006

Strukturdiagramm Vorstand Abteilung A Abteilung B Vater Abteilung C Kasse Verwaltung Gott Heiliger Geist Sohn Prof. Dr. Detlef Krömker Visualisierung – Vorlesung 9 11 WS 2005/2006

Ablaufdiagramm a Prozess A Prozess B b Prozess D Prozess C Prof. Dr. Detlef Krömker c Visualisierung – Vorlesung 9 12 WS 2005/2006

Liste Aufzählung Tabelle Säulendiagramm X Zuordnung Absolute Werte Kurvendiagramm X X X Anteil Verlauf/ Ablauf X Aufbau/ Struktur Gegenüberstellung Prof. Dr. Detlef Krömker X Visualisierung – Vorlesung 9 13 WS 2005/2006

Grundlegende Visualisierungstechniken Prof. Dr. Detlef Krömker Goethe-Universität, Frankfurt Graphische Datenverarbeitung

Mapping Methodik des Mappings Visuelle Variable © Detlef Krömker Geometrie: Position, Größe, Richtung, Orientierung Helligkeit und Farbe Textur (Muster) Bewegung, Raum Wahrnehmungsfähigkeit des Menschen Wechselwirkung Müssen visuelle Wahrnehmung kennen, um gut zu visualisieren Prof. Dr. Detlef Krömker Visualisierung – Vorlesung 9 15 WS 2005/2006

Überblick u Mapping n n © Detlef Krömker n auf Geometrie Helligkeit Farbe Textur Objekte Prof. Dr. Detlef Krömker Visualisierung – Vorlesung 9 16 WS 2005/2006

Mapping auf Geometrie Prof. Dr. Detlef Krömker Visualisierung – Vorlesung 9 17 WS 2005/2006

Elementare Mappingverfahren © Detlef Krömker Grundverfahren des Mappings auf Geometrie: n Position n Größe n Winkel Prof. Dr. Detlef Krömker Visualisierung – Vorlesung 9 18 WS 2005/2006

Positionen u u © Detlef Krömker u u u 1 -dimensional, 2 -dimensional, 3 dimensional 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 Prof. Dr. Detlef Krömker Visualisierung – Vorlesung 9 19 WS 2005/2006

Längen, Flächen © Detlef Krömker FALSCH u Längen werden gut geschätzt (Ungenauigkeit entsprechen dem Weberschen Gesetz) u auch die Abbildung auf Flächen ist möglich: VORSICHT: Geschätzt (interpretiert) wird die Fläche – nicht der Radius oder die Kantenlänge u Prof. Dr. Detlef Krömker Visualisierung – Vorlesung 9 20 WS 2005/2006

Kreisdarstellungen für Quantitative Größen © Detlef Krömker Korrigierte Darstellung mit Kreisflächen Flächenwahrnehmung erfolgt gemäß der Steven‘schen Potenzfunktion mit Exp. 0, 7 Prof. Dr. Detlef Krömker Visualisierung – Vorlesung 9 21 WS 2005/2006

Orientierungen und Winkel u u u © Detlef Krömker u u 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 Prof. Dr. Detlef Krömker Visualisierung – Vorlesung 9 22 WS 2005/2006

Prof. Dr. Detlef Krömker Visualisierung – Vorlesung 9 23 WS 2005/2006

Mapping auf Objekte Prof. Dr. Detlef Krömker Visualisierung – Vorlesung 9 24 WS 2005/2006

Glyphenbasierte Techniken Glyph: Begriff in der Visualisierung gebräuchlich manchmal auch Ikonen (beachte Icons im UIBereich) u Visualisierungsprimitive, die u n n © Detlef Krömker n 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. Prof. Dr. Detlef Krömker Visualisierung – Vorlesung 9 25 WS 2005/2006

Glyphenbasierte Techniken Ein nichttriviales Problem ist das Auffinden effektiver Kodes. Einige Regeln: n n © Detlef Krömker n 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. Prof. Dr. Detlef Krömker Visualisierung – Vorlesung 9 26 WS 2005/2006

Stick-Figure nach Pickett und Grinstein Ziel: Erzeugung von Texturen 2 D vier-armige Figur Parameter: n n n Armlänge Armbreite Winkel der Arme zur Hauptachse © Detlef Krömker Weitere Varianten siehe Pickett 88 und Wong 97 Prof. Dr. Detlef Krömker Visualisierung – Vorlesung 9 27 WS 2005/2006

Farbikone Color Icon nach Levkowitz Quadrat (Rechteck) in Teilflächen einteilen Teilflächen unterschiedlich färben wirkt trennend u Variante: Kanten einfärben und Flächen bilinear interpolieren wirkt kontinuierlich © Detlef Krömker u Prof. Dr. Detlef Krömker Visualisierung – Vorlesung 9 28 WS 2005/2006

Farbikone Weitere Varianten u Anzahl der unterteilenden Kanten bzw. der Teilflächen Hiermit wird die Anzahl der darstellbaren Variablen bestimmt. u Form der Ikone Anstelle eines Quadrates lassen sich Sechsecke oder andere regelmäßige Polygone verwenden. u Hervorhebung bestimmter Kanten Hiermit lassen sich Variablen gruppieren oder hervorheben. © Detlef Krömker u Abbildung der Datenwerte auf bi- und trivariate Farbskalen Erhöhung der Anzahl der darstellbaren Variablen Prof. Dr. Detlef Krömker Visualisierung – Vorlesung 9 29 WS 2005/2006

Chernoff Ikone nach Chernoff 1973 u 12 Merkmale werden abgebildet auf Form und Größe von n © Detlef Krömker n Prof. Dr. Detlef Krömker Kopf Nase Mund Augen und Brauen Visualisierung – Vorlesung 9 30 WS 2005/2006

© Detlef Krömker Beispiel: Nutzung von Chernoff Ikonen Prof. Dr. Detlef Krömker Visualisierung –

Kreispalette © Detlef Krömker u Prof. Dr. Detlef Krömker Datenwerte werden auf Größe und Farbe von Kreisen abgebildet Visualisierung – Vorlesung 9 32 WS 2005/2006

Data Jacks nach Hearn 1991 u Datenwerte werden auf Gliederlänge und Farbe abgebildet Variante: Übergang in den 3 D u Ggf. als Moving Icon, um Effekte durch Verdeckungen zu minimieren © Detlef Krömker u Prof. Dr. Detlef Krömker Visualisierung – Vorlesung 9 33 WS 2005/2006

© Detlef Krömker 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 Prof. Dr. Detlef Krömker Visualisierung – Vorlesung 9 34 WS 2005/2006

© Detlef Krömker Beispiel Shape Coding Mikrobiologischer Datensatz 8 verschiedene Resistenzmerkmale für 210 Proben

Zusammenfassung Glyphenbasierte Techniken Werden häufig eingesetzt u Wichtigster Vorteil: Ikonen lassen sich auf der Ebene oder im Raum positionieren multivariate Daten in mehrdimensionalen Räumen u Darstellung der Daten sehr kompakt Übersichtsfunktion u Insbesondere Stick und Farbikonen erzeugen Texturen © Detlef Krömker u Prof. Dr. Detlef Krömker Visualisierung – Vorlesung 9 36 WS 2005/2006

Übersicht u Wiederholung und Vertiefung u Glyphenbasierte Vis. -Techniken u Retinale Techniken n n Farbe Textur Prof. Dr. Detlef Krömker Visualisierung – Vorlesung 9 37 WS 2005/2006

Retinale Techniken u Retinale n Techniken Verwendung weiterer visueller Variablen in Verbindung mit Standard-Graphen basierend auf der Variation von Positionen und Größen u Wichtigste n n retinale Techniken Farbe Textur Prof. Dr. Detlef Krömker Visualisierung – Vorlesung 9 38 WS 2005/2006

Allgemeine Fragen Welche Arten von Daten/Informationen/Eigenschaften können mittels Farbe dargestellt werden? u Welche Formen von Korrelationen können in solchen Abbildungen identifiziert werden und wie effektiv ist der Einsatz von Farbe in diesem Kontext? u Welche Farben haben eine vordefinierte Bedeutung? Wie können diese Bedeutungen zum effektiven Einsatz von Farbe effektiv eingesetzt werden? u Prof. Dr. Detlef Krömker Visualisierung – Vorlesung 9 39 WS 2005/2006

Einsatzgebiete für Farbe u Farbe kann für folgende Aufgaben eingesetzt werden n n Lenken der Aufmerksamkeit Gruppierung von Merkmalen durch Visualisierung qualitativer Aspekte Visualisierung ordinaler Daten Visualisierung quantitativer Daten Prof. Dr. Detlef Krömker Visualisierung – Vorlesung 9 40 WS 2005/2006

Farbe und nominale Daten u Mögliche Aufgaben n u Anforderungen n u Suchen und Identifizieren, „Labeling“ Farben müssen leicht unterschieden und erinnert werden Ansatz n Wahl von Farben, die einen deutlich trennenden Charakter haben Prof. Dr. Detlef Krömker Visualisierung – Vorlesung 9 41 WS 2005/2006

Farbekodierung und Unterscheidbarkeit u Verschiedenheit (Distinctness) n u Kodierungen mit Farbabständen zwischen 45 und 65 in CIELUV-Farbdifferenzeinheiten haben sich als effektiv erwiesen Zu beachten n n Große Farbabstände werden von CIELUV oder CIELAB leicht fehlerhaft repräsentiert CIELUV/CIELAB gelten für 2 o-Beobachter u n Für kleinere Flächen Kleinfeldkorrektur benutzen! Für schnelle Unterscheidungen sollte eine Farbe außerhalb der konvexen Hülle der benachbarten Farben liegen Prof. Dr. Detlef Krömker Visualisierung – Vorlesung 9 42 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 3 D-Farbraum (z. B. YU*V*) benutzt werden! Prof. Dr. Detlef Krömker Visualisierung – Vorlesung 9 43 WS 2005/2006

u. Ausgezeichnete (Unique Hues) n n Aus keiner Kategorie 2 Farben wählen (z. B. zwei Grüntöne), auch wenn sie farbmetrisch einen großen Abstand aufweisen u. Ausgezeichnete n Farbtöne Schwarz – Weiß Rot – Grün – Blau – Gelb Bezug zu Farbnamen (vgl. ) Empfehlung u n Farbkodierungen und ausgezeichnete Farbtöne Helligkeiten Unterscheidung und Bezeichnung von höchstens 4 Helligkeiten schwarz – dunkelgrau – hellgrau – weiß Prof. Dr. Detlef Krömker Visualisierung – Vorlesung 9 44 WS 2005/2006

Farbe und Hintergrund u. Hintergrundkontrast n n Kontrast zum Hintergrund beeinflusst ebenfalls die Erkennbarkeit Durch Simultankontrast können sich ggf. stark verschiedene Farbeindrücke ergeben u. Folgerungen n Wenige Farben benutzen! Keine Farben nutzen, die nur Chrominanzunterschiede aufweisen Verwendung neutraler Hintergründe (schwarz, weiß, grau) Prof. Dr. Detlef Krömker Visualisierung – Vorlesung 9 45 WS 2005/2006

Anzahl der nutzbaren Farben u Anzahl n Paralleles Suchen (spontane Unterscheidung) u n der nutzbaren Farben begrenzt 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 u Ursprünglicher Artikel bezieht sich allerdings auf das Kurzzeitgedächtnis u Prof. Dr. Detlef Krömker Visualisierung – Vorlesung 9 46 WS 2005/2006

Empfehlungen für Farbkodierungen Empfohlene Farbkodierungen für nominale Daten nach Ware 2000 1. 2. 3. 4. 5. 6. Rot Grün Gelb Blau Schwarz Weiß 7. 8. 9. 10. 11. 12. Rosa Cyan Grau Orange Braun Lila Bei sechs oder weniger Werten wähle man nur aus 1. . . 6 Prof. Dr. Detlef Krömker Visualisierung – Vorlesung 9 47 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. 46 0. 38 Zahlen in Klammern entsprechen der Nummerierung nach Ware Prof. Dr. Detlef Krömker Visualisierung – Vorlesung 9 48 WS 2005/2006

Empfehlungen für Farbkodierungen Erweitere Tabelle mit Farbkodierungen auf Basis der Empfehlungen von Smallman (Schumann, Müller 2000) Farbbezeichnung rot-pink* pink-lila* lila-blau* blau (8) blau-grün* grün-gelb* gelb-orange* orange-rot* CIE-x-Wert 0. 51 0, 43 0. 35 0, 31 0. 27 0, 23 0. 19 0, 25 0. 31 0, 39 0. 46 0, 50 0. 54 0, 53 CIE-y-Wert 0. 32 0, 31 0. 30 0, 25 0. 20 0, 23 0. 25 0, 39 0. 52 0, 50 0. 48 0, 44 0. 40 0, 36 * durch Interpolation gewonnen Prof. Dr. Detlef Krömker Visualisierung – Vorlesung 9 49 WS 2005/2006

Erweiterte Tabelle mit Farbkodierungen Hinweis: § Farbabstände besser im u‘v‘Diagramm beurteilbar Prof. Dr. Detlef Krömker Visualisierung – Vorlesung 9 50 WS 2005/2006

Farbe und Größe u. Flächengröße n Minimale Größe von Farbstimuli für verschiedene Aufgaben Art der dargestellten Information Vergleichende Farbunterscheidung (2 -7 Farben) Absolute Farbidentifizierung (2 -4 Farben) Helligkeit des Symbols 20’ 1 f. L 16’ 20’ 1 f. L 12’ 16’ 1 f. L kritische Information, variable Position kritische Information, feste Position unkritische Information Prof. Dr. Detlef Krömker Visualisierung – Vorlesung 9 51 WS 2005/2006

Farbe und Größe u. Ergänzende n n n 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) Prof. Dr. Detlef Krömker Visualisierung – Vorlesung 9 52 WS 2005/2006

Zusammenfassung u Bei der visuellen Suche nach Zielobjekten sind Farbkodierungen effektiver als monochromatische Darstellungen u Wenn es auf Schnelligkeit ankommt, wähle man die Farben nach Bauer`s Regel (Konvexe Hülle) u Man wähle die Farbflächen groß genug! Prof. Dr. Detlef Krömker Visualisierung – Vorlesung 9 55 WS 2005/2006

Einsatzgebiete für Farbe u Farbe kann für folgende Aufgaben eingesetzt werden n n Lenken der Aufmerksamkeit Gruppierung von Merkmalen durch Visualisierung qualitativer Aspekte Visualisierung ordinaler Daten Visualisierung quantitativer Daten Prof. Dr. Detlef Krömker Visualisierung – Vorlesung 9 56 WS 2005/2006

Ordinale Daten u Je nach Aufgabe: n Suchen und Identifizieren: Wahl wie bei nominalen Daten n Übersicht oder Vergleichen: Abbildung auf Farbskalen wie bei quantitativen Daten u Beispiel: modifizierter Farbkreis u Problem: Werden diese Größen dann auch als quantitative Größen interpretiert? Prof. Dr. Detlef Krömker Visualisierung – Vorlesung 9 57 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) Prof. Dr. Detlef Krömker Visualisierung – Vorlesung 9 58 WS 2005/2006

Farbskalen u Typen von Farbskalen n n u Grauwertskalen: Variation der Helligkeit Farbskalen: Variation der Farbart (Sättigung und Farbton) Aspekte von Farbskalen n Abbildung auf RGB i. d. R. nicht effizient und wenig effektiv Abbildung auf HSV, HLS, o. ä. möglich Spezielle Farbskalen i. d. R. effizienter Prof. Dr. Detlef Krömker Visualisierung – Vorlesung 9 59 WS 2005/2006

RGB ist wahrnemungsmäßig nicht gleichabständig FB(250, 220, 50) Orange FC(200, 220, 100) Olivgrün FA(200, 220, 50) Olivgrün FE(200, 170, 50) Braun Prof. Dr. Detlef Krömker FD(200, 220, 0) Olivgrün Visualisierung – Vorlesung 9 60 WS 2005/2006

Grauwertskalen u Empfindungsgemäß gleichabständige Grauwertskala u Berücksichtigung der Gammakorrektur n u Typisches Monitorgamma für Farbmonitore: 2, 3. . . 2, 8 Kuriosum: Diese Zwei Effekte korrigieren sich fast selbst! Prof. Dr. Detlef Krömker Visualisierung – Vorlesung 9 61 WS 2005/2006

Farbskalen Aufgabe: Bringen Sie die Farbe in eine Ordnung! Prof. Dr. Detlef Krömker Visualisierung – Vorlesung 9 62 WS 2005/2006

Farbskalen Gray scale Full spectral scale Prof. Dr. Detlef Krömker Single sequence part spectral scale Single sequence single hue scale Visualisierung – Vorlesung 9 Double-ended multiple hue scale 63 WS 2005/2006

Beispiele für spezielle Farbskalen Farbton-Skala (Hue) Regenbogenskala Temperaturfarbskala Magenta-Farbskala Prof. Dr. Detlef Krömker Visualisierung – Vorlesung 9 64 WS 2005/2006

Regenbogenfarbskala u u u 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 Prof. Dr. Detlef Krömker Visualisierung – Vorlesung 9 65 WS 2005/2006

Temperatur-Farbskala (Heated Object Scale) § § Wird als natürlich empfunden Modifiziert Helligkeit und Farbe Prof. Dr. Detlef Krömker Visualisierung – Vorlesung 9 66 WS 2005/2006

Magenta-Farbskala § § § Nach Levkowitz Versucht auszunutzen, dass der Mensch für Bunttonunterschiede im Magentabereich besonders empfindlich ist Kodierung über Farbton und Helligkeit Prof. Dr. Detlef Krömker Visualisierung – Vorlesung 9 67 WS 2005/2006

Zwei wesentliche Fragestellungen u Fragestellungen n n Bleiben „Spitzen“, „Täler“ oder „Kämme“ = Strukturen in den Werten wahrnehmbar? Bleiben bestimmte Klassifizierungen wahrnehmbar u Z. B. , kann man Datenwerte einfach aus der Karte ablesen? Prof. Dr. Detlef Krömker Visualisierung – Vorlesung 9 68 WS 2005/2006

Wahrnehmung von Formen = Strukturen Prof. Dr. Detlef Krömker Visualisierung – Vorlesung 9 69 WS 2005/2006

Einige Regeln für den Einsatz von Farbskalen u Wenn eine wahrnehmungsmäßig geordnete Sequenz benötigt wird, bevorzuge man eine n n Grauwertskala, Rot-Grün-Skala Gelb-Blau-Skala Sättigungsskala Prof. Dr. Detlef Krömker Visualisierung – Vorlesung 9 70 WS 2005/2006

Einige Regeln für den Einsatz von Farbskalen u Verschiedene Skalen sind für verschiedene Detailgrade unterschiedlich gut geeignet: n n Großer Detailreichtum Luminanzskalen Geringerer Detailreichtum Farbton- oder Sättigungsskalen Prof. Dr. Detlef Krömker Visualisierung – Vorlesung 9 71 WS 2005/2006

Einige Regeln für den Einsatz von Farbskalen u Uniforme Skalen können durch Verwendung von CIELUV (CIELAB) gewonnen werden. u Achtung: Manchmal sollen spezielle Eigenschaften durch nichtuniforme Skalen hervorgehoben werden! Prof. Dr. Detlef Krömker Visualisierung – Vorlesung 9 72 WS 2005/2006

Einige Regeln für den Einsatz von Farbskalen u Für ein Ablesen von Datenwerten sollte man Farbskalen benutzen, die durch viele Farbarten charakterisiert ist n Minimiert Fehler durch Farbkontrast u Oft ist eine Spiralskala, z. B. im CIELUVFarbraum sehr gut n Alle Farben unterscheiden sich auch in der Helligkeit Prof. Dr. Detlef Krömker Visualisierung – Vorlesung 9 73 WS 2005/2006

Einige Regeln für den Einsatz von Farbskalen u Durch Wahrnehmungseffekte erscheinen kontinuierliche Skalen oft diskret u 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 Prof. Dr. Detlef Krömker Visualisierung – Vorlesung 9 74 WS 2005/2006

Einige Regeln für den Einsatz von u Auch hier gilt es Farbfehlsichtigkeit. Farbskalen zu berücksichtigen! n Details zu finden in: u Meyer, Greenberg 1988 u Schumann, Müller 2000 Meyer, Greenberg 1988 Prof. Dr. Detlef Krömker Visualisierung – Vorlesung 9 75 WS 2005/2006

Effekte von Farbfehlsichtigkeiten auf Farbskalen Full spectral scale Protanopie Deuteranopie Tritanopie Prof. Dr. Detlef Krömker Visualisierung – Vorlesung 9 77 WS 2005/2006

Effekte von Farbfehlsichtigkeiten auf Farbskalen Heated Object Scale Magenta Scale u Protanopie Deuteranopie Tritanopie Better results with magenta scale and heated object scale Prof. Dr. Detlef Krömker Visualisierung – Vorlesung 9 78 WS 2005/2006

Allgemeine Regeln zur Visualisierung mit Farbe u Verwende Farbe mit Zurückhaltung n u u u Verwende Farbe zur Gruppierung und zur Unterstützung beim Suchen Betone das Interessante und vermeide das Störende Verwende gewohnte Farbkodierungen n u u Nutze Metaphern des Anwendungsgebietes Gestalte für Nutzer mit Farbanomalien Say it again! n u Weniger ist mehr! Farbe für redundante Kodierungen Verwende einen angemessenen Level-of-Detail! Prof. Dr. Detlef Krömker Visualisierung – Vorlesung 9 79 WS 2005/2006

Allgemeine Regeln zur Visualisierung mit Farbe u. Verwende blau für großflächige Bereiche, keine dünnen Linien u. Verwende rot und grün im Zentrum der Blickfeldes n Randbereiche der Retina sind nicht sensitiv für diese Farben u. Verwende schwarz, weiß und gelb in der Peripherie u. Verwende Farben für benachbarte Regionen, die sich in Farbton und Helligkeit unterscheiden; Vermeide die Verwendung verschiedener Blautöne für benachbarte Regionen u. Verwende möglichst nicht mehrere hoch gesättigte Farben, insbesondere mit großen spektralen Unterschieden, zusammen n Vermeidung von Nachbildern u. Berücksichtige mögliche Farbverschiebungseffekte benachbarter Farbflächen Prof. Dr. Detlef Krömker Visualisierung – Vorlesung 9 80 WS 2005/2006

Zusammenfassung u Farbe ist ein sehr breites und komplexes Gebiet u Viele Wahrnehmungseffekte erklären sich durch die Gegenfarbentheorie u Luminanzunterschiede sind mit einer wesentlich höheren Ortsauflösung wahrnehmbar. u Farbe ist effektiv für nominale, ordinale und quantitative Wertebereiche Prof. Dr. Detlef Krömker Visualisierung – Vorlesung 9 81 WS 2005/2006

Übersicht u Wiederholung u Retinale n n Techniken Farbe Textur Prof. Dr. Detlef Krömker Visualisierung – Vorlesung 9 82 WS 2005/2006

Übersicht u Wiederholung u Retinale n n Techniken Farbe Textur Prof. Dr. Detlef Krömker Visualisierung – Vorlesung 9 83 WS 2005/2006

Textur u Textur wird typischerweise in erster Linie zur Visualisierung qualitativer Aspekte dargestellt n Muster, Schraffuren u Nicht so effektiv wie Farbe u Mögliche Variationen n n Gröbe (Coarseness) Linienhaftigkeit Gerichtetheit Regelmäßigkeit Kontrast Prof. Dr. Detlef Krömker Visualisierung – Vorlesung 9 84 WS 2005/2006

Textur und quantitative Daten u u u Vereinzelte Anwendungen von Textur zur Visualisierung qualitativer und quantitativer Aspekte Speziell: Visualisierung von Multi-parameter. Datensätzen Mehr zu diesem Thema später! Prof. Dr. Detlef Krömker Pickett, Grinstein 1988 Visualisierung – Vorlesung 9 85 WS 2005/2006

Textur und Vektordaten u u Textur eignet sich zudem, Orientierungen und auch Ausprägungen darzustellen Anforderungen, die bei der Visualisierung von Vektordaten auftreten n u Beispiel für Textursynthesetechnik: n u Beispiel: Strömungsfelder Line Integral Convolution (LIC) Mehr zu diesem Thema später! Visualisierung eines kreisförmigen und eines turbulenten Strömungsfeldes mit LIC (Cabral 1993) Prof. Dr. Detlef Krömker Visualisierung – Vorlesung 9 86 WS 2005/2006

u u Textur ist ein wichtiger visueller Faktor zur Wahrnehmung von Neigung und Orientierung von Oberflächen Anwendung von Textur zur Verdeutlichung dieser Aspekte im Kontext von 3 D-Visualisierung n u Texturen in 3 D Visualisierung des Krümmungsverlaufs von Oberflächen Eingesetzte Techniken ähneln denen der Visualisierung von Vektordaten Prof. Dr. Detlef Krömker Visualisierung – Vorlesung 9 87 WS 2005/2006

Überblick u Einfaches Modell der visuellen Wahrnehmung u Wahrnehmung von Helligkeit und Kontrast u Wahrnehmung von Farbe u Wahrnehmung von Textur u Visual Pre-Attention und Visual Attention u Statische und bewegte Pattern u Wahrnehmung von Objekten Prof. Dr. Detlef Krömker Visualisierung – Vorlesung 9 89 WS 2005/2006

Dual Coding Theorie (Pavio) Associate structure Visual System © Detlef Krömker Image Information Te Inf xt orm ati on Verbal Auditory Information System From speech Prof. Dr. Detlef Krömker Imagens Non-verbal responses Logogens Verbal responses Visualisierung – Vorlesung 9 90 WS 2005/2006

© Detlef Krömker Übergang visuelles System - Logogene Visuelles System: schnelle Wiedererkennung und Musterkennung

Ikonischer Puffer u Übliche Aufgabe: Objekte kurz zeigen – an welche kann man sich erinnern u Beschränkungen: n n n Bild „verblasst“ Neue Sakkade Zugriffsrate auf den ikonischen Puffer u Übliche Kapazität: 3 – 7 Objekte Prof. Dr. Detlef Krömker Visualisierung – Vorlesung 9 92 WS 2005/2006

Kapazität des visual working memory (Vogal, Woodman, Luck, 2001) Aufgabe: Erkennung von Änderungen u Wir können uns 3, 3 Objekte merken u Jedes Objekt kann komplex sein © Detlef Krömker u Übliche Prof. Dr. Detlef Krömker Visualisierung – Vorlesung 9 93 WS 2005/2006

Kapazität verbal working memory u Bislang angenommen: 7 +/- 2 u Heute wird es mehr als eine Dauer von Proto-verbalen Codes angenommen Prof. Dr. Detlef Krömker Visualisierung – Vorlesung 9 94 WS 2005/2006

Das Wesen der Sprache u Arbeiten von Chomsky: “deep structures” u Sprache ist nicht notwendigerweise verbal u Zeichensprachen (z. B. für Taube) sind exzellentes Beispiel einer visuellen Sprache © Detlef Krömker u Kritische n Periode für den Spracherwerb Geburt bis 3, 5 Jahre (läuft aus bis 10 Jahre) Prof. Dr. Detlef Krömker Visualisierung – Vorlesung 9 95 WS 2005/2006

Zusammenfassung u Teilprozesse der Objekterkennung n n u Silhouette Skelett Shading Oberflächeneigenschaften Verschiedene Theorien n n Template Theorien Strukturtheorien 3 D Objekt Icons und Objektstrukturen sind vielversprechend für die Visualisierung u Objekte – Sprache Relation u Prof. Dr. Detlef Krömker Visualisierung – Vorlesung 9 96 WS 2005/2006

Zusammenfassung: visuelle Wahrnehmung u Low level – massiv parallel Aufmerksamkeit erregen u Attribute: Textur, Farbe, Helligkeit u u Mid-level - Muster finden Segmentierung des Bildes u Statische und bewegte Pattern u Gestalt Gesetze u Räumliche Wahrnehmung u u High level u u Wenige Objekte, können komplex sein Worte für Logik und abstrakte Bedeutungen/ Bilder für Muster oder Strukturen Prof. Dr. Detlef Krömker Visualisierung – Vorlesung 9 97 WS 2005/2006

Hausaufgabe u Lesen n n Sie: CW: Kap. 7 SM: Kap. 4 Kap. 5. 1 und 5. 2 u Exzerpieren Sie wesentliche Punkte Prof. Dr. Detlef Krömker Visualisierung – Vorlesung 9 98 WS 2005/2006

Danksagung u Diese n n Vorlesung basiert auf Material von Prof. Dr. Detlef Krömker Prof. Dr. Colin Ware Prof. Dr. Detlef Krömker Visualisierung – Vorlesung 9 99 WS 2005/2006