fundamentos em visualização -...

Fundamentos em Visualização

SCC5836 – Visualização Computacional

Prof. Fernando V. Paulovichhttp://www.icmc.usp.br/~paulovic

[email protected]

Instituto de Ciências Matemáticas e de Computação (ICMC)Universidade de São Paulo (USP)

1 / 85

http://www.icmc.usp.br/~paulovic

Sumário

1 Processo de Visualização

2 Semiologia de Símbolos Gráficos

3 As Oito Variáveis Visuais

4 Taxonomias

5 Referências

2 / 85

Processo de Visualização

No pipeline de visualização usuários podem interagir emqualquer ponto e cada ligação entre blocos é um mapeamentomuitos-para-muitos

3 / 85

Processamento de dados e Transformação

Primeiro passo é a conversão dos dados em umarepresentação adequada ao processamento computacional

Tratar valores ausentes (interpolação)Identificar dados errados (medidos ou computados)Se necessário, diminuir a quantidade de dados (amostragem,filtragem ou agregação)Verificar necessidades de Normalização dos dados

4 / 85

Mapeamento para Visualização

A seguir os dados podem ser mapeados em representaçõesgráficas específicas

Escolha de geometria, cor, textura, etc.

(a) (b)

Figura: Diferentes exemplos de mapeamento visual. (a) escolha ruim e (b)escolha um pouco melhor.

5 / 85

Transformações de Rendering

O estágio final envolve mapear a geometria dos dados em umaimagem

Requer alguma API gráfica, como OpenGL, Java 3D, etc.

6 / 85

Medidas de Visualização

Duas medidas de qualidade das visualizações são essenciaisExpressividade e efetividade

7 / 85


Expressividade

Mede a concentração de informação como a razão entre ainformação pretendida pelo “designer” da visualização e arealmente transmitida (0≤Mexp ≤ 1)

Mexp < 1 transmite menos informação do que o desejado

Mexp > 1 transmite mais informação do que o desejadoMexp = 1 transmite exatamente a informação desejada

8 / 85


Expressividade


Mexp < 1 transmite menos informação do que o desejadoMexp > 1 transmite mais informação do que o desejado

Mexp = 1 transmite exatamente a informação desejada

9 / 85


Expressividade


Mexp < 1 transmite menos informação do que o desejadoMexp > 1 transmite mais informação do que o desejadoMexp = 1 transmite exatamente a informação desejada

10 / 85


EfetividadeMede o custo associado a interpretar uma visualizaçãocorretamente e rapidamente e o seu custo de rendering,definida por

Meff =1

(1+Tinterpretar +Tdesenhar)

Quanto maior o valor de Meff , maior a efetividade da visualização

Se Meff é pequeno é porque o tempo de interpretação ou dedesenho são grandes

11 / 85


EfetividadeMede o custo associado a interpretar uma visualizaçãocorretamente e rapidamente e o seu custo de rendering,definida por

Meff =1

(1+Tinterpretar +Tdesenhar)

Quanto maior o valor de Meff , maior a efetividade da visualização

Se Meff é pequeno é porque o tempo de interpretação ou dedesenho são grandes

12 / 85


Figura: Na análise do preço ou consumo dos carros a expressividade deambas as visualizações é possivelmente equivalente, mas a efetividade édiferente. Por exemplo, considere as tarefas de identificar qual carroapresenta a melhor milhagem, ou qual carro com preço acima de US$11,000apresenta melhor consumo.

13 / 85

Sumário




4 Taxonomias

5 Referências

14 / 85

Semiologia de Símbolos Gráficos

Semiologia é ciência que estuda o uso de símbolos emarcadores

Qualquer construção possível no plano Euclideano é umarepresentação gráfica composta por símbolos gráficos

15 / 85

Símbolos e Visualizações

Algumas representações são universais e podem serreconhecidas pré-atentivamente, outras demandam esforço.Processo cognitivo: resulta em uma identificação externa

16 / 85


Algumas representações são universais e podem serreconhecidas pré-atentivamente, outras demandam esforço. Épreciso:

1 identificar e interpretar os elementos fundamentais

2 identificar e interpretar as relações entre eles

Processo cognitivo: resulta em uma identificação externa

17 / 85


Algumas representações são universais e podem serreconhecidas pré-atentivamente, outras demandam esforço. Épreciso:

1 identificar e interpretar os elementos fundamentais2 identificar e interpretar as relações entre eles

Processo cognitivo: resulta em uma identificação externa

18 / 85


A descoberta de relações ou padrões começa pelomapeamento das relações entre os dados e os símbolosgráficos que os representam

Quaisquer padrões percebidos na tela devem implicar em umpadrão correspondente nos dados, caso contrário tem-se umartefato

Qualquer ordem percebida entre os símbolos deve refletir umaordem dos dados

Similaridade na estrutura dos dados⇔ similaridade visual dossímbolos correspondentes

Ordem entre os itens de dados⇔ ordem visual entre ossímbolos correspondentes

19 / 85



Quaisquer padrões percebidos na tela devem implicar em umpadrão correspondente nos dados, caso contrário tem-se umartefatoQualquer ordem percebida entre os símbolos deve refletir umaordem dos dados



20 / 85






21 / 85






22 / 85






23 / 85

Análise de um Gráfico

Quando analisamos um gráficoPrimeiro percebemos grupos de objetos (pré-atentivamente)

Então tentamos categorizar esses grupos (cognitivamente)Por fim, analisamos casos especiais, como elementos que nãoforam agrupados ou relações entre grupos

Processo executado em múltiplos níveis que pode ser apoiadopor visualizações distintasVisualização pode ser integrada a ferramentas analíticas

24 / 85


Quando analisamos um gráficoPrimeiro percebemos grupos de objetos (pré-atentivamente)Então tentamos categorizar esses grupos (cognitivamente)

Por fim, analisamos casos especiais, como elementos que nãoforam agrupados ou relações entre grupos


25 / 85


Quando analisamos um gráficoPrimeiro percebemos grupos de objetos (pré-atentivamente)Então tentamos categorizar esses grupos (cognitivamente)Por fim, analisamos casos especiais, como elementos que nãoforam agrupados ou relações entre grupos


26 / 85




27 / 85




28 / 85

Sumário




4 Taxonomias

5 Referências

29 / 85

As Oito Variáveis Visuais

Uma forma de codificar dados em uma representação gráfica émapear diferentes instâncias e seus atributos em diferentesmarcadores gráficos

Marcadores gráficos têm propriedades variáveis: cor, tamanho,etc., sendo possível codificar até oito variáveis visuais

1 posição2 formato (ou marcador)3 tamanho (comprimento, área ou volume)4 brilho (ou luminância)5 cor6 orientação7 textura8 movimento

30 / 85

As Oito Variáveis Visuais

Uma forma de codificar dados em uma representação gráfica émapear diferentes instâncias e seus atributos em diferentesmarcadores gráficos

Marcadores gráficos têm propriedades variáveis: cor, tamanho,etc., sendo possível codificar até oito variáveis visuais

1 posição2 formato (ou marcador)3 tamanho (comprimento, área ou volume)4 brilho (ou luminância)5 cor6 orientação7 textura8 movimento

31 / 85

Posição

Posição (1D, 2D ou 3D) é o atributo mais importanteArranjo espacial é o primeiro passo na leitura da visualização

Figura: Exemplos de representação com sobreposição (a) e com melhorespalhamento (b).

32 / 85

Marcador ou Forma

Qualquer elemento gráfico pode ser usado como ummarcador, incluindo símbolos, letras e palavras

Figura: Exemplos de marcadores.

33 / 85

Marcador ou Forma

Marcadores devem ser tão diferentes entre si quanto possível,de modo a serem facilmente distinguíveis

Os diferentes marcadores devem ter área e complexidadesimilares para evitar que um seja mais destacado que outros

34 / 85

Tamanho (Comprimento, Área e Volume)

Posição e formato são as variáveis mais importantes, as outrasapenas afetam a maneira como essas representações sãomostradas, como o tamanho dos marcadores

35 / 85

Tamanho (Comprimento, Área e Volume)

Tamanho pode ser usado para mapear variáveis contínuas ecategóricas, mas no segundo caso deve-se considerar poucascategorias

Figura: Exemplo de utilização de tamanho para atributo contínuo (preço docarro).

36 / 85

Brilho

Apesar de ser possível utilizar qualquer valor de Brilho (ouluminância), não é possível distinguir todos os pares de valores

Deve-se considerar um conjunto reduzido de valores de brilho

37 / 85

Brilho

Figura: Exemplo da utilização de brilho para codificar variáveis (tamanho docarro).

38 / 85

Cor

Cor pode ser definida por meio da saturação e tonalidadeMatiz é o comprimento da onda dominante (cor) e saturação é onível de matiz relativo ao cinza (pureza da cor)

Figura: Matiz é definido na horizontal e saturação na vertical.

39 / 85

Cor

Valores são mapeados em cores normalmente por meio de ummapa de cores (colormaps)

Normalmente associado a dados contínuos, mas na presença depoucas categorias também pode ser assocido a valores nominais

40 / 85

Cor

Figura: Exemplo de uso de cor para mapear valores (comprimento do carro).

41 / 85

Orientação

Orientação ou direção é processada pré-atentivamenteNão pode ser usada com todos os marcadores, os melhores sãoos que apresentam um único eixo natural

42 / 85

Orientação

Figura: Exemplo de orientação para mapeamento de valores (preço médiodo carro).

43 / 85

Textura

Textura pode ser vista como a combinação de outraspropriedades, como forma, cor e orientação

44 / 85

Textura

Figura: Exemplo do uso de textura para mapear valores (tipo de carro).

45 / 85

Movimento

Movimento pode ser associado a qualquer das outraspropriedades visuais

Importante para indicar variação temporal

G. Robertson, R. Fernandez, D. Fisher, B. Lee, J. Stasko.Effectiveness of Animation in Trend Visualization. IEEETransactions on Visualization and Computer Graphics, vol. 14,no. 6, pp. 1325-1332, November/December, 2008

46 / 85

Movimento

Movimento pode ser associado a qualquer das outraspropriedades visuais

Importante para indicar variação temporal

G. Robertson, R. Fernandez, D. Fisher, B. Lee, J. Stasko.Effectiveness of Animation in Trend Visualization. IEEETransactions on Visualization and Computer Graphics, vol. 14,no. 6, pp. 1325-1332, November/December, 2008

47 / 85

Sumário




4 Taxonomias

5 Referências

48 / 85

Taxomomias

Tentativas de sistematizar e organizar os diversos elementos doprocessoOs dados tratados, as técnicas de visualização, as tarefas eos métodos para interação, definindo diferentes taxonomias

49 / 85

Taxonomia Tipos de Dados por Tarefas

Shneiderman [Shneiderman, 1996] propôs uma taxonomia daárea de visualização em termos da natureza dos dados e dastarefas associadas

Os tipos de dados são

unidimensional linearmapa bidimensionalmundo tridimensionaltemporalmultidimensionalárvorerede

50 / 85



Os tipos de dados sãounidimensional linear

mapa bidimensionalmundo tridimensionaltemporalmultidimensionalárvorerede

51 / 85



Os tipos de dados sãounidimensional linearmapa bidimensional

mundo tridimensionaltemporalmultidimensionalárvorerede

52 / 85



Os tipos de dados sãounidimensional linearmapa bidimensionalmundo tridimensional

temporalmultidimensionalárvorerede

53 / 85



Os tipos de dados sãounidimensional linearmapa bidimensionalmundo tridimensionaltemporal

multidimensionalárvorerede

54 / 85



Os tipos de dados sãounidimensional linearmapa bidimensionalmundo tridimensionaltemporalmultidimensional

árvorerede

55 / 85



Os tipos de dados sãounidimensional linearmapa bidimensionalmundo tridimensionaltemporalmultidimensionalárvore

rede

56 / 85



Os tipos de dados sãounidimensional linearmapa bidimensionalmundo tridimensionaltemporalmultidimensionalárvorerede

57 / 85


Os tipos de tarefas, mais centradas nas atividades de umanalista, são

Visão geral - obter uma visão geral dos dados

Zoom - ganhar uma visão mais detalhada de uma regiãoFiltragem - filtrar elementos não interessantes (reduz tamanho dabusca)Detalhes-sob-demanda - selecionar um item ou grupo para terdetalhes quando necessárioRelacionar - identificar relações entre itensHistórico - manter histórico para permitir retroceder, refazer erefinamento progressivoExtração - extrair itens ou dados para facilitar outros usos

Segundo Shneiderman uma ferramenta efetiva deveria proverrecursos para executar todas essas tarefas!

58 / 85



Visão geral - obter uma visão geral dos dadosZoom - ganhar uma visão mais detalhada de uma região

Filtragem - filtrar elementos não interessantes (reduz tamanho dabusca)Detalhes-sob-demanda - selecionar um item ou grupo para terdetalhes quando necessárioRelacionar - identificar relações entre itensHistórico - manter histórico para permitir retroceder, refazer erefinamento progressivoExtração - extrair itens ou dados para facilitar outros usos


59 / 85



Visão geral - obter uma visão geral dos dadosZoom - ganhar uma visão mais detalhada de uma regiãoFiltragem - filtrar elementos não interessantes (reduz tamanho dabusca)

Detalhes-sob-demanda - selecionar um item ou grupo para terdetalhes quando necessárioRelacionar - identificar relações entre itensHistórico - manter histórico para permitir retroceder, refazer erefinamento progressivoExtração - extrair itens ou dados para facilitar outros usos


60 / 85



Visão geral - obter uma visão geral dos dadosZoom - ganhar uma visão mais detalhada de uma regiãoFiltragem - filtrar elementos não interessantes (reduz tamanho dabusca)Detalhes-sob-demanda - selecionar um item ou grupo para terdetalhes quando necessário

Relacionar - identificar relações entre itensHistórico - manter histórico para permitir retroceder, refazer erefinamento progressivoExtração - extrair itens ou dados para facilitar outros usos


61 / 85



Visão geral - obter uma visão geral dos dadosZoom - ganhar uma visão mais detalhada de uma regiãoFiltragem - filtrar elementos não interessantes (reduz tamanho dabusca)Detalhes-sob-demanda - selecionar um item ou grupo para terdetalhes quando necessárioRelacionar - identificar relações entre itens

Histórico - manter histórico para permitir retroceder, refazer erefinamento progressivoExtração - extrair itens ou dados para facilitar outros usos


62 / 85



Visão geral - obter uma visão geral dos dadosZoom - ganhar uma visão mais detalhada de uma regiãoFiltragem - filtrar elementos não interessantes (reduz tamanho dabusca)Detalhes-sob-demanda - selecionar um item ou grupo para terdetalhes quando necessárioRelacionar - identificar relações entre itensHistórico - manter histórico para permitir retroceder, refazer erefinamento progressivo

Extração - extrair itens ou dados para facilitar outros usos


63 / 85



Visão geral - obter uma visão geral dos dadosZoom - ganhar uma visão mais detalhada de uma regiãoFiltragem - filtrar elementos não interessantes (reduz tamanho dabusca)Detalhes-sob-demanda - selecionar um item ou grupo para terdetalhes quando necessárioRelacionar - identificar relações entre itensHistórico - manter histórico para permitir retroceder, refazer erefinamento progressivoExtração - extrair itens ou dados para facilitar outros usos


64 / 85





65 / 85





66 / 85

Taxonomia de Keim

Keim [Keim, 2002] propôs uma classificação de sistemas devisualização segundo três dimensões

tipos de dadostécnicas de visualizaçãométodos de interação/distorção

67 / 85

Taxonomia de Keim

Os dados são classificados emunidimensionais - dados temporais, preços de ações, etc.

bidimensionais - mapas, plantas, etc.multidimensionais - planilhas eletrônicas, tabelas relacionais, etc.texto e hipertexto - notícias, documentos web, etc.hierarquia e grafos - trafego de rede/telefonia, modelos desistemas dinâmicos, etc.algoritmos e software - software, memória, etc.

68 / 85

Taxonomia de Keim

Os dados são classificados emunidimensionais - dados temporais, preços de ações, etc.bidimensionais - mapas, plantas, etc.

multidimensionais - planilhas eletrônicas, tabelas relacionais, etc.texto e hipertexto - notícias, documentos web, etc.hierarquia e grafos - trafego de rede/telefonia, modelos desistemas dinâmicos, etc.algoritmos e software - software, memória, etc.

69 / 85

Taxonomia de Keim

Os dados são classificados emunidimensionais - dados temporais, preços de ações, etc.bidimensionais - mapas, plantas, etc.multidimensionais - planilhas eletrônicas, tabelas relacionais, etc.

texto e hipertexto - notícias, documentos web, etc.hierarquia e grafos - trafego de rede/telefonia, modelos desistemas dinâmicos, etc.algoritmos e software - software, memória, etc.

70 / 85

Taxonomia de Keim

Os dados são classificados emunidimensionais - dados temporais, preços de ações, etc.bidimensionais - mapas, plantas, etc.multidimensionais - planilhas eletrônicas, tabelas relacionais, etc.texto e hipertexto - notícias, documentos web, etc.

hierarquia e grafos - trafego de rede/telefonia, modelos desistemas dinâmicos, etc.algoritmos e software - software, memória, etc.

71 / 85

Taxonomia de Keim

Os dados são classificados emunidimensionais - dados temporais, preços de ações, etc.bidimensionais - mapas, plantas, etc.multidimensionais - planilhas eletrônicas, tabelas relacionais, etc.texto e hipertexto - notícias, documentos web, etc.hierarquia e grafos - trafego de rede/telefonia, modelos desistemas dinâmicos, etc.

algoritmos e software - software, memória, etc.

72 / 85

Taxonomia de Keim

Os dados são classificados emunidimensionais - dados temporais, preços de ações, etc.bidimensionais - mapas, plantas, etc.multidimensionais - planilhas eletrônicas, tabelas relacionais, etc.texto e hipertexto - notícias, documentos web, etc.hierarquia e grafos - trafego de rede/telefonia, modelos desistemas dinâmicos, etc.algoritmos e software - software, memória, etc.

73 / 85

Taxonomia de Keim

As técnicas de visualização são classificadas emDisplays 2D/3D típicos - gráficos xy, xyz, gráficos de linhas, etc.

Displays geometricamente transformados - matrizes descatterplots, coordenadas paralelas, etc.Display iconográficos - star icons, Chernoff faces, stick figureicons, etc.Display denso de pixels - padrões recursivos, segmento decírculos, etc.Displays empilhados - dimensional stacking, treemaps, conetress, etc.

74 / 85

Taxonomia de Keim

As técnicas de visualização são classificadas emDisplays 2D/3D típicos - gráficos xy, xyz, gráficos de linhas, etc.Displays geometricamente transformados - matrizes descatterplots, coordenadas paralelas, etc.

Display iconográficos - star icons, Chernoff faces, stick figureicons, etc.Display denso de pixels - padrões recursivos, segmento decírculos, etc.Displays empilhados - dimensional stacking, treemaps, conetress, etc.

75 / 85

Taxonomia de Keim

As técnicas de visualização são classificadas emDisplays 2D/3D típicos - gráficos xy, xyz, gráficos de linhas, etc.Displays geometricamente transformados - matrizes descatterplots, coordenadas paralelas, etc.Display iconográficos - star icons, Chernoff faces, stick figureicons, etc.

Display denso de pixels - padrões recursivos, segmento decírculos, etc.Displays empilhados - dimensional stacking, treemaps, conetress, etc.

76 / 85

Taxonomia de Keim

As técnicas de visualização são classificadas emDisplays 2D/3D típicos - gráficos xy, xyz, gráficos de linhas, etc.Displays geometricamente transformados - matrizes descatterplots, coordenadas paralelas, etc.Display iconográficos - star icons, Chernoff faces, stick figureicons, etc.Display denso de pixels - padrões recursivos, segmento decírculos, etc.

Displays empilhados - dimensional stacking, treemaps, conetress, etc.

77 / 85

Taxonomia de Keim

As técnicas de visualização são classificadas emDisplays 2D/3D típicos - gráficos xy, xyz, gráficos de linhas, etc.Displays geometricamente transformados - matrizes descatterplots, coordenadas paralelas, etc.Display iconográficos - star icons, Chernoff faces, stick figureicons, etc.Display denso de pixels - padrões recursivos, segmento decírculos, etc.Displays empilhados - dimensional stacking, treemaps, conetress, etc.

78 / 85

Taxonomia de Keim

As técnicas de distorção e interação são classificadas emProjeção Dinâmica - grand tour, XGobi, etc.

Filtros interativos - magic lenses, InforCrystal, etc.Zoom interativo - TableLens, IVEE/Spotfire, etc.Distorção interativa - distorções esféricas e hiperbólicas, displaysbifocais, perpective wall, fisheye lens, etc.Linking and brushing interativo - múltiplos scatterplots,coordenadas paralelas, etc.

79 / 85

Taxonomia de Keim

As técnicas de distorção e interação são classificadas emProjeção Dinâmica - grand tour, XGobi, etc.Filtros interativos - magic lenses, InforCrystal, etc.

Zoom interativo - TableLens, IVEE/Spotfire, etc.Distorção interativa - distorções esféricas e hiperbólicas, displaysbifocais, perpective wall, fisheye lens, etc.Linking and brushing interativo - múltiplos scatterplots,coordenadas paralelas, etc.

80 / 85

Taxonomia de Keim

As técnicas de distorção e interação são classificadas emProjeção Dinâmica - grand tour, XGobi, etc.Filtros interativos - magic lenses, InforCrystal, etc.Zoom interativo - TableLens, IVEE/Spotfire, etc.

Distorção interativa - distorções esféricas e hiperbólicas, displaysbifocais, perpective wall, fisheye lens, etc.Linking and brushing interativo - múltiplos scatterplots,coordenadas paralelas, etc.

81 / 85

Taxonomia de Keim

As técnicas de distorção e interação são classificadas emProjeção Dinâmica - grand tour, XGobi, etc.Filtros interativos - magic lenses, InforCrystal, etc.Zoom interativo - TableLens, IVEE/Spotfire, etc.Distorção interativa - distorções esféricas e hiperbólicas, displaysbifocais, perpective wall, fisheye lens, etc.

Linking and brushing interativo - múltiplos scatterplots,coordenadas paralelas, etc.

82 / 85

Taxonomia de Keim

As técnicas de distorção e interação são classificadas emProjeção Dinâmica - grand tour, XGobi, etc.Filtros interativos - magic lenses, InforCrystal, etc.Zoom interativo - TableLens, IVEE/Spotfire, etc.Distorção interativa - distorções esféricas e hiperbólicas, displaysbifocais, perpective wall, fisheye lens, etc.Linking and brushing interativo - múltiplos scatterplots,coordenadas paralelas, etc.

83 / 85

Taxonomia de Keim

84 / 85

Sumário




4 Taxonomias

5 Referências

85 / 85

Referências

Ward, M., Grinstein, G. G., Keim, D. Interactive datavisualization foundations, techniques, and applications.Natick, Mass., A K Peters, 2010.

Keim, D. A. (2002).Information visualization and visual data mining.IEEE Transactions on Visualization and Computer Graphics, 8:1–8.

Shneiderman, B. (1996).The eyes have it: A task by data type taxonomy for information visualizations.In Proceedings of the 1996 IEEE Symposium on Visual Languages, pages 336–,Washington, DC, USA. IEEE Computer Society.

86 / 85

fundamentos em visualização -...

Documents