[总结] Exploring Visual Informatio

论文标题：

Exploring Visual Information Flows in Infographics

Author: Min Lu, Chufeng Wang, Joel Lanir, Nanxuan Zhao, Hanspeter Pfister, Daniel Cohen-Or, and Hui Huang

关键词：

可视化图表、视觉信息流、设计分析、视觉认知

主要内容：

在阅读可视化图表中（本文以散点图为主要出发点），很多时候会因为重叠部分过多、或组团种类过多，导致读者难以快速了解图表要表达的意思。因此本文献提出了一种叫做“Winglets（小翅膀）”的方法，对经典散点图进行了改进。Winglets使用完形闭合原理来塑造读者对于组团形式的感知。<u>主要方法就是在点的周围，增加两条线段，并根据点所在的组团，对线段的长度及方向进行定义</u>。在问卷调查结果中，可以发现通过两个主要属性的巧妙设计，Winglets可以让观众在心理上加强对散点图组团的认知。最终结果表明，小翼形成了更显著的点群组团关联特征，提高了读者对于关联不确定性的感知能力。

不/带Winglets的散点图对比

研究结果：

1. 研究问题

• 散点图在处理具有多种类、倾向性的数据时，容易引起读者的混论，导致无法快速理解图表目标，需要花更多时间进行读图与类型比对。

image.png

• 因此，本文要解决的问题就是

  • 帮助读者更好地进行组团分割

  • 更好地进行不确定性的赋值（上图是通过颜色深浅进行赋值）

2. 理论：知觉编组（Perceptua- Groupi -g）

• 格式塔原理：

  • 邻近原则、相似原则、连续性原则、关闭原则

image.png

• 相关案例：

案例1
案例2
案例3

• 1. PCA聚类方式 2. 颜色区分/过渡 3. 用连续边界对数据进行包围

• 由下图可知，有了Winglets之后，可以对图表进行一个暗示性的组团划分

image.png

• 本文主要采用了关闭原则，通过更改Winglets的方向性，暗示散点图的组团划分情况。

3. 实现方法

• 提取Winglets属性

image.png

• 方向：按照组团的方向，进行弯曲

• 长度：基于离组团核心的远近距离，进行长度的设定（翅膀越短，该点与群集中其他点的关联就越不确定）

• 弯曲程度计算方式

image.png

（a）计算高斯核密度图

（b）采用步进平方算法提取采样密度的等中心线（提取等高线）

（c）在分割成多个同级轮廓之前，选择一个全局参考轮廓进行分组

（d）轮廓线从外到内进行插值计算

（e）点沿着它们在轮廓上最近的方向进行延伸，得到Wi -g-ets

• 长度的计算公式

  • 点与组团的关联不确定性，其主要影响因素为，点与组团核心的距离（范围）和映射函数。

image.png

• 映射函数计算公式：

映射函数

其中： Si——》轮廓线指数，∈[0,1]。

• 当 n > 1时（左），机翼长度随着不确定性的增加而迅速缩短。

• 当 n < 1时（右），远近点之间的长度差变小，这可能用于强调关联关系。

  • 本文献选择了适度的 n = 1。

4. 实验结果（实验过程为调查问卷式）

• 对比样例：

image.png

• 任务问题

image.png

• 结果数据

image.png

• 该文献的结果显示，Winglets在组团辨别任务（任务1和任务2）中比常规散点图方案有显著的优势，表明Winglets确实能促进更快更清晰的聚类关联。

• 对于全局任务（1和3），组团数量、重叠程度与Wi -g-ets成正比。从全局上看，Winglets更有优势。

对设计的启示：

• 利用格式塔心理学的知觉整体性原则，增强散点图的可视化表达。

• 这段时间一直在看图表方向的论文。有通过动画、通过变形、通过装饰物把图表变得更为清晰。但是，这次的文献里，只在图表里多添加了一点元素，竟然能让图表变得清晰很多，这一点很吃惊。

未来：

• 可视化图表这一领域，从上个世纪20年代就出现了的理论体系，在大多数领域里还是一直使用着原有体系、经典图表，在未来可以从不同的表达方式、添加不同的装饰物入手，进一步加强的可视化图的表达能力。

• 在未来，可以尝试更多图表类型的可视化增强，通过添加不同的简单元素，增强其表达效果。