Scientific Visualization - Cheatsheet

Grundlagen der wissenschaftlichen Visualisierung

Definition:

Grundlagen der wissenschaftlichen Visualisierung beinhalten Methoden und Techniken zur graphischen Darstellung wissenschaftlicher Daten zur besseren Analyse und Interpretation.

Details:

• Zielt auf bessere Verständlichkeit komplexer Daten
• Verwendet 2D- und 3D-Darstellungen
• Schlüsselkonzepte: Datenrepräsentation, Rendering, Farbmodelle
• Werkzeuge: VTK, ParaView, Matplotlib
• Oft gekoppelt mit großen Datenmengen und Simulationsdaten
• Methoden: Isosurfaces, Volume Rendering, Vector Plots
• Visualisierungspipeline: Daten, Mapping, Rendering

2D- und 3D-Visualisierungstechniken

Definition:

Darstellung und Interpretation wissenschaftlicher Daten in zwei- oder dreidimensionalen räumlichen Formaten.

Details:

• 2D-Visualisierung: Darstellung auf einer Ebene, z.B. Diagramme, Karten.
• 3D-Visualisierung: Darstellungen im dreidimensionalen Raum, z.B. Volumendaten, Oberflächen-Rendering.
• Wichtige Techniken: Isolinien (2D), Isosurfaces (3D), Slice-Darstellung, Voxel-basierte Methoden, Raytracing.
• Software: Matplotlib (2D), VTK, Paraview, Blender (3D).
• Anwendungsbeispiele: Medizinische Bildgebung, Strömungssimulation, Geowissenschaften.
• Datenvorbereitung: Wichtig für Genauigkeit und Effizienz, inkl. Datenfilterung und -Normalisierung.
• Interaktive vs. statische Visualisierung: Interaktive erlaubt Benutzerinteraktion (z.B. Zoom, Rotation).

Datenformate und -strukturen

Definition:

Datenformate und -strukturen: Grundlegende Mechanismen für die Organisation und Darstellung von Daten jeglicher Art.

Details:

• Primitive Datenformate: int, float, char
• Komplexe Datenformate: Arrays, Strukturen, Dateien
• Speicherorganisation: Stack vs. Heap
• Lineare Datenstrukturen: Arrays, Listen
• Nicht-lineare Datenstrukturen: Bäume, Graphen
• Binäre Formatierungen: XML, JSON, YAML
• Vis-Spezifische Formate: NIfTI, DICOM
• Datenkompression: verlustfrei (z.B. ZIP), verlustbehaftet (z.B. JPEG)

Volumenvisualisierung

Definition:

Visualisierung von 3D-Datensätzen mittels grafischer Techniken zur Darstellung innerer Strukturen.

Details:

• Direkte Verfahren: Raycasting, Splatting
• Indirekte Verfahren: Isosurface-Extraktion mit Marching Cubes
• Transfer-Funktionen: Zuordnung von Farbe und Opazität zu Skalardaten
• Datenquellen: CT, MRT, Simulationen

Techniken zur interaktiven Visualisierung

Definition:

Techniken zur interaktiven Visualisierung ermöglichen eine benutzerfreundliche und dynamische Darstellung von Daten zur Analyse und Exploration.

Details:

• Direkte Manipulation: Benutzereingaben beeinflussen direkt die Visualisierung.
• Fokus+Kontext-Techniken: Kombinieren Überblick und Detailansicht.
• Multimodale Interaktion: Nutzung verschiedener Eingabegeräte und -formen.
• Zooming und Panning: Ermöglicht Vergrößern/Verkleinern und Verschieben der Ansicht.
• Linking & Brushing: Selektion in einer Ansicht wirkt sich auf andere Ansichten aus.
• Animation: Zeigt Veränderungen im Zeitablauf oder durch Interaktionen.

Maßnahmen zur Datenbereinigung und -vorverarbeitung

Definition:

Prozess der Vorbereitung roher Daten für die Visualisierung, inklusive Entfernen von Fehlern und Inkonsistenzen.

Details:

• Entfernung von Duplikaten: Identifizierung und Entfernung redundanter Daten.
• Fehlende Werte behandeln: Ersetzen fehlender Werte durch Mittelwert, Median oder spezielle Marker.
• Ausreißerbehandlung: Erkennung und Korrektur oder Entfernung extremer Werte.
• Normalisierung: Skalierung der Daten auf einen einheitlichen Bereich.
• Datentransformation: Konvertierung von Datenformaten zur Vereinheitlichung.
• Filterung: Eliminieren irrelevanter oder überflüssiger Datenpunkte.
• Datenaggregation: Zusammenfassen mehrerer Datenpunkte zu statistischen Kennzahlen.

Algorithmen zur Datenreduktion

Definition:

Algorithmen zur Datenreduktion verringern die Datenmenge, ohne wesentliche Informationen zu verlieren.

Details:

• Datenkompression: Reduktion von Daten durch spezielle Kodierung (z.B. Huffman, LZW).
• Feature Selection: Auswahl der wichtigsten Datenattribute zur Analyse (z.B. PCA, LDA).
• Sampling: Auswahl einer Untermenge von Datenpunkten (z.B. Random Sampling, Stratified Sampling).
• Clustering: Gruppierung ähnlicher Datenpunkte (z.B. K-Means, DBSCAN).
• Sparsity: Verwendung von Techniken, die wenige, informative Datenpunkte identifizieren (z.B. Lasso-Regression).
• Approximation: Näherungsweise Darstellung der Daten (z.B. Fourier-Transformation).

Techniken zur multivariaten Datenrepräsentation

Definition:

Darstellung von Daten mit mehreren Variablen gleichzeitig.

Details:

• Parallel Coordinates: Daten als Linien durch parallele Achsen darstellen.
• Sternplott: Jeder Punkt hat Achsen für jede Variable, Längen der Linien sind Werte.
• Scatterplot Matrix: Matrix aus Scatterplots für paarweise Variablenbeziehungen.
• Principal Component Analysis (PCA): Daten auf Hauptkomponenten reduzieren.
• Glyphplots: Verwenden Symbole, um multivariate Daten abzubilden.
• Heatmap: Werte mit Farben in einer Matrix darstellen.