CN107967702A

CN107967702A - 逆向渲染绘制的热力图可视化方法

Info

Publication number: CN107967702A
Application number: CN201710982210.9A
Authority: CN
Inventors: 徐志洁; 张健钦; 王胜开; 王硕
Original assignee: Beijing University of Civil Engineering and Architecture
Current assignee: Beijing University of Civil Engineering and Architecture
Priority date: 2017-10-20
Filing date: 2017-10-20
Publication date: 2018-04-27
Anticipated expiration: 2037-10-20
Also published as: CN107967702B

Abstract

本发明公开了一种逆向渲染绘制的热力图可视化方法，以视窗单个像素点为分析点，根据适用于当前分析的影响力叠加模式分析单个像素点的临近数据点的分布并计算影响力图像并映射成灰度图像，然后按照灰度图像的整体分布规律划分得到渐变色分级阈值，以这种自适应的方式获得热力图的色彩梯度，然后赋色得到热力图。本发明充分考虑到数据的地理空间分布的实际情况，受地图尺度影响较小，可以更加稳定地表现数据特征，具有良好的数据可视化效果。并且本发明根据屏幕像素点先计算后绘制，影响力叠加不依赖于渲染器，可以根据不同的需求设置不同的影响力叠加模型，更适用于地理空间POI分析。

Description

逆向渲染绘制的热力图可视化方法

技术领域

本发明涉及数据可视化方法，尤其涉及一种逆向渲染绘制的热力图可视化方法。

背景技术

随着大数据的蓬勃发展，数据可视化技术也随之快速发展。由于大数据中捆绑着大量地理空间信息，而热力图作为一种直观的可视化方法，具有综合展示数据地理空间特征和属性特征的良好特性，可帮助各个领域的研究人员获取地理空间知识^[1]，因此深受欢迎。赵婷等人使用微软内部发布的HeatMap并结合k-means聚类算法针对地理标签数据的可视化表达进行了研究^[2]；杨微使用了影响力叠加算法改进后绘制的热力图对全国居民小区价格进行了分析^[3]；吴志强则通过使用百度热力图对上海市城市空间结构进行探索研究^[4]。

在热力图具体绘制方面，作为一种基于密度的定性分析可视化方法，其本身是依赖于数据的空间位置信息绘制而成的。一般的热力图以数据对象为出发点，将数据进行投影聚类^[5]，确定数据点影响半径，然后绘制出热力灰度图，并用渐变色为热力图赋色。很多开源网络地图如：国外的Openlayer、Leaflet以及国内的百度地图、天地图和超图地图等在线地图都为开发者提供了API接口，可以在这些平台下便捷地实现一般热力图的绘制。但也暴露出了一些不足，主要有以下几点：(1)自适应能力差，不同尺度下变形失真，在不同的地图比例下，热力图所展示的数据特征差异很大；(2)POI点影响力叠加模式单一，叠加模式只取决于渲染器的叠加规则，导致影响因子算法对数据特征探测不够灵敏；(3)生成热力图的色彩梯度凭经验构造，不同的热力图需要尝试多次才能得到合适的配色方案；(4)热力图在绘制时由于将数据投影到屏幕视窗，未充分考虑数据的地理空间特性。

发明内容

针对上述技术问题，本发明设计开发了一种数据可视化效果更好的逆向渲染绘制的热力图可视化方法。

本发明提供的技术方案为：

一种逆向渲染绘制的热力图可视化方法，包括：

步骤一、提取屏幕像素点；

步骤二、将所述屏幕像素点投影到地理空间，其中，每个屏幕像素点在所述地理空间中表示一个矩形地理区域，并将该矩形地理区域定义为像素点区域；

步骤三、获取在所述地理空间内的地理数据点，获取在每个像素点区域的临近点集，所述临近点集为由落入以所述像素点区域的中心为圆心，以一定距离为半径的一个圆形区域内的地理数据点所构成；

步骤四、计算每个像素点区域中每个临近点对该像素点区域的影响力I，其计算公式为：

其中，z为该临近点的属性值，w为当前地理尺度下单个像素点的地理宽度，d为该像素点区域中心到该临近点的距离，为影响力因子；

步骤五、计算每个像素点区域的临近点影响力叠加总和；采用每个像素点区域的临近点影响力叠加总和计算对应像素点的灰度值，从而获得一个影响力图像；将影响力图像映射为灰度图像；

步骤六、对所述灰度图像计算色彩梯度的分级阈值，根据色彩梯度的分级阈值用渐变色对所述灰度图像进行赋色，从而得到热力图。

优选的是，所述的逆向渲染绘制的热力图可视化方法中，所述地理数据点来自于公交刷卡记录形成的某个时间段的站点客流登量数据，所述热力图为某个时间段内客流密度的热力图。

优选的是，所述的逆向渲染绘制的热力图可视化方法中，所述步骤四中，z为该临近点所在的公交站点在一定时间段内的刷卡数量。

优选的是，所述的逆向渲染绘制的热力图可视化方法中，所述步骤三中，所述半径为1500米。

优选的是，所述的逆向渲染绘制的热力图可视化方法中，所述步骤四中，使用以下公式计算该像素点区域中心到该临近点的距离d：

其中，r为地球半径，分别为该像素点区域中心和该临近点在所述地理空间中的纬度，μ₂、μ₁为该像素点区域中心和该临近点在所述地理空间中的经度。

优选的是，所述的逆向渲染绘制的热力图可视化方法中，所述步骤六中，采用最大熵法计算所述灰度图像的色彩梯度的分级阈值，根据色彩梯度的分级阈值用渐变色对所述灰度图像进行赋色，从而得到热力图。

优选的是，所述的逆向渲染绘制的热力图可视化方法中，将网络地图服务作为地理空间，并采用空间参照系EPSG:3857。

本发明所述的逆向渲染绘制的热力图可视化方法以视窗单个像素点为分析点，根据适用于当前分析的影响力叠加模式分析单个像素点的临近数据点的分布并计算影响力图像并映射成灰度图像，然后按照灰度图像的整体分布规律划分得到渐变色分级阈值，以这种自适应的方式获得热力图的色彩梯度，然后赋色得到热力图。本发明充分考虑到数据的地理空间分布的实际情况，受地图尺度影响较小，与一般热力图相比更加稳定地表现数据特征，具有良好的数据可视化效果。并且本发明根据屏幕像素点先计算后绘制，影响力叠加不依赖于渲染器，可以根据不同的需求设置不同的影响力叠加模型，更适用于地理空间POI分析。

附图说明

图1为本发明所述的逆向渲染绘制的热力图可视化方法的流程图；

图2为本发明所述的像素点与邻近点的示意图；

图3为本发明所述的影响力叠加模型的示意图；

图4为对比例一中屏幕像素点以及样方的示意图；

图5为对比例一中灰度渐变圆的示意图；

图6为对比例一中影响力叠加模型；

图7(a)为对比例一所绘制的小比例尺热力图；

图7(b)为实施例一所绘制的小比例尺热力图；

图7(c)为对比例一所绘制的中比例尺热力图；

图7(d)为实施例一所绘制的中比例尺热力图；

图7(e)为对比例一所绘制的大比例尺热力图；

图7(f)为实施例一所绘制的大比例尺热力图。

具体实施方式

下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。

请查阅图1，本发明提供的逆向渲染探索绘制热力图，其主要思想是以屏幕像素点为对象，分析屏幕像素点所表示的地理区域和周围邻近数据点之间的相互联系计算获得像素点灰度值，并最终得到整个屏幕的灰度图。然后使用最大熵法自动获取多级分割阈值，生成渐变色来渲染灰度图，从而实现色彩梯度自适应并自定义影响力叠加模型。

本发明热力图的绘制实现优选基于开源Web技术，主要使用了Leaflet交互式地图开源JavaScript库，这个库具有良好的可扩展性，在此基础上开发出利用Canvas渲染的JavaScript语言编写的热力图插件。Canvas渲染作为HTML5技术的新特性，其优秀的渲染机制和简洁灵活的API操作足够满足绘制美观、高精度的热力图，而JavaScript是当今流行的轻量级前端脚本语言，是Canvas画布的“画笔”。

如图1所示，本发明提供一种逆向渲染绘制的热力图可视化方法，包括：

步骤一、提取屏幕像素点；

在上述步骤二中，本发明将网络地图服务(WMS)作为地理空间平台，并采用如今大多数网络地图服务商使用的空间参照系EPSG:3857，它是欧洲石油勘测团体(EPSG)在2009年提出的一个球形墨卡托投影坐标系统，在这个坐标系统中，计算两个地理空间点之间的距离使用的是haversine算法(半正矢公式)，两点的空间距离d表示为：

其中，r为地球半径为两点的纬度，μ₂、μ₁为两点经度。

在上述步骤三中，本发明的逆向热力图基于核密度估计的思想，核密度估计是一种数学方法，通过平滑的数据点计算密度来达到降低取样伪差的目的。如图2所示，每个热力图画板的像素点在地理空间中都表示一个矩形地理区域，以公交客流数据为例：根据公交站点数据的基本特征，选取距该区域中心1500米之内的数据点为邻近数据点(也称为临近点)，从而得到一个邻近点数据集p_m(也称为临近点集)。(根据《城市道路交通设计规范》规定，公交车站服务面积以500米为半径不得小于城市面积90％，所以综合考虑客流密度分布规律和图像平滑条件，取影响半径为1500米。)

p_m＝p_n∩O₁₅₀₀，

其中，p_n为数据点总集，O_n为距离像素点区域中心n米之内的区域。

在上述步骤四中，每个临近点对这个像素点区域都存在一个影响力，此影响力I计算公式为：

其中，z为数据点的属性值(例如以公交站点刷卡数据为处理数据，z即为某一站点一定时间段内的刷卡数量)，w为当前地理尺度下单个像素点的地理宽度，d为像素点中心到数据点的距离，由半正矢公式求得，为影响力因子。

在上述步骤四中，根据公共交通站的区位效应特点，采用线性叠加模型作为影像力叠加规则，具体模型如图3所示。像素点的临近点影响力叠加总和即为该像素点的灰度值算子，得到视窗每个像素点的灰度算子之后，就可以将其映射到范围为[0,255]的灰度区间内，渲染出影响力灰度图。

在上述步骤六中，色彩梯度的计算采用最大熵法计算色彩梯度的分割阈值。最大熵法基本思想是把图像分为若干子图像，计算各子图像的熵，当各个子图像熵的和最大时，分割图像的各个阈值是最佳阈值。

图像灰度区间可以表示为{1，2，3，...，L-1}，用n_i表示灰度值为i的像素个数，N是图像像元的总数，图像的灰度概率函数是

图像熵的定义为：

对于M(M>2)级分割，最大熵算法是把图像分为M个子图像，分别为C₀＝{0，1，...，t₁},C₁＝{，t₁+1，...，t₂},…,C_M-1＝{t_M-1，...，L-1}。

按照上面的公式得到每个子图像的熵，然后相加计算得到整个图像的熵为：

最佳阈值为：

在一个优选的实施例中，所述的逆向渲染绘制的热力图可视化方法中，所述地理数据点来自于公交刷卡记录形成的某个时间段的站点客流登量数据，所述热力图为某个时间段内客流密度的热力图。

在一个优选的实施例中，所述的逆向渲染绘制的热力图可视化方法中，所述步骤四中，z为该临近点所在的公交站点在一定时间段内的刷卡数量。

在一个优选的实施例中，所述的逆向渲染绘制的热力图可视化方法中，所述步骤三中，所述半径为1500米。

在一个优选的实施例中，所述的逆向渲染绘制的热力图可视化方法中，所述步骤四中，使用以下公式计算该像素点区域中心到该临近点的距离d：

在一个优选的实施例中，所述的逆向渲染绘制的热力图可视化方法中，所述步骤六中，采用最大熵法计算所述灰度图像的色彩梯度的分级阈值，根据色彩梯度的分级阈值用渐变色对所述灰度图像进行赋色，从而得到热力图。

在一个优选的实施例中，所述的逆向渲染绘制的热力图可视化方法中，将网络地图服务作为地理空间，并采用空间参照系EPSG:3857。

实验应用

实验数据

使用北京市公交站点在交通高峰时段客流数据绘制市区公交乘客分布热力图，通过热度分析市区客流分布情况。本次试验的公交客流数据由IC卡数据处理获得并存储在Oracle 11g数据库中，静态公交站点GIS数据由GeoServer发布，利用Java web工程架构整合数据，并在前端采用Canvas技术绘制热力图。

截取工作日2016年9月1日(星期四)的刷卡数据，全天刷卡记录共1,349万条，涵盖北京市909条公共交通线路的44267个公交站点，具体的数据格式如下表：

表1公交刷卡数据格式

字段名	字段类型	说明
			BUSDATA_ID	NUMBER(19)	公交系统ID,
DEAL_SEQ_NUM	NUMBER(10)	交易序号
			GRANT_CARD_CODE	VARchar2(10)	卡发行号
LINE_CODE	NUMBER(5)	运营线路编号,
			VEHICLE_CODE	VARchar2(20)	车辆号
ON_STATION	NUMBER(4)	上车站,上车站站标
			OFF_STATION	NUMBER(4)	下车站,下车站站标
UP_TIME	DATE	上车时间
			DEAL_TIME	DATE	下车时间

截取上午10时到下午2时共四小时的数据子集，共267万余条记录，然后进行统计归并处理得到公交站点客流登量数值数据，用于热力图绘制。

实施例一

将前面得到的站点登量数据导入系统中，通过系统所处的视窗得到当前的Canvas画布像素，遍历站点登量数据，通过半正矢公式计算像素周围临近范围，对每个像素进行邻近点分析，计算出每个像素的影响力，绘制出影响力灰度图，再通过最小熵算法自动分析灰度图分布规律，得到热力图渐变分割阈值，最后通过所得的渐变色对灰度图赋色，得到最终的热力图。

为了对试验结果更好的评定，本发明使用Heatmap(即详细过程见对比例一)对同一批数据做热力图进行对比分析。为了保证实验结果对比效果，本发明在同一渲染器中绘制两种方法的热力图，并相同色系的渐变色。由于一般热力图不具备影响力半径自适应功能，故将其影响力半径系数手动调整与逆向热力图一致，以便更加科学直观对比器效果。

对比例一

常见的热力图(以HeatMap为例)主要采用了密度分析样方法的思想来优化渲染，首先将地理数据点投射在屏幕上，即将地理坐标投射为屏幕坐标，得到屏幕数据集：

P_i＝(x_i，y_i，z_i) i＝1，2，3，4，……，

其中x_i、y_i分别为数据点的XY坐标，z_i为数据点属性值。

然后确定热力图的渲染半径r，如图4所示将屏幕划分为边长为的方形样方，每个数据点位于一个样方中，根据数据点的屏幕坐标可以确定数据网格行列数，公式如下:

其中x_i、y_i分别为数据点的XY坐标，r为渲染半径。

然后对每个样方的数据点集使用K-means算法进行硬聚类计算形成聚类，假设某个样方内数据点集为P_n，n为点个数，每个点的坐标为x_n、y_n，点的属性值为z_n。聚类计算公式为：

其中，X、Y、Z为聚类后的中心坐标和属性值。

以聚类中心点为圆心(X、Y)，r为半径绘制由内向外的透明度渐变圆，如图5所示：透明度渐变圆中心灰度值大小由聚类点属性值(z值)决定，影响力自内而外线性衰减。

这种热力图绘制方法默认使用了渲染器像素alpha通道叠加规则作为影响力叠加模式，一般的渲染器叠加规则为：

其中，a为叠加后像素的alpha值，a₁、a₂为叠加像素的alpha值，a、a₁、a₂的值域都是[0，255]，具体模型如图6。所有的聚类点绘制完成后就形成了灰度图，按照分级阈值使用不同颜色对灰度图赋色，就得到热力图。

结果分析

实验结果如下图7(a)至图7(f)所示，在不同比例尺下比较两种热力图绘制方法，一种是一般的HeatMap绘制方法(即对比例一)，一种是本发明的逆向绘制地理热力图方法(即实施例一)。小比例尺为1:20000，中比例尺为1:2000，大比例尺为1:500。小比例尺为截取北京市整体；中比例尺为北京五环以内区域，这片区域为公交客流主要分布区域；大比例尺是西直门附近，西直门附近有公交枢纽、动物园、商业区、学校和火车站，客流分布特征明显。

由图7(b)、图7(d)和图7(f)可知，北京市中午时段内的主要客流集中在市区，周边郊区分布较稀疏。在小比例尺下，一般的热力图会由于相互遮盖形成中心团状热核(见图7(a))，而使用本发明的逆向热力图数据特征更加清晰(见图7(b))；在中等比例尺下，两种方法绘制热力图差别不大，数据特征都比较清晰，而逆向热力图在反映客流分布情况则更精细，层次更加分明(见图7(c)和图7(d))；在大比例尺下，一般方法绘制的热力图呈现点状，失去了宏观热力效果(见图7(e))，而逆向热力图由于考虑的是地理距离，局部效果依然明显，可以看出动物园、商业区和学校等客流密集区域(见图7(f))。

本发明提出的逆向热力图绘制方法可以充分考虑到数据的地理空间分布的实际情况，受地图尺度影响较小，与一般热力图相比更加稳定地表现数据特征，具有良好的数据可视化效果。由于普通热力图使用了样方法聚类，即便调节影响力半径在小比例尺下依然会出现团状热斑，而逆向热力图方法按照像素计算分析，受尺度影响较小。并且本发明提出的逆向热力图方法是根据屏幕像素先计算后绘制，影响力叠加不依赖于渲染器，可以根据不同的需求设置不同的影响力叠加模型，更适用于地理空间POI分析。

尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。

Claims

1.一种逆向渲染绘制的热力图可视化方法，其特征在于，包括：

步骤一、提取屏幕像素点；

2.如权利要求1所述的逆向渲染绘制的热力图可视化方法，其特征在于，所述地理数据点来自于公交刷卡记录形成的某个时间段的站点客流登量数据，所述热力图为某个时间段内客流密度的热力图。

3.如权利要求2所述的逆向渲染绘制的热力图可视化方法，其特征在于，所述步骤四中，z为该临近点所在的公交站点在一定时间段内的刷卡数量。

4.如权利要求3所述的逆向渲染绘制的热力图可视化方法，其特征在于，所述步骤三中，所述半径为1500米。

5.如权利要求1至4中任一项所述的逆向渲染绘制的热力图可视化方法，其特征在于，所述步骤四中，使用以下公式计算该像素点区域中心到该临近点的距离d：

6.如权利要求1至4中任一项所述的逆向渲染绘制的热力图可视化方法，其特征在于，所述步骤六中，采用最大熵法计算所述灰度图像的色彩梯度的分级阈值，根据色彩梯度的分级阈值用渐变色对所述灰度图像进行赋色，从而得到热力图。

7.如权利要求1至4中任一项所述的逆向渲染绘制的热力图可视化方法，其特征在于，将网络地图服务作为地理空间，并采用空间参照系EPSG:3857。