CN108428209B - 高维数据可视化方法、装置及系统 - Google Patents
高维数据可视化方法、装置及系统 Download PDFInfo
- Publication number
- CN108428209B CN108428209B CN201810266080.3A CN201810266080A CN108428209B CN 108428209 B CN108428209 B CN 108428209B CN 201810266080 A CN201810266080 A CN 201810266080A CN 108428209 B CN108428209 B CN 108428209B
- Authority
- CN
- China
- Prior art keywords
- target
- dimensional
- data
- vector
- dimensional data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000013079 data visualisation Methods 0.000 title claims abstract description 37
- 239000013598 vector Substances 0.000 claims abstract description 77
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 40
- 239000003086 colorant Substances 0.000 claims abstract description 13
- 238000003709 image segmentation Methods 0.000 claims description 37
- 238000012800 visualization Methods 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 abstract description 8
- 230000006870 function Effects 0.000 description 16
- 239000000470 constituent Substances 0.000 description 14
- 238000010586 diagram Methods 0.000 description 13
- 230000036544 posture Effects 0.000 description 9
- 238000009877 rendering Methods 0.000 description 8
- 238000012546 transfer Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 239000011521 glass Substances 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000035807 sensation Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007794 visualization technique Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/08—Projecting images onto non-planar surfaces, e.g. geodetic screens
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本发明提出了一种高维数据可视化方法、装置及系统,该方法包括:在高维图像中选取M个目标点,计算目标点的N个特征的特征值形成第一特征值向量;利用特征选择算法在N个特征中选择G个特征以区分所述目标点与非目标点,并计算目标点的G个特征值组成第二特征值向量;针对选择出的G个特征计算高维图像中至少非目标点的第二特征值向量;计算至少每一非目标点的第二特征值向量与所有目标点的第二特征值向量之间的相似度,根据相似度进行图像分割并获取概率分布图;在概率分布图中,根据预设分配规则为每一数据点分配不同的透明度及颜色,将目标区域突出显示出来。本发明通过图像处理技术来突出显示目标区域,提高系统对高维数据处理的速率。
Description
技术领域
本发明涉及图像处理技术领域,特别涉及一种高维数据可视化方法、装置及系统。
背景技术
三维体绘制是高维数据的常用可视化方法。假设有一三维立体玻璃方块,通过改变玻璃方块中的每一点的颜色和透明度,用户将从玻璃方块中看到不同的景象。三维体绘制就是将高维数据投射到显示媒介的技术。
在传统的三维体绘制的过程中,传递函数将数据特征值与光学特征值联系到一起,对最终的数据可视化效果起了非常大的作用。为了在体绘制中突出显示特定目标,用户通常需要设计一个复杂的传递函数,并且根据是实时的可视化效果,不断地调整传递函数。这给用户带了很大的不便。很多时候,目标和周围物体非常相似,这时候就需要增加数据特征值的维度,增加传递函数的维度,继而及大地增加传递函数的设计难度。
除此之外,用户通常利用鼠标和键盘来与可视化系统进行交互和对高维数据进行处理,其中一个很大的限制就是很难用鼠标和键盘做高维度操作;另外一个限制在于用户必须学习如何使用鼠标或者键盘与可视化系统进行交互。
最后用户通常使用普通的显示器来作为最终的可视化媒介,显示器是二位平面,用它来显示三维数据会造成一个维度的缺失。
发明内容
有鉴于此,本发明实施例的目的在于提供一种高维数据可视化方法、装置及系统,以解决现有技术的不足。
根据本发明的一个实施方式,提供一种高维数据可视化方法,该高维数据可视化方法包括:
在高维图像中选取M个目标点,计算所述目标点的N个特征的特征值形成第一特征值向量,其中,M大于或等于1,N大于或等于1;
利用特征选择算法在所述N个特征中选择G个特征以区分所述目标点与非目标点,并计算所述目标点的G个特征值组成第二特征值向量,其中,G大于或等于1;
针对选择出的G个特征计算所述高维图像中至少非目标点的第二特征值向量;
计算至少每一非目标点的第二特征值向量与所有目标点的第二特征值向量之间的相似度,根据所述相似度进行图像分割并获取概率分布图;
在所述概率分布图中,根据预设分配规则为每一数据点分配不同的透明度及颜色,将目标区域突出显示出来。
在上述的高维数据可视化方法中,所述“在高维图像中选取M个目标点”包括:
接收用户的语音或姿态数据并识别该数据所表示的操作;
响应所述用户的语音或姿态操作在所述高维图像中选取多个目标点。
在上述的高维数据可视化方法中,所述特征选择算法为基于L1范数的支持向量机算法。
在上述的高维数据可视化方法中,所述相似度为特征量之间的欧氏距离。
在上述的高维数据可视化方法中,所述图像分割算法为基于核密度估计的图像分割算法。
在上述的高维数据可视化方法中,所述预设分配规则包括:
在图像分割所产生的概率分布图中,根据每一数据点所对应的概率值的由大到小依次为每一数据点分配由小到大的透明度。
在上述的高维数据可视化方法中,通过虚拟现实头盔将所述目标区域突出显示出来。
本发明的另一实施方式提供一种高维数据可视化装置,该高维数据可视化装置包括:
第一特征向量模块,用于在高维图像中选取M个目标点,计算所述目标点的N个特征的特征值形成第一特征值向量,其中,M大于或等于1,N大于或等于1;
第二特征向量模块,用于利用特征选择算法在所述N个特征中选择G个特征以区分所述目标点与非目标点,并计算所述目标点的G个特征值组成第二特征值向量,其中,G大于或等于1;
计算模块,计算针对选择出的G个特征计算所述高维图像中至少非目标点的第二特征值向量;
图像分割模块,用于计算至少每一非目标点的第二特征值向量与所有目标点的第二特征值向量之间的相似度,根据所述相似度进行图像分割并获取概率分布图;
分配模块,用于在所述概率分布图中,根据预设分配规则为每一数据点分配不同的透明度及颜色,将目标区域突出显示出来。
本发明还提供一种高维数据可视化系统,该系统包括:
可视化媒介,用于显示高维图像;
体感器,用于接收用户的语音或姿态数据并识别该数据所表示的操作,响应所述用户的语音或姿态操作在所述高维图像中选取多个目标点;
计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,在所述处理器执行所述计算机程序时,实施上述的高维数据可视化方法。
本发明的又一实施方式提供一种计算机可读存储介质,其存储上述的高维数据可视化系统中所使用的所述计算机程序。
本发明高维数据可视化方法、装置及系统通过图像处理技术实现高维数据的可视化,将目标区域突出显示出来,降低了系统处理的复杂度,提高了系统对高维数据处理的速率。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明第一实施例提出的一种高维数据可视化方法的流程示意图。
图2为本发明实施例提出的一种体感器追踪人体关节的示意图。
图3为本发明实施例提出的一种特征值选择对比示意图。
图4为本发明实施例提出的一种可视化效果示意图。
图5为本发明第二实施例提出的一种高维数据可视化方法的流程示意图。
图6为本发明实施例提出的一种高维数据可视化装置的结构示意图。
图7为本发明实施例提出的一种高维数据可视化系统的结构示意图。
主要元件符号说明:
10-高维数据可视化装置;110-第一特征向量模块;120-第二特征向量模块;130-计算模块;140-图像分割模块;150-分配模块;20-高维数据可视化系统;210-可视化媒介;220-体感器;230-计算机设备。
具体实施方式
在下文中,将更全面地描述本公开的各种实施例。本公开可具有各种实施例,并且可在其中做出调整和改变。然而,应理解:不存在将本公开的各种实施例限于在此公开的特定实施例的意图,而是应将本公开理解为涵盖落入本公开的各种实施例的精神和范围内的所有调整、等同物和/或可选方案。
在下文中,可在本公开的各种实施例中使用的术语“包括”或“可包括”指示所公开的功能、操作或元件的存在,并且不限制一个或更多个功能、操作或元件的增加。此外,如在本公开的各种实施例中所使用,术语“包括”、“具有”及其同源词仅意在表示特定特征、数字、步骤、操作、元件、组件或前述项的组合,并且不应被理解为首先排除一个或更多个其它特征、数字、步骤、操作、元件、组件或前述项的组合的存在或增加一个或更多个特征、数字、步骤、操作、元件、组件或前述项的组合的可能性。
在本公开的各种实施例中,表述“或”或“A或/和B中的至少一个”包括同时列出的文字的任何组合或所有组合。例如,表述“A或B”或“A或/和B中的至少一个”可包括A、可包括B或可包括A和B二者。
在本公开的各种实施例中使用的表述(诸如“第一”、“第二”等)可修饰在各种实施例中的各种组成元件,不过可不限制相应组成元件。例如,以上表述并不限制所述元件的顺序和/或重要性。以上表述仅用于将一个元件与其它元件区别开的目的。例如,第一用户装置和第二用户装置指示不同用户装置,尽管二者都是用户装置。例如,在不脱离本公开的各种实施例的范围的情况下,第一元件可被称为第二元件,同样地,第二元件也可被称为第一元件。
应注意到:如果描述将一个组成元件“连接”到另一组成元件,则可将第一组成元件直接连接到第二组成元件,并且可在第一组成元件和第二组成元件之间“连接”第三组成元件。相反地,当将一个组成元件“直接连接”到另一组成元件时,可理解为在第一组成元件和第二组成元件之间不存在第三组成元件。
在本公开的各种实施例中使用的术语“用户”可指示使用电子装置的人或使用电子装置的装置(例如,人工智能电子装置)。
在本公开的各种实施例中使用的术语仅用于描述特定实施例的目的并且并非意在限制本公开的各种实施例。如在此所使用,单数形式意在也包括复数形式,除非上下文清楚地另有指示。除非另有限定,否则在这里使用的所有术语(包括技术术语和科学术语)具有与本公开的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义,除非在本公开的各种实施例中被清楚地限定。
实施例1
图1为本发明第一实施例提出的一种高维数据可视化方法的流程示意图。该方法包括:
步骤S110,在高维图像中选取M个目标点,计算所述目标点的N个特征的特征值形成第一特征值向量。
其中,M大于或等于1,N大于或等于1。
其中,所述高维图像的目标区域为高维图像的二维切面或者可视化之后的三维空间。
在在高维图像的目标区域中选取多个目标点可包括:
接收用户的语音或姿态数据并识别该数据所表示的操作;
响应所述用户的语音或姿态操作在所述高维图像中选取多个目标点。
其中,所述姿态可以包括静态手势和动态的手势运动轨迹。
本实施例中,通过Kinect体感器识别用户的语音、姿态或者姿态的动态轨迹等数据。识别用户姿态及姿态的动态轨迹时,如图2所示为体感器追踪人体关节的示意图,通过体感器可以得到每一个关节在某一特定时刻的三维空间位置信息,还可以连续记录用户在连续时间的三维空间位置并可以对多个关节的三维空间位置进行连接。
本发明的其他实施例中,还可以通过其他方式和设备识别用户的语音、姿态及姿态的动态轨迹数据。
下表为本实施例中的一部分语音指令和这些指令对应的操作。
当用户对高维图像中特定目标区域感兴趣时,用户只需要在目标区域通过语音、姿态及姿态的动态轨迹选取一些目标点,然后还可以通过语音指令进行特征值向量的计算、特征的选择、图像分割及对高维数据的在图像分割过程中生成的概率分布图进行体绘制等操作。整个选取或操作的过程非常简单,用户可以跟快的掌握操作指令,解决了普通人机交互方式如鼠标键盘等的单一性及不灵活性,使得用户可以更自然及灵活的对高维图像进行操作。
本实施例中,N取值为18。本发明的其他实施例中,特征值向量可以扩展为更多的维度,包含更多种类的特征值,也可以适当的降低维度,减少特征值类型,故N取值可以大于本实施例中的18,也可以小于本实施例中的取值18。
本实施例中,所述第一特征值向量包括18个特征值:目标点的三维空间位置、灰度值、6个灰度游程矩阵纹理特征及8个灰度共生矩阵纹理特征。
步骤S120,利用特征选择算法在所述N个特征中选择G个特征以区分所述目标点与非目标点,并计算所述目标点的G个特征值组成第二特征值向量。
其中,G大于或等于1。
所述第一特征向量是对目标点的描述。然而,针对不同的特定目标区域,第一特征向量中某些特征值可能无法很好的描述目标点,将目标区域中的数据点与非目标区域中的数据点区分开。通过特征选择算法在第一特征向量中的N个特征中选取G个可以更好的描述目标点的特征值以便于区分目标点与非目标点,并计算所述目标点的G个特征值组成第二特征值向量。
本实施例中,所述特征选择算法为基于L1范数的支持向量机算法。本发明的其他实施例中,还可以为其他类型的特征选择算法。
例如,图3为本发明实施例提出的一种特征值选择对比示意图。该例中,左半边图像为灰色纯色区域,而右半边的图像是具有交替黑、灰、白纹理区域。左半边图像的灰度值是均一的50,右半边图像的灰度均值也约等于50。这种情况下,灰度均值这个特征就不容易把两边图像区分开;另外,左半边图像方差为0,右半边图像灰度方法为一较大值,这种情况下,灰度方差这个特征就可以显著的区分出两边图像。
通过特征选择后,每一目标点的特征值向量的维度变小,即特征值向量的长度变短,但新的第二特征值向量可以更好的描述目标区域的特征,便于将目标区域与非目标区域区分开来。
步骤S130,针对选择出的G个特征计算所述高维图像中至少非目标点的第二特征值向量。
根据步骤S120中选取出的G个特征计算所有非目标点的第二特征向量或者计算高维图像中所有数据点的第二特征值向量。
步骤S140,计算至少每一非目标点的第二特征值向量与所有目标点的第二特征值向量之间的相似度,根据所述相似度进行图像分割并获取概率分布图。
本实施例中,所述相似度为特征向量之间的欧氏距离。本发明的其他实施例中,所述相似度还可通过曼哈顿距离、闵可夫斯基距离、相关系数度量等参数来表示。
因为所有目标点都来自于同一个目标区域,所以所有目标点之间的欧氏距离较短,即相似度较高。根据该相似度利用非参数概率密度估计算法,得到每一数据点属于目标区域或非目标区域的概率值,获取图像分割的概率分布图。
本实施例中,所述图像分割算法为基于核密度估计的图像分割算法。本发明的其他实施例中,还可以为基于边缘的图像分割方法、基于阈值的图像分割方法及基于小波的图像分割方法等。
步骤S150,在所述概率分布图中,根据预设分配规则为每一数据点分配不同的透明度及颜色,将目标区域突出显示出来。
其中,所述预设分配规则包括:在图像分割所产生的概率分布图中,根据每一数据点所对应的概率值的由大到小依次为每一数据点分配由小到大的透明度。
在图像分割所产生的概率分布图中,由于目标区域内的数据点的第二特征值向量与目标区域内的数据点的第二特征值向量非常相似,那么目标区域中的数据点会得到大的概率值,相反,非目标区域内的数据点的概率值会很小。渲染器给大概率值的数据点分配小的透明度,给小概率值的数据点分配大的透明度。同时,给不同的概率值的数据点分配不同的颜色,这样目标区域就可以被突出的显示出来。
本实施例中,颜色的分配可以遵循Jet色彩映射方案,将概率分布图中最小概率值映射到蓝色,中间概率值映射到绿色,最大概率值映射到红色,最小概率值到中间概率值逐渐从蓝色到绿色映射,中间概率值到最大概率值逐渐从绿色到红色映射。本发明的其他实施例中,颜色的分配还可以遵循Hot色彩映射方案及其他色彩映射方案。
其中,预设分配规则可以通过函数表达式或者固定对应值进行描述。
例如,可以通过下式进行分配透明度:
y=100-100x
其中,x为概率分布图中每一数据点对应的概率值,y为透明度。
如图4所示为本发明实施例提出的一种可视化效果示意图,图中为突出显示的一段脊椎中的骨头。
优选地,通过虚拟现实头盔将所述目标区域突出显示出来。
在步骤S110之前,还可以包括:
载入高维数据;通过传递函数将所述高维数据绘制成高维图像并通过可视化媒介显示出来。
可视化媒介可以包括通常使用普通的显示器及三维虚拟现实可视化媒介。
优选地,所述可视化媒介为虚拟现实头盔。
本实施例中,所述虚拟现实头盔可以为Oculus虚拟现实头盔。本发明的其他实施例中,还可以包括HTC Vive和Sony PlayStation VR等等。
由于人眼左右眼睛看到的图像存在略微偏差,正如用户在实际空间中观测物体时左右眼睛看到的图像有略微不同一样。通过虚拟现实头盔,用户感受到的三维立体的体绘制。除此之外,Oculus具有6个自由度的位置追踪功能,系统可以计算头盔的位置,然后根据头盔的位置来更新高维数据的体绘制,这样可以使三维立体体绘制更加的真实。
实施例2
图5为本发明第二实施例提出的一种高维数据可视化方法的流程示意图。
步骤S210,载入高维数据。
步骤S220,绘制高维图像。
通过传递函数将所述高维数据绘制成高维图像。
步骤S230,将高维图像通过可视化媒介显示出来。
其中,所述可视化媒介为虚拟现实头盔。
步骤S240,接收用户的语音或姿态数据。
通过体感器接收用户的交互数据。其中,该交互数据可以为语音、姿态或姿态的运动轨迹数据等。
步骤S250,识别该语音或姿态数据所表示的操作。
体感器根据该交互数据识别出用户的语音、姿态或姿态的运动轨迹所表示的操作。
步骤S260,在所述高维图像中选取M个目标点。
通过语音或身体的姿态或姿态的运动轨迹在高维图像中进行操作,例如在三维图像的二维切面或可视化后的三维空间选取多个目标点、将三维图像中某一物体放大一倍并沿着与地垂直方向顺时针旋转90°、从高维图像中抽取一幅二维图像进行显示灯操作。
其中,M大于或等于1。
步骤S270,计算N维的特征向量。
其中,N大于或等于1。
计算目标点的N个特征的特征值并将该N个特征值形成N维特征向量。
步骤S280,在N个特征中选取G个特征。
其中,G大于或等1,且G小于或等于N。
通过特征选择算法将N维特征向量中不能很好的描述目标点与非目标点的特征去除,获取G个能很好的描述的目标点的特征。
本实施例中,所述特征选择算法为基于L1范数的支持向量机算法。本发明的其他实施例中,还可以包括其他类型的特征选择算法。
步骤S290,计算至少非目标点的G维的特征向量。
可以计算非目标点的G维的特征向量或高维图像中所有数据点的G维特征向量,以减少系统计算量。
步骤S300,计算至少非目标点与所有目标点的相似度并进行图像分割。
本实施例中,所述相似度为特征向量之间的欧氏距离。本发明的其他实施例中,还可以包括其他类型的向量之间的距离来表示相似度。
本实施例中,可以根据该每一非目标点的G维特征向量与所有目标点的G维特征向量之间的相似度,采用非参数概率密度估计的方法,得到每一非目标点属于目标区域或非目标区域的概率值,获取概率分布图。
还可以根据该高维图像中每一数据点的G维特征向量与所有目标点的G维特征向量之间的相似度,采用非参数概率密度估计的方法,得到每一非目标点属于目标区域或非目标区域的概率值,获取概率分布图。
步骤S310,给所有数据点分配不同的透明度和颜色。
在步骤S300图像分割中产生的概率分布图中,渲染器根据预设规则为每一数据点分配不同的透明度和颜色。
其中,所述预设规则为:在图像分割所产生的概率分布图中,根据每一数据点所对应的概率值的由大到小依次为每一数据点分配由小到大的透明度。
其中,颜色分配可以采用Jet或Hot等色彩映射方案。
步骤S320,将目标区域突出显示出来。
将经过步骤S310中处理后的高维图像的目标区域通过可视化媒介显示出来。
所述可视化媒介可以为虚拟现实头盔。
实施例3
图6为本发明实施例提出的一种高维数据可视化装置的结构示意图。该高维数据可视化装置10包括:第一特征向量模块110、第二特征向量模块120、计算模块130、图像分割模块140和分配模块150。
第一特征向量模块110,用于在高维图像中选取M个目标点,计算所述目标点的N个特征的特征值形成第一特征值向量,其中,M大于或等于1,N大于或等于1。
第二特征向量模块120,用于利用特征选择算法在所述N个特征中选择G个特征以区分所述目标点与非目标点,并计算所述目标点的G个特征值组成第二特征值向量,其中,G大于或等于1。
计算模块130,计算针对选择出的G个特征计算所述高维图像中至少非目标点的第二特征值向量。
图像分割模块140,用于计算至少每一非目标点的第二特征值向量与所有目标点的第二特征值向量之间的相似度,根据所述相似度进行图像分割并获取概率分布图。
分配模块150,用于在所述概率分布图中,根据预设分配规则为每一数据点分配不同的透明度及颜色,将目标区域突出显示出来。
优选地,在高维图像中选取M个目标点包括:
接收用户的语音或姿态数据并识别该数据所表示的操作;
响应所述用户的语音或姿态操作在所述高维图像中选取多个目标点。
其中,所述姿态可以包括静态姿态或动态的姿态的轨迹。
优选地,所述特征选择算法为基于L1范数的支持向量机算法。
优选地,所述相似度为特征向量之间的欧氏距离。
所述图像分割算法为基于核密度估计的图像分割算法。
优选地,所述预设分配规则可包括:在图像分割所产生的概率分布图中,根据每一数据点所对应的概率值的由大到小依次为每一数据点分配由小到大的透明度。
优选地,通过虚拟现实头盔将所述目标区域突出显示出来。
实施例4
图7为本发明实施例提出的一种高维数据可视化系统的结构示意图。该高维数据可视化系统包括:可视化媒介210、体感器220和计算机设备230。
可视化媒介210,用于显示高维图像。
本实施例中,可视化媒介210为Oculus虚拟现实头盔。本发明的其他实施例中,可视化媒介210还可以为普通的电脑屏幕等。
体感器220,用于接收用户的语音、姿态或姿态的动态轨迹数据,识别该语音、姿态或姿态的运动轨迹数据所表示的操作。
计算机设备230,包括存储器和处理器,所述存储器存储有计算机程序,在所述处理器执行所述计算机程序时,实施高维数据可视化方法。
所述高维数据可视化方法包括:
在高维图像中选取M个目标点,计算所述目标点的N个特征的特征值形成第一特征值向量,其中,M大于或等于1,N大于或等于1;
利用特征选择算法在所述N个特征中选择G个特征以区分所述目标点与非目标点,并计算所述目标点的G个特征值组成第二特征值向量,其中,G大于或等于1;
针对选择出的G个特征计算所述高维图像中至少非目标点的第二特征值向量;
计算至少每一非目标点的第二特征值向量与所有目标点的第二特征值向量之间的相似度,根据所述相似度进行图像分割并获取概率分布图;
在所述概率分布图中,根据预设分配规则为每一数据点分配不同的透明度及颜色,将目标区域突出显示出来。
优选地,所述在高维图像中选取M个目标点包括:
接收用户的语音或姿态数据并识别该数据所表示的操作;
响应所述用户的语音或姿态操作在所述高维图像中选取多个目标点。
优选地,所述特征选择算法为基于L1范数的支持向量机算法。
优选地,所述相似度为特征向量之间的欧氏距离。
优选地,所述图像分割算法为基于核密度估计的图像分割算法。
优选地,所述预设分配规则包括:在图像分割所产生的概率分布图中,根据每一数据点所对应的概率值的由大到小依次为每一数据点分配由小到大的透明度。
优选地,通过虚拟现实头盔将所述目标区域突出显示出来。
在高维图像的目标区域中选取多个目标点之前还可以包括:载入高维数据;通过传递函数将所述高维数据绘制成高维图像并通过可视化媒介显示出来。
本实施例中的高维数据可视化系统利用Kinect体感器来实现语音、姿态及姿态的运动轨迹的识别,用户可以使用自然简单的语音命令和身体姿态来浏览高维数据并对该高维数据进行操作。同时,该系统还集成了特征选择及图像分割算法,用户在在感兴趣的目标区域内选取多个目标点,系统通过特征选择、图像分割等算法获取与该目标点特征相似的目标区域,并将该目标区域突出显示出来。本系统中,除了可以将高维数据在普通的电脑屏幕上显示,还可以将虚拟现实头盔作为显示媒介,使用户可以在沉浸式的虚拟现实环境中查看高维数据。
本实施例还提供了一种计算机可读存储介质,其存储有上述的高维数据可视化系统中所使用的所述计算机程序。
以此,本发明提出了一种高维数据可视化方法、装置及系统,通过语音、姿态及姿态的运动轨迹等自然人机交互手段,与高维数据进行交互,选取目标点,系统通过特征选择、图像分割等算法获取与该目标点特征相似的目标区域,并将该目标区域通过虚拟现实头盔突出显示出来,实现虚拟现实和高维数据的可视化结合在一起,降低了系统处理的复杂度,提高了系统对高维数据处理的速率。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统和方法,也可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的,例如,附图中的流程图和结构图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,结构图和/或流程图中的每个方框、以及结构图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块或单元可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或更多个模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是智能手机、个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random AccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种高维数据可视化方法,其特征在于,包括:
在高维图像中选取M个目标点,计算所述目标点的N个特征的特征值形成第一特征值向量,其中,M大于或等于1,N大于或等于1;
利用特征选择算法在所述N个特征中选择G个特征以区分所述目标点与非目标点,并计算所述目标点的G个特征值组成第二特征值向量,其中,G大于或等于1;
针对选择出的G个特征计算所述高维图像中至少非目标点的第二特征值向量;
计算至少每一非目标点的第二特征值向量与所有目标点的第二特征值向量之间的相似度,根据所述相似度进行图像分割并获取概率分布图;
在所述概率分布图中,根据预设分配规则为每一数据点分配不同的透明度及颜色,将目标区域突出显示出来。
2.如权利要求1所述的高维数据可视化方法,其特征在于,所述“在高维图像中选取M个目标点”包括:
接收用户的语音或姿态数据并识别该数据所表示的操作;
响应所述用户的语音或姿态操作在所述高维图像中选取M个目标点。
3.如权利要求1所述的高维数据可视化方法,其特征在于,所述特征选择算法为基于L1范数的支持向量机算法。
4.如权利要求1所述的高维数据可视化方法,其特征在于,所述相似度为特征量之间的欧氏距离。
5.如权利要求1所述的高维数据可视化方法,其特征在于,所述图像分割算法为基于核密度估计的图像分割算法。
6.如权利要求1所述的高维数据可视化方法,其特征在于,所述预设分配规则包括:
在图像分割所产生的概率分布图中,根据每一数据点所对应的概率值的由大到小依次为每一数据点分配由小到大的透明度。
7.如权利要求1所述的高维数据可视化方法,其特征在于,通过虚拟现实头盔将所述目标区域突出显示出来。
8.一种高维数据可视化装置,其特征在于,包括:
第一特征向量模块,用于在高维图像中选取M个目标点,计算所述目标点的N个特征的特征值形成第一特征值向量,其中,M大于或等于1,N大于或等于1;
第二特征向量模块,用于利用特征选择算法在所述N个特征中选择G个特征以区分所述目标点与非目标点,并计算所述目标点的G个特征值组成第二特征值向量,其中,G大于或等于1;
计算模块,计算针对选择出的G个特征计算所述高维图像中至少非目标点的第二特征值向量;
图像分割模块,用于计算至少每一非目标点的第二特征值向量与所有目标点的第二特征值向量之间的相似度,根据所述相似度进行图像分割并获取概率分布图;
分配模块,用于在所述概率分布图中,根据预设分配规则为每一数据点分配不同的透明度及颜色,将目标区域突出显示出来。
9.一种高维数据可视化系统,其特征在于,包括:
可视化媒介,用于显示高维图像;
体感器,用于接收用户的语音或姿态数据并识别该数据所表示的操作,响应所述用户的语音或姿态操作在所述高维图像中选取多个目标点;
计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,在所述处理器执行所述计算机程序时,实施权利要求1-7中任一项所述的高维数据可视化方法。
10.一种计算机可读存储介质,其特征在于,其存储有权利要求9所述的高维数据可视化系统中所使用的所述计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810266080.3A CN108428209B (zh) | 2018-03-28 | 2018-03-28 | 高维数据可视化方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810266080.3A CN108428209B (zh) | 2018-03-28 | 2018-03-28 | 高维数据可视化方法、装置及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108428209A CN108428209A (zh) | 2018-08-21 |
CN108428209B true CN108428209B (zh) | 2022-02-15 |
Family
ID=63159529
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810266080.3A Active CN108428209B (zh) | 2018-03-28 | 2018-03-28 | 高维数据可视化方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108428209B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111523358A (zh) * | 2019-02-02 | 2020-08-11 | 顾泽苍 | 一种图像信息深度抽出的方法 |
CN110533735B (zh) * | 2019-08-01 | 2023-04-07 | 深圳大学 | 一种基于图像集的可视化配色方法、存储介质及终端设备 |
CN112288704B (zh) * | 2020-10-26 | 2021-09-28 | 中国人民解放军陆军军医大学第一附属医院 | 一种基于核密度函数的量化胶质瘤侵袭性的可视化方法 |
CN117876344A (zh) * | 2024-01-15 | 2024-04-12 | 交芯科(上海)智能科技有限公司 | 医学影像数据的处理方法、设备及计算机可读介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013161226A (ja) * | 2012-02-03 | 2013-08-19 | Nec Corp | 多次元データ可視化装置、方法およびプログラム |
CN104063622A (zh) * | 2014-07-08 | 2014-09-24 | 哈尔滨工业大学 | 基于相似性度量的复杂系统监测数据的可视化方法 |
CN104167013A (zh) * | 2014-08-04 | 2014-11-26 | 清华大学 | 一种用于突出显示体数据中目标区域的体绘制方法 |
CN106102585A (zh) * | 2015-02-16 | 2016-11-09 | 深圳迈瑞生物医疗电子股份有限公司 | 三维成像数据的显示处理方法和三维超声成像方法及系统 |
CN106096516A (zh) * | 2016-06-01 | 2016-11-09 | 常州漫道罗孚特网络科技有限公司 | 一种三维目标跟踪的方法及装置 |
CN106339354A (zh) * | 2016-08-17 | 2017-01-18 | 盐城师范学院 | 基于改进pca的云计算网络中高维数据可视化方法 |
-
2018
- 2018-03-28 CN CN201810266080.3A patent/CN108428209B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013161226A (ja) * | 2012-02-03 | 2013-08-19 | Nec Corp | 多次元データ可視化装置、方法およびプログラム |
CN104063622A (zh) * | 2014-07-08 | 2014-09-24 | 哈尔滨工业大学 | 基于相似性度量的复杂系统监测数据的可视化方法 |
CN104167013A (zh) * | 2014-08-04 | 2014-11-26 | 清华大学 | 一种用于突出显示体数据中目标区域的体绘制方法 |
CN106102585A (zh) * | 2015-02-16 | 2016-11-09 | 深圳迈瑞生物医疗电子股份有限公司 | 三维成像数据的显示处理方法和三维超声成像方法及系统 |
CN106096516A (zh) * | 2016-06-01 | 2016-11-09 | 常州漫道罗孚特网络科技有限公司 | 一种三维目标跟踪的方法及装置 |
CN106339354A (zh) * | 2016-08-17 | 2017-01-18 | 盐城师范学院 | 基于改进pca的云计算网络中高维数据可视化方法 |
Non-Patent Citations (3)
Title |
---|
Similarity-Dissimilarity Plot for Visualization of High Dimensional Data in Biomedical Pattern Classification;Muhammad Arif;《Journal of Medical Systems》;20100824;第36卷;第1173-1181页 * |
大数据分析过程中的降维方法;郝晓军 等;《航天电子对抗》;20140828;第30卷(第4期);第58-60页 * |
高维数据聚类若干关键问题研究;谢明霞;《中国优秀硕士学位论文全文数据库 基础科学辑》;20120715(第7期);第A008-30页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108428209A (zh) | 2018-08-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3944200B1 (en) | Facial image generation method and apparatus, device and storage medium | |
CN110807836B (zh) | 三维人脸模型的生成方法、装置、设备及介质 | |
CN110168477B (zh) | 用于长方体检测的深度学习系统 | |
CN108428209B (zh) | 高维数据可视化方法、装置及系统 | |
CN110705448B (zh) | 一种人体检测方法及装置 | |
EP2880633B1 (en) | Animating objects using the human body | |
CN111710036B (zh) | 三维人脸模型的构建方法、装置、设备及存储介质 | |
CN111243093A (zh) | 三维人脸网格的生成方法、装置、设备及存储介质 | |
JP7129529B2 (ja) | 人工知能の使用による3dオブジェクトへのuvマッピング | |
JP7013489B2 (ja) | 学習装置、実写画像分類装置の生成システム、実写画像分類装置の生成装置、学習方法及びプログラム | |
US11989900B2 (en) | Object recognition neural network for amodal center prediction | |
CN115039166A (zh) | 增强现实地图管理 | |
EP3682426A2 (en) | Three-dimensional graphics image processing | |
US20230100427A1 (en) | Face image processing method, face image processing model training method, apparatus, device, storage medium, and program product | |
CN117011493B (zh) | 基于符号距离函数表示的三维人脸重建方法、装置及设备 | |
WO2021167586A1 (en) | Systems and methods for object detection including pose and size estimation | |
US20210166476A1 (en) | Automatic 3D Image Reconstruction Process from Real-World 2D Images | |
CN112699857A (zh) | 基于人脸姿态的活体验证方法、装置及电子设备 | |
CN113436058B (zh) | 一种人物虚拟换衣方法、终端设备及存储介质 | |
CN114066814A (zh) | 一种ar设备的手势3d关键点检测方法、电子设备 | |
WO2022026603A1 (en) | Object recognition neural network training using multiple data sources | |
EP3309713B1 (en) | Method and device for interacting with virtual objects | |
CN118076984A (zh) | 用于视线估计的方法和设备 | |
CN113706399A (zh) | 人脸图像美化方法、装置、电子设备以及存储介质 | |
JP7542740B2 (ja) | 画像の視線補正方法、装置、電子機器、及びコンピュータプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |