CN114492225A - 一种基于聚类筛选的流线可视化方法 - Google Patents
一种基于聚类筛选的流线可视化方法 Download PDFInfo
- Publication number
- CN114492225A CN114492225A CN202111629951.1A CN202111629951A CN114492225A CN 114492225 A CN114492225 A CN 114492225A CN 202111629951 A CN202111629951 A CN 202111629951A CN 114492225 A CN114492225 A CN 114492225A
- Authority
- CN
- China
- Prior art keywords
- streamline
- vector data
- cluster
- streamlines
- feature
- 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.)
- Granted
Links
- 238000012216 screening Methods 0.000 title claims abstract description 47
- 238000007794 visualization technique Methods 0.000 title claims abstract description 31
- 238000012800 visualization Methods 0.000 claims abstract description 40
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 31
- 239000011159 matrix material Substances 0.000 claims description 23
- 229920000642 polymer Polymers 0.000 claims description 6
- 238000000034 method Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010937 topological data analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Fluid Mechanics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于聚类筛选的流线可视化方法,该基于聚类筛选的流线可视化方法包括:通过特征点识别算法获取流场内的特征点,根据特征点的位置确定其影响区域,并在每个特征点的影响区域内生成流线;分别将每个特征点的影响区域作为流场空间域进行体素化表达,基于体素化表达分别生成每条流线对应的位置分布矢量数据和几何特征矢量数据;基于每条流线对应的位置分布矢量数据和几何特征矢量数据,通过K‑Means算法对所有流线进行聚类筛选,生成流线的可视化结果。本发明的流线可视化方法对特征点类型不敏感,使用位置分布矢量数据和几何特征矢量数据对流线进行选择,可得到更具代表性和简化的流线可视化结果。
Description
技术领域
本发明属于流体力学分析领域,更具体地,涉及一种基于聚类筛选的流线可视化方法。
背景技术
随着计算机模拟技术的发展,流场数据的规模不断攀升,流场数据的精细化程度亦在稳步提高。面对如此庞大的流场数据,直观、形象地表示与分析这些信息尤其重要。
首先,流线可视化是分析矢量场的一种非常重要的方法。流线与速度矢量处处相切。流线可以描绘流场重要特征。但对于大规模的流场数据,若选取的种子点过于稀疏,则其追踪所得的流线往往不足以完整描述流场的细节;若撒点过于密集,则其生成的流线过多,反而引发了流线重叠、流线遮挡的问题,前者引入了冗余的流线信息,后者对分析人员造成了干扰,某种程度上误导了对流动现象的认识,且二者均降低了流场图像的质量。
其次,特征点在流场拓扑分析中非常重要,特征点周围有非常重要的流动现象,与许多流动结构相关。拓扑分析提供了流场的一个全局视图,围绕特征点附近的流线提供了流动细节。但围绕特征点的流线可视化有许多挑战,1)特征点周围的流动非常复杂且多样,传统的撒点策略不能提供一个有效且全面的流场刻画;2)缺少有效的方法来确定特征点的影响区域,所以对在特征点周围撒点是一个挑战;3)仍存在未知的特征点类型,限制了依赖特征点类型的撒点策略;4)特征点附近的流线存在唯一性,流线之间可能有公共点或对称情况,特别是一些鞍点类型的特征点,这使得基于几何相似性的流线选择和滤波方法失效。
目前使用流线对流场数据进行可视化的方式存在一定的限制和不足。如何提出一种不依赖特征点类型且能简明全面描述周围流场的方法非常重要,对研究人员认识流动现象有极大的帮助。
因此,期待发明一种流线聚类筛选方法,能够有效解决现有技术中使用流线对流场数据进行可视化的方式存在的限制和不足。
发明内容
本发明的目的是提出一种基于聚类筛选的流线可视化方法,以解决现有技术中使用流线对流场数据进行可视化的方式存在的限制和不足。
为了实现上述目的,本发明提供一种基于聚类筛选的流线可视化方法,包括:
通过特征点识别算法获取流场内的特征点,根据所述特征点的位置确定其影响区域,并在每个特征点的影响区域内生成流线;
分别将每个特征点的影响区域作为流场空间域进行体素化表达,基于所述体素化表达分别生成每条所述流线对应的位置分布矢量数据和几何特征矢量数据;
基于每条所述流线对应的所述位置分布矢量数据和所述几何特征矢量数据,通过K-Means算法对所有所述流线进行聚类筛选,生成流线的可视化结果。
可选地,通过以下步骤在每个所述特征点的影响区域内生成流线:
在每个所述特征点的影响区域内撒点,生成所述流线。
可选地,通过以下步骤对所述特征点的影响区域进行体素化表达:
将所述特征点的影响区域设为体素空间,在所述体素空间内生成Lx×Ly×Lz个初始体素,且每个所述初始体素对应一个由二进制位串构成的编码,其中,x,y和z分别表示三维空间坐标系内的x方向、y方向和z方向,且Lx为沿x方向的体素的数目,Ly为沿y方向的体素的数目,Lz为沿z方向的体素的数目。
可选地,通过以下步骤生成所述流线对应的位置分布矢量数据:
在所述体素空间内,将所述流线穿过的初始体素对应的二进制位串设为1,将所述流线未穿过的初始体素对应的二进制位串设为0,获得所述流线的位置分布矢量数据。
可选地,通过以下步骤生成所述流线对应的几何特征矢量数据:
将所述体素空间内的每个初始体素进行k次八叉树迭代划分,生成2k×Lx×2k×Ly×2k×Lz个最终体素;
基于2k×Lx×2k×Ly×2k×Lz个所述最终体素,得到所述流线的细粒度表示;
基于所述流线的细粒度表示,分别计算每个所述最终体素到所述流线的最短距离,得到所述流线的所述几何特征矢量数据。
可选地,通过以下步骤得到所述流线的细粒度表示:
在所述体素空间内,将每个所述最终体素表示为一个由二进制位串构成的编码;
将所述流线穿过的最终体素对应的二进制位串设为1,将所述流线未穿过的最终体素对应的二进制位串设为0,获得所述流线的细粒度表示。
可选地,所述基于每条所述流线对应的所述位置分布矢量数据和所述几何特征矢量数据,通过K-Means算法对所有所述流线进行聚类筛选,生成流线的可视化结果包括:
基于每条所述流线对应的所述位置分布矢量数据和所述几何特征矢量数据,形成所有所述流线的多视图特征数据集{Xi j},其中,Xi j表示视图数据,i为所述流线的编码数,i=1,2,3,…,m,m为所述流线的总数,j为视图数,j=1,2;
对于所述多视图特征数据集{Xi j}内的每个视图数据Xi j,计算任意两条流线a和b之间的相似矩阵SS{Xa j,Xb j},a=1,2,3,…,m,b=1,2,3,…,m,且a≠b;
基于所述视图数据Xi j和其对应的所述相似矩阵SS{Xa j,Xb j},通过所述K-Means算法进行聚类,得到第一聚类结果C1,C2,C3,…,Cn,其中,n为聚类后的分类数;
对于每个第一聚类Cq,对于所述多视图特征数据集{Xi j}内的每个视图数据Xi t,计算所述第一聚类Cq内任意两条流线c和d之间的相似矩阵SS{Xc t,Xd t},其中,q=1,2,3,…,n,t=1,2,且t≠j,c和d为所述流线的编码数,且c≠d;
基于所述视图数据Xi t及其对应的所述相似矩阵SS{Xc t,Xd t},通过所述K-Means算法进行聚类,得到第二聚类结果Cq1,…,Cqp,…,Cqg,g表示第一聚类Cq内聚类后的分类数;
对于每个第二聚类Cqp,如果|Cqp|×γ<1,则筛选出所述第二聚类Cqp内的一条所述流线,其中|Cqp|为每个所述第二聚类Cqp内的所述流线的数目,γ为选择比且0≤γ≤1;
基于筛选结果,得到所述流线的可视化结果。
可选地,基于所述位置分布矢量数据和所述几何特征矢量数据,通过K-Means算法对所有所述流线进行多次聚类筛选,生成所述流线的可视化结果。
本发明的有益效果在于:
本发明的流线可视化方法将每个特征点的影响区域作为流场空间域进行体素化表达,并且生成每条流线对应的位置分布矢量数据和几何特征矢量数据,基于基于每条流线对应的位置分布矢量数据和几何特征矢量数据,通过K-Means算法对所有流线进行聚类筛选;本发明的流线可视化方法对特征点类型不敏感,对于特征点周围的流程能够获得更优越、更稳定的可视化性能,且本发明的流线可视化方法可以扩展用于各种类型的流线可视化场景,与此同时,使用位置分布矢量数据和几何特征矢量数据对流线进行选择,能够支持异构多源的特征数据描述相同流线,基于多源数据之间的互补性和一致性,可得到更具代表性和简化的流线可视化结果。
本发明的其它特征和优点将在随后具体实施方式部分予以详细说明。
附图说明
通过结合附图对本发明示例性实施方式进行更详细的描述,本发明的上述以及其它目的、特征和优势将变得更加明显,其中,在本发明示例性实施方式中,相同的参考标号通常代表相同部件。
图1示出了根据本发明的一个实施例的一种基于聚类筛选的流线可视化方法的流程图。
图2示出了根据本发明的一个实施例的一种基于聚类筛选的流线可视化方法的将每条流线进行体素化表达的示意性。
图3示出了根据本发明的一个实施例的一种基于聚类筛选的流线可视化方法的位置分布矢量数据表。
图4示出了根据本发明的一个实施例的一种基于聚类筛选的流线可视化方法的流线的几何特征矢量数据表。
图5示出了根据本发明的一个实施例的一种基于聚类筛选的对所有流线进行聚类筛选的示意图。
图6示出了根据本发明的一个实施例的一种基于聚类筛选的halfcylinder流场的流线可视化结果的对比图。
图7示出了根据本发明的一个实施例的一种基于聚类筛选的random-5流场的流线可视化结果的对比图。
具体实施方式
下面将更详细地描述本发明的优选实施方式。虽然以下描述了本发明的优选实施方式,然而应该理解,可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了使本发明更加透彻和完整,并且能够将本发明的范围完整地传达给本领域的技术人员。
根据本发明的一种基于聚类筛选的流线可视化方法,包括:
通过特征点识别算法获取流场内的特征点,根据特征点的位置确定其影响区域,并在每个特征点的影响区域内生成流线;
分别将每个特征点的影响区域作为流场空间域进行体素化表达,基于体素化表达分别生成每条流线对应的位置分布矢量数据和几何特征矢量数据;
基于每条流线对应的位置分布矢量数据和几何特征矢量数据,通过K-Means算法对所有流线进行聚类筛选,生成流线的可视化结果。
具体地,本发明的流线可视化方法将每个特征点的影响区域作为流场空间域进行体素化表达,并且生成每条流线对应的位置分布矢量数据和几何特征矢量数据,基于基于每条流线对应的位置分布矢量数据和几何特征矢量数据,通过K-Means算法对所有流线进行聚类筛选;本发明的流线可视化方法对特征点类型不敏感,对于特征点周围的流程能够获得更优越、更稳定的可视化性能,且本发明的流线可视化方法可以扩展用于各种类型的流线可视化场景,与此同时,使用位置分布矢量数据和几何特征矢量数据对流线进行选择,能够支持异构多源的特征数据描述相同流线,基于多源数据之间的互补性和一致性,可得到更具代表性和简化的流线可视化结果。
进一步地,基于数值求解方法或组合几何方法等特征点识别方法,获得流场内不同特征点的信息,本发明的流线可视化方法不依赖特征点的类型,因此不必计算雅克比矩阵;通过识别出的特征点位置确定影响区域,这里可采取基于误差的方法结合流线生成方法估计特征点的影响区域。
在一个示例中,通过以下步骤在每个特征点的影响区域内生成流线:
在每个特征点的影响区域内撒点,生成流线。
具体地,在每个特征点的影响区域内撒点,生成流线,为保证流动现象的完整描述,此时采取的是均匀且密集的撒点。
在一个示例中,通过以下步骤对特征点的影响区域进行体素化表达:
将特征点的影响区域设为体素空间,在体素空间内生成Lx×Ly×Lz个初始体素,且每个初始体素对应一个由二进制位串构成的编码,其中,x,y和z分别表示三维空间坐标系内的x方向、y方向和z方向,且Lx为沿x方向的体素的数目,Ly为沿y方向的体素的数目,Lz为沿z方向的体素的数目。
在一个示例中,通过以下步骤生成流线对应的位置分布矢量数据:
在体素空间内,将流线穿过的初始体素对应的二进制位串设为1,将流线未穿过的初始体素对应的二进制位串设为0,获得流线的位置分布矢量数据。
在一个示例中,通过以下步骤生成流线对应的几何特征矢量数据:
将体素空间内的每个初始体素进行k次八叉树迭代划分,生成2k×Lx×2k×Ly×2k×Lz个最终体素;
基于2k×Lx×2k×Ly×2k×Lz个最终体素,得到流线的细粒度表示;
基于流线的细粒度表示,分别计算每个最终体素到流线的最短距离,得到流线的几何特征矢量数据。
具体地,基于流线的细粒度表示,分别计算每个最终体素到流线的最短距离,获得每个流线的距离场,基于流线的距离场,得到流线的几何特征矢量数据,使用距离场来描述体素化流线几何特征的方法,充分保留了流线几何特征自动生成能力,避免了使用分割方法描述流线几何特征时由于不同分割尺寸造成的特征丢失和不一致的缺陷。
进一步地,距离场是计算机图形学领域中经常使用的工具,距离值的具体计算可以直接利用每个体素的中心坐标之间的欧式距离来计算,然后通过排序或使用FLANN等近似最近邻搜索库来获得这些距离的最小值。显然,对于体素Voxeli,如果它是构成流线Streamlinej的体素之一,则其距离为0。
在一个示例中,通过以下步骤得到所述流线的细粒度表示:
在体素空间内,将每个最终体素表示为一个由二进制位串构成的编码;
将流线穿过的最终体素对应的二进制位串设为1,将流线未穿过的最终体素对应的二进制位串设为0,获得流线的细粒度表示。
在一个示例中,基于每条所述流线对应的位置分布矢量数据和几何特征矢量数据,通过K-Means算法对所有流线进行聚类筛选,生成流线的可视化结果包括:
基于每条流线对应的位置分布矢量数据和几何特征矢量数据,形成所有流线的多视图特征数据集{Xi j},其中,Xi j表示视图数据,i为流线的编码数,i=1,2,3,…,m,m为流线的总数,j为视图数,j=1,2;
对于多视图特征数据集{Xi j}内的每个视图数据Xi j,计算任意两条流线a和b之间的相似矩阵SS{Xa j,Xb j},a=1,2,3,…,m,b=1,2,3,…,m,且a≠b;
基于视图数据Xi j和其对应的相似矩阵SS{Xa j,Xb j},通过K-Means算法进行聚类,得到第一聚类结果C1,C2,C3,…,Cn,其中,n为聚类后的分类数;
对于每个第一聚类Cq,对于多视图特征数据集{Xi j}内的每个视图数据Xi t,计算第一聚类Cq内任意两条流线c和d之间的相似矩阵SS{Xc t,Xd t},其中,q=1,2,3,…,n,t=1,2,且t≠j,c和d为流线的编码数,且c≠d;
基于视图数据Xi t及其对应的相似矩阵SS{Xc t,Xd t},通过K-Means算法进行聚类,得到第二聚类结果Cq1,…,Cqp,…,Cqg,g表示第一聚类Cq内聚类后的分类数;
对于每个第二聚类Cqp,如果|Cqp|×γ<1,则筛选出第二聚类Cqp内的一条流线,其中|Cqp|为每个第二聚类Cqp内的流线的数目,γ为选择比且0≤γ≤1;
基于筛选结果,得到流线的可视化结果。
具体地,在本发明中,每条流线有两个视图,即每条流线对应的位置分布矢量数据和几何特征矢量数据,对于任一个流线的视图数据Xi j,j可取1或2,如果Xi 1表示分布矢量数据,则Xi 2表示几何特征矢量数据,因此,分布矢量数据可以称为第一视图,几何特征矢量数据第二视图。
进一步地,在实际应用中,每条流线可以有多个视图,即第一视图、第二视图、…、第v视图,如果每条流线有多个视图,则通过K-Means算法对所有流线进行聚类筛选,生成流线的可视化结果步骤如下所示:
⑴、基于每条流线对应的多个视图,形成所有流线的多视图特征数据集{Xi j},其中,Xi j表示视图数据,i为流线的编码数,i=1,2,3,…,m,m为流线的总数,j为视图数,j=1,2,…,v,v为视图总数;
⑵、对于多视图特征数据集{Xi j}内的每个视图数据Xi j,计算任意两条流线a和b之间的相似矩阵SS{Xa j,Xb j},a=1,2,3,…,m,b=1,2,3,…,m,且a≠b;
⑶、基于视图数据Xi j和其对应的相似矩阵SS{Xa j,Xb j},通过K-Means算法进行聚类,得到第一聚类结果C1,C2,C3,…,Cn,其中,n为聚类后的分类数;
⑷、对于每个第一聚类Cq,对于多视图特征数据集{Xi j}内的每个视图数据Xi t,计算第一聚类Cq内任意两条流线c和d之间的相似矩阵SS{Xc t,Xd t},其中,q=1,2,3,…,n,t=1,2,…,v且t≠j,c=1,2,3,…,m,d=1,2,3,…,m,且c≠d;
⑸、基于视图数据Xi t及其对应的相似矩阵SS{Xc t,Xd t},通过K-Means算法进行聚类,得到第二聚类结果Cq1,…,Cqp,…,Cqg,g表示每个第一聚类Cq内聚类后的分类数;
⑹、将已划分的聚类和未划分的聚类统一标记为Cl,将剩余的视图数据应用步骤⑸进行聚类,直到所有视图数据已被使用,其中,l=1,2,…;
⑺、对于最终的聚类结果Cl,如果|Cl|×γ<1,则筛选出最终聚类Cl内的一条流线,其中|Cl|为每个第二聚类Cl内的流线的数目,γ为选择比且0≤γ≤1;
⑻、基于筛选结果,得到流线的可视化结果。
实施例一
如图1所示,一种基于聚类筛选的流线可视化方法,包括:
步骤1:通过特征点识别算法获取流场内的特征点,根据特征点的位置确定其影响区域,并在每个特征点的影响区域内生成流线;
其中,通过以下步骤在每个特征点的影响区域内生成流线:
在每个特征点的影响区域内撒点,生成流线。
步骤2:分别将每个特征点的影响区域作为流场空间域进行体素化表达,基于体素化表达分别生成每条流线对应的位置分布矢量数据和几何特征矢量数据;
其中,如图2所示,通过以下步骤对特征点的影响区域进行体素化表达:
将特征点的影响区域设为体素空间,在体素空间内生成Lx×Ly×Lz个初始体素,且每个初始体素对应一个由二进制位串构成的编码,其中,x,y和z分别表示三维空间坐标系内的x方向、y方向和z方向,且Lx为沿x方向的体素的数目,Ly为沿y方向的体素的数目,Lz为沿z方向的体素的数目。
其中,通过以下步骤生成流线对应的位置分布矢量数据:
在体素空间内,将流线穿过的初始体素对应的二进制位串设为1,将流线未穿过的初始体素对应的二进制位串设为0,获得流线的位置分布矢量数据,如图3所示。
其中,通过以下步骤生成流线对应的几何特征矢量数据:
将体素空间内的每个初始体素进行k次八叉树迭代划分,生成2k×Lx×2k×Ly×2k×Lz个最终体素;
基于2k×Lx×2k×Ly×2k×Lz个最终体素,得到流线的细粒度表示;
基于流线的细粒度表示,分别计算每个最终体素到流线的最短距离,得到流线的几何特征矢量数据,如图4所示。
其中,通过以下步骤得到所述流线的细粒度表示:
在体素空间内,将每个最终体素表示为一个由二进制位串构成的编码;
将流线穿过的最终体素对应的二进制位串设为1,将流线未穿过的最终体素对应的二进制位串设为0,获得流线的细粒度表示。
步骤3:基于每条流线对应的位置分布矢量数据和几何特征矢量数据,通过K-Means算法对所有流线进行聚类筛选,生成流线的可视化结果。
其中,如图5所示,基于每条所述流线对应的位置分布矢量数据和几何特征矢量数据,通过K-Means算法对所有流线进行聚类筛选,生成流线的可视化结果包括:
基于每条流线对应的位置分布矢量数据和几何特征矢量数据,形成所有流线的多视图特征数据集{Xi j},其中,Xi j表示视图数据,i为流线的编码数,i=1,2,3,…,10,j为视图数,j=1,2;
对于第一视图特征数据集{Xi 1}内的每个视图数据Xi j,计算任意两条流线a和b之间的相似矩阵SS{Xa 1,Xb 1},a=1,2,3,…,10,b=1,2,3,…,10,且a≠b;
基于视图数据Xi 1和其对应的相似矩阵SS{Xa 1,Xb 1},通过K-Means算法进行聚类,得到第一聚类结果C1,C2和C3;
对于每个第一聚类Cq,对于第二视图特征数据集{Xi 2}内的每个视图数据Xi 2,计算第一聚类Cq内任意两条流线c和d之间的相似矩阵SS{Xc 2,Xd 2},其中,q=1,2,3,c=1,2,3,…,10,d=1,2,3,…,10,且c≠d;
基于视图数据Xi 2及其对应的相似矩阵SS{Xc 2,Xd 2},通过K-Means算法进行聚类,得到第二聚类结果C11,C12,C21,C22,C23和C31;
对于每个第二聚类Cqp,如果|Cqp|×γ<1,则筛选出第二聚类Cqp内的一条流线,其中|Cqp|为每个第二聚类Cqp内的流线的数目,γ为选择比且0≤γ≤1;
基于筛选结果,得到流线的可视化结果。
具体地,如图5所示,本发明的流线有两个视图,也就是第一视图和第二视图,第一视图表示位置分布矢量数据,第二视图表示几何特征矢量数据,第一视图对应的特征数据集{Xi 1},第二视图对应的特征数据集{Xi 2},首先对于第一视图特征数据集{Xi 1}中每个视图数据Xi 1,计算任意两条流线a和b之间的相似矩阵SS{Xa 1,Xb 1},通过K-Means算法进行聚类,得到第一聚类结果C1,C2和C3,然后,对于每个第一聚类Cq,对于第二视图特征数据集{Xi 2}内的每个视图数据Xi 2,计算第一聚类Cq内任意两条流线c和d之间的相似矩阵SS{Xc 2,Xd 2},通过K-Means算法进行聚类,得到第二聚类结果C11,C12,C21,C22,C23和C31,最后,对于每个第二聚类Cqp,如果|Cqp|×γ<1,则筛选出第二聚类Cqp内的一条流线,基于筛选结果,得到流线的可视化结果。
实施例三
如图6所示,本实施例公开了应用基于聚类筛选的流线可视化方法的halfcylinder流场的流线可视化结果,从左到右依次为未筛选的512条流线结果,使用BoF流线可视化方法结果,使用熵流线可视化方法结果,使用FlowNet流线可视化方法结果,本发明以位置分布为第一视图、几何特征为第二视图可视化结果,本发明以几何特征为第一视图,位置分布为第二视图可视化结果,可见对于halfcylinder流场,本发明的基于聚类筛选的流线可视化方法具有很好的性能。
实施例四
如图7所示,本实施例公开了应用基于聚类筛选的流线可视化方法的random-5流场的流线可视化结果,从左到右依次为未筛选的512条流线结果,使用BoF流线可视化方法结果,使用熵流线可视化方法结果,使用FlowNet流线可视化方法结果,本发明以位置分布为第一视图、几何特征为第二视图可视化结果,本发明以几何特征为第一视图、位置分布为第二视图可视化结果,可见对于random-5流场,本发明的基于聚类筛选的流线可视化方法具有很好的性能。
以上已经描述了本发明的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。
Claims (8)
1.一种基于聚类筛选的流线可视化方法,其特征在于,包括:
通过特征点识别算法获取流场内的特征点,根据所述特征点的位置确定其影响区域,并在每个特征点的影响区域内生成流线;
分别将每个特征点的影响区域作为流场空间域进行体素化表达,基于所述体素化表达分别生成每条所述流线对应的位置分布矢量数据和几何特征矢量数据;
基于每条所述流线对应的所述位置分布矢量数据和所述几何特征矢量数据,通过K-Means算法对所有所述流线进行聚类筛选,生成流线的可视化结果。
2.根据权利要求1所述的基于聚类筛选的流线可视化方法,其特征在于,通过以下步骤在每个所述特征点的影响区域内生成流线:
在每个所述特征点的影响区域内撒点,生成所述流线。
3.根据权利要求1所述的基于聚类筛选的流线可视化方法,其特征在于,通过以下步骤对所述特征点的影响区域进行体素化表达:
将所述特征点的影响区域设为体素空间,在所述体素空间内生成Lx×Ly×Lz个初始体素,且每个所述初始体素对应一个由二进制位串构成的编码,其中,x,y和z分别表示三维空间坐标系内的x方向、y方向和z方向,且Lx为沿x方向的体素的数目,Ly为沿y方向的体素的数目,Lz为沿z方向的体素的数目。
4.根据权利要求3所述的基于聚类筛选的流线可视化方法,其特征在于,通过以下步骤生成所述流线对应的位置分布矢量数据:
在所述体素空间内,将所述流线穿过的初始体素对应的二进制位串设为1,将所述流线未穿过的初始体素对应的二进制位串设为0,获得所述流线的位置分布矢量数据。
5.根据权利要求4所述的基于聚类筛选的流线可视化方法,其特征在于,通过以下步骤生成所述流线对应的几何特征矢量数据:
将所述体素空间内的每个初始体素进行k次八叉树迭代划分,生成2k×Lx×2k×Ly×2k×Lz个最终体素;
基于2k×Lx×2k×Ly×2k×Lz个所述最终体素,得到所述流线的细粒度表示;
基于所述流线的细粒度表示,分别计算每个所述最终体素到所述流线的最短距离,得到所述流线的所述几何特征矢量数据。
6.根据权利要求5所述的基于聚类筛选的流线可视化方法,其特征在于,通过以下步骤得到所述流线的细粒度表示:
在所述体素空间内,将每个所述最终体素表示为一个由二进制位串构成的编码;
将所述流线穿过的最终体素对应的二进制位串设为1,将所述流线未穿过的最终体素对应的二进制位串设为0,获得所述流线的细粒度表示。
7.根据权利要求1所述的基于聚类筛选的流线可视化方法,其特征在于,所述基于每条所述流线对应的所述位置分布矢量数据和所述几何特征矢量数据,通过K-Means算法对所有所述流线进行聚类筛选,生成流线的可视化结果包括:
基于每条所述流线对应的所述位置分布矢量数据和所述几何特征矢量数据,形成所有所述流线的多视图特征数据集{Xi j},其中,Xi j表示视图数据,i为所述流线的编码数,i=1,2,3,…,m,m为所述流线的总数,j为视图数,j=1,2;
对于所述多视图特征数据集{Xi j}内的每个视图数据Xi j,计算任意两条流线a和b之间的相似矩阵SS{Xa j,Xb j},a=1,2,3,…,m,b=1,2,3,…,m,且a≠b;
基于所述视图数据Xi j和其对应的所述相似矩阵SS{Xa j,Xb j},通过所述K-Means算法进行聚类,得到第一聚类结果C1,C2,C3,…,Cn,其中,n为聚类后的分类数;
对于每个第一聚类Cq,对于所述多视图特征数据集{Xi j}内的每个视图数据Xi t,计算所述第一聚类Cq内任意两条流线c和d之间的相似矩阵SS{Xc t,Xd t},其中,q=1,2,3,…,n,t=1,2,且t≠j,c和d为所述流线的编码数,且c≠d;
基于所述视图数据Xi t及其对应的所述相似矩阵SS{Xc t,Xd t},通过所述K-Means算法进行聚类,得到第二聚类结果Cq1,…,Cqp,…,Cqg,g表示第一聚类Cq内聚类后的分类数;
对于每个第二聚类Cqp,如果|Cqp|×γ<1,则筛选出所述第二聚类Cqp内的一条所述流线,其中|Cqp|为每个所述第二聚类Cqp内的所述流线的数目,γ为选择比且0≤γ≤1;
基于筛选结果,得到所述流线的可视化结果。
8.根据权利要求1所述的基于聚类筛选的流线可视化方法,其特征在于,基于所述位置分布矢量数据和所述几何特征矢量数据,通过K-Means算法对所有所述流线进行多次聚类筛选,生成所述流线的可视化结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111629951.1A CN114492225B (zh) | 2021-12-28 | 2021-12-28 | 一种基于聚类筛选的流线可视化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111629951.1A CN114492225B (zh) | 2021-12-28 | 2021-12-28 | 一种基于聚类筛选的流线可视化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114492225A true CN114492225A (zh) | 2022-05-13 |
CN114492225B CN114492225B (zh) | 2024-07-12 |
Family
ID=81495814
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111629951.1A Active CN114492225B (zh) | 2021-12-28 | 2021-12-28 | 一种基于聚类筛选的流线可视化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114492225B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105653881A (zh) * | 2016-03-04 | 2016-06-08 | 天津大学 | 基于多密度层次的流场可视化方法 |
WO2018124125A1 (ja) * | 2016-12-27 | 2018-07-05 | 株式会社E&Is | 流体解析方法及び流体解析プログラム |
US20190108296A1 (en) * | 2017-10-10 | 2019-04-11 | Exa Corporation | Acoustic effects of a mesh on a fluid flow |
CN111209711A (zh) * | 2020-01-11 | 2020-05-29 | 西南石油大学 | 基于流场诊断与聚类的水驱油藏优势流场识别方法 |
CN113779903A (zh) * | 2021-09-15 | 2021-12-10 | 成都师范学院 | 一种基于流体力学的人群突发事件检测及疏散方法和系统 |
-
2021
- 2021-12-28 CN CN202111629951.1A patent/CN114492225B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105653881A (zh) * | 2016-03-04 | 2016-06-08 | 天津大学 | 基于多密度层次的流场可视化方法 |
WO2018124125A1 (ja) * | 2016-12-27 | 2018-07-05 | 株式会社E&Is | 流体解析方法及び流体解析プログラム |
US20190108296A1 (en) * | 2017-10-10 | 2019-04-11 | Exa Corporation | Acoustic effects of a mesh on a fluid flow |
CN111209711A (zh) * | 2020-01-11 | 2020-05-29 | 西南石油大学 | 基于流场诊断与聚类的水驱油藏优势流场识别方法 |
CN113779903A (zh) * | 2021-09-15 | 2021-12-10 | 成都师范学院 | 一种基于流体力学的人群突发事件检测及疏散方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114492225B (zh) | 2024-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhou et al. | Edge bundling in information visualization | |
EP3462385A1 (en) | Sgcnn: structural graph convolutional neural network | |
Pham et al. | The random cluster model for robust geometric fitting | |
Liu et al. | Meshing point clouds with predicted intrinsic-extrinsic ratio guidance | |
CN105793848B (zh) | 包括建模步骤的计算机辅助设计方法 | |
Yang et al. | Ranking 3D feature correspondences via consistency voting | |
CN112308961A (zh) | 基于分层高斯混合模型的机器人快速鲁棒三维重建方法 | |
Xu et al. | A convolutional neural network for point cloud instance segmentation in cluttered scene trained by synthetic data without color | |
CN103593855A (zh) | 基于粒子群优化和空间距离测度聚类的图像分割方法 | |
Wang et al. | Polygonal clustering analysis using multilevel graph‐partition | |
Kowalczyk et al. | Efficient characterization method for big automotive datasets used for perception system development and verification | |
Van Ham et al. | Visualization of state transition graphs | |
Su et al. | Slibo-net: Floorplan reconstruction via slicing box representation with local geometry regularization | |
CN112346409B (zh) | 一种快速判断点云包含问题的方法 | |
Mahmoud et al. | Automated BIM generation for large-scale indoor complex environments based on deep learning | |
Takashima et al. | Recognition of free-form features for finite element meshing using deep learning | |
CN114492225A (zh) | 一种基于聚类筛选的流线可视化方法 | |
Vincent et al. | Graph morphology in image analysis | |
Sermuga Pandian et al. | Synz: Enhanced synthetic dataset for training ui element detectors | |
CN113723208B (zh) | 基于规范等变转换算子神经网络的三维物体形状分类方法 | |
CN111783832B (zh) | 一种时空数据预测模型的交互式选择方法 | |
Ren et al. | Joint graph layouts for visualizing collections of segmented meshes | |
Yu et al. | Clustering-enhanced pointcnn for point cloud classification learning | |
Zafar et al. | Extract and characterize hairpin vortices in turbulent flows | |
Shi et al. | Metric-based curve clustering and feature extraction in flow visualization |
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 |