EP2050022A1 - Verfahren zur herstellung skalierbarer bildmatrizen - Google Patents

Verfahren zur herstellung skalierbarer bildmatrizen

Info

Publication number
EP2050022A1
EP2050022A1 EP07786557A EP07786557A EP2050022A1 EP 2050022 A1 EP2050022 A1 EP 2050022A1 EP 07786557 A EP07786557 A EP 07786557A EP 07786557 A EP07786557 A EP 07786557A EP 2050022 A1 EP2050022 A1 EP 2050022A1
Authority
EP
European Patent Office
Prior art keywords
matrix
image
nodes
link
objects
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.)
Withdrawn
Application number
EP07786557A
Other languages
English (en)
French (fr)
Inventor
Maximilian Schich
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Max Planck Gesellschaft zur Foerderung der Wissenschaften eV
Original Assignee
Max Planck Gesellschaft zur Foerderung der Wissenschaften eV
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Max Planck Gesellschaft zur Foerderung der Wissenschaften eV filed Critical Max Planck Gesellschaft zur Foerderung der Wissenschaften eV
Publication of EP2050022A1 publication Critical patent/EP2050022A1/de
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/54—Browsing; Visualisation therefor

Definitions

  • the present invention relates to a method for producing image matrices.
  • the method belongs to the technical fields of image science, data processing and network science (so-called "Science of Complex Networks").
  • An image matrix is generally a two-dimensional array of images in rows and columns.
  • the position of the image (row, column) in the image matrix represents information about the relationship of the image to the contents (meanings) of the associated row and column positions and a relationship between the row and column positions.
  • Image matrix is a visualization (display) of the images, which has previously enabled the viewer to recognize relationships between images or between row and column positions.
  • image matrix is generated by the images contained (images) are specially created in the production of image matrices.
  • An initially empty table is filled with new images.
  • a conventional image matrix merely provides a systematic presentation of pre-existing ones
  • a further object of the invention is to provide a storage medium or an electronic data processing system comprising a processor and a storage medium in order to carry out the method.
  • the object is achieved by a method having the features listed in claim 1: providing a network with a set of link output nodes and a set of link destination nodes with links therebetween is followed by forming a matrix with rows and columns, with link output nodes associated with the rows and link target nodes to columns or vice versa. Finally, the searched image matrix is generated by placing visual representations of the left-hander nodes or link-destination nodes in place of the links in the matrix.
  • the invention provides an image matrix which comprises a visualization (display) of images and advantageously enables the viewer to recognize or produce relationships between images and / or to subject the images to data processing and / or data maintenance.
  • the advantage achieved by the invention is, in particular, that the invention, when dealing with larger quantities of classified objects, facilitates the investigation of phenomena in which there is a connection between the classification and the visual properties of the objects and / or the classification criteria.
  • the method facilitates the explication of direct dependencies as well as the extraction of diachronic phenomena from a given set of classified (BiId) data. Furthermore, in contrast to conventional list representations and overview tables, the method allows the simultaneous examination of data in the context of two data dimensions. Compared to the prior art, this means a considerable acceleration of the work, since cumbersome navigation in the amount of data is eliminated.
  • the method advantageously represents a completely or partially automatable tool for processing large amounts of data.
  • the image matrix according to the invention can be constructed from the data volume without prior knowledge, in particular without the user's knowledge of existing correlations between data.
  • link output nodes of the above-mentioned network are classifiable objects and link destination nodes classification criteria or vice versa.
  • objects and / or classification criteria thereby comprise a set of persons, locations, time ranges, physical objects, conceptual objects, events and periods.
  • An event is the meeting of several of the aforementioned objects in a node, ie, for example the gathering of a physical object, a location, and a time range in a residence event.
  • Periods include continuous, non-discrete expansions in one or more of the named subject dimensions, ie, for example, a style period that has both spatial and temporal extent over multiple locations and time ranges.
  • An advantageous embodiment of the specified features is given if objects and / or classification criteria are represented by individual nodes or as a group of nodes. Items and classification criteria represented by a group of nodes are multi-part.
  • Items and classification criteria represented by a group of nodes are multi-part.
  • there are multi-valued links between multipart objects and classification criteria since more than one node of the respective multipart article or classification criterion can be linked.
  • multipart objects are possibly linked only indirectly, eg via subordinate subnodes with a classification criterion.
  • edge ⁇ As the relationship between source node and destination node expressed in the value of the matrix cell thus becomes considerably more complex, it is referred to below as "edge ⁇ " for better distinction.
  • the edge between a (multi-part) object and a (multi-part) classification criterion can contain one link or several links or be empty.
  • a multi-valued link of / or to a multi-part article or a multi-part classification criterion either a detail image matrix, a one-dimensional overview table or an image montage is placed.
  • multipart, in particular hierarchically subdivided objects or classification criteria in the matrix are unfolded in an input signal into a plurality of matrix rows or matrix columns or combined into a matrix row or matrix column.
  • the image matrix can be output in the course of the method on an output device, in particular on a screen or a printer, or in a file.
  • additional information is additionally placed on the matrix elements of the image matrix, which are retrieved from a database and belong to the respective link output nodes or link destination nodes.
  • additional information may include, for example, further data relating to a visualized image.
  • a data processing can be provided, in which the data of the image matrix (images, texts and / or other information to the matrix elements) further processing, preferably a data input, an image recognition, a correlation and / or a rearrangement of the data.
  • the edited data is then stored and / or output as a processed (modified) image matrix.
  • the storage of the processed data can be done in an amount of data from which the provision of the network takes place.
  • the information of the data volume can be automatically enriched and completed for further use.
  • the method can be used, for example, in the areas of Bibliometrics (explication of implicit picture quotations), art history (reception, tradition, mnemosyne), network science and copyright issues.
  • Further objects of the invention are a storage medium and / or an electronic data processing system, which comprise a processor and a storage medium, wherein the storage medium includes software that causes the processor to carry out the inventive.
  • FIG. 1 shows a flow chart with an illustration of the method according to the invention
  • Figure 3 illustrates the formation of the image matrix, with visual representations of the nodes replacing the links
  • FIGS. 4a-c image matrices with increasing information density
  • FIG. 5 Within an image matrix, the assembly of relevant sub-nodes leads to better comparability of the representations
  • FIG. 6 shows three simple steps from the matrix to the image matrix
  • FIG. 7 is a block diagram of the general procedure for producing an image matrix
  • FIG. 8 shows the raw form of the base list (adjacency list).
  • FIG. 9 shows the extraction of various record numbers (node IDs) in the base list, which permits the external answering of simultaneous local, global and metalocal questions or the reconstruction of a tree structure;
  • FIG. 10 shows a general procedure for producing a matrix (detail from FIG. 7);
  • FIG. 11 shows a detail of a matrix
  • FIG. 12 shows a section of an image matrix
  • FIG. 13 shows an illustration of an edge, which may contain a different number of links in matrix rows or matrix columns of different abstract
  • FIG. 14 shows a detail image matrix which offers a better allocation of information, while a detailed overview offers larger images on a comparable surface;
  • FIG. 15 shows a scaling or zooming of a matrix: local> metalocal> global
  • FIG. 16 shows strict node trees which are similar in zooming to the directory tree in a conventional operating system. Allow system (icons to Windows Explorer TM).
  • the main steps of a preferred embodiment of the inventive method are shown in Figure 1 and in the block diagram of Figure 7.
  • the data includes link output node data, link destination node data, and data characterizing the links between the link outbound node and the link destination node.
  • the data can generally be present as image and / or text data, wherein the data can be visualized by at least one of the link output nodes and the link destination nodes (eg also set text of a scanned book page).
  • the data is provided at step S2 in the form of a base list (BASE in Figure 7, contents eg Figure 8) which contains all the information necessary to construct the matrix and the image matrix.
  • the basic list is a data list with the structure described below, which in one Data store is stored, which may be connected to or extracted from the database.
  • Row and column positions are formed by the listing of link outbound nodes and link destination nodes (or vice versa).
  • the matrix elements ie, the cells of the matrix
  • the matrix elements comprise a zero (no information) if there is no link between the link output nodes and link destination nodes of the associated rows and columns, or a matrix element containing information about a single or multi-valued link between the associated link output nodes and Link destination node includes.
  • This information is obtained from the so-called "edge-set" information from the base list, where a function (subroutine) is placed at the respective matrix elements, with which it is queried whether the relevant combination of row and column occurs in the "edgeset". If so, the valence of the relationship (valence of the link) is queried.
  • a univalent link will do that
  • FIG. 4a Detail matrix
  • FIG. 4b overview table
  • FIG. 4c image montage
  • the desired image matrix is constructed from the matrix, in which matrix elements are replaced by visual representations of the associated link output nodes or link destination nodes.
  • a selection of the visual representation depending on the valency of the link (edge value) can take place.
  • the image matrix comprises the data of images associated with rows and columns of the image matrix, and possibly additional information. The data is available to a user who, for. B. wants to investigate relationships between images or between row and column positions.
  • the further use of the image matrix is simplified if at least a part (detail) of the image matrix is output.
  • An output of the image matrix may be made to a display device (e.g., display, printout) or to a data memory (step S5).
  • a decryption of the image matrix takes place.
  • a further data processing can be provided after step S3, S4 and / or S5, in which the images, texts and / or further information of the image matrix are subjected to further processing (step S6).
  • further information may be input from other data resources to further enrich the information represented by the image matrix.
  • An image recognition may be provided to detect and evaluate certain images (patterns) in the cells of the matrix. Between the images, if necessary after the image recognition, a correlation of specific partial images may be provided in order to establish relationships. Furthermore, a rearrangement of the data can be provided.
  • the data processing in step S6 may be performed by a user or automatically by available data processing programs, which for the respective functions, eg. B. image recognition, correlation are established.
  • step S6 the image matrix is created after a renewed passage from Sl to S3 to S6 (step S4).
  • the edited data is then saved.
  • the storage can be done in the output dataset or in a separate memory.
  • a modified image matrix can be constructed with the processed data.
  • a lot of classified items can be e.g. understand as a network of nodes and links.
  • Objects and classification criteria each form a node type; the assignment of an item to a classification criterion is done by the classification link.
  • the classification network defined in this way can be mapped as a matrix like any other network.
  • the classified objects are visually representable objects, then it is possible to correspondingly enrich the conventional matrix and to convert it into an image matrix.
  • the simple links are replaced by images of the network nodes, ie images of the objects or the classification criteria. It makes sense in many cases to pick out a part of the object that corresponds to the linked classification criterion or vice versa.
  • the method therefore appears to be particularly useful in particular if the objects in question or the classification criteria are present in a subdivided, possibly hierarchical form or in a form that can be combined into higher units.
  • the visually representable objects can assume the role of the object as well as - in special cases - those of the classification criterion.
  • Corresponding objects in the role of the object are also referred to below as image documents.
  • An image document is defined as an arbitrary, visually represented or representable object or a collection of several of the same. Typical examples of image documents are a book with illustrations, a book with scanned text pages, a hand drawing, a sketchbook, a photo, a photo collection, the photos of an Internet user or a homepage.
  • Typical examples of composite tangible classification criteria are keyword sets or tags ⁇ , which are combined into meaningful groups like Tagclustern ⁇ .
  • Typical examples of subdivided classification criteria are hierarchical systems, thesauri or ontologies. More or less complexly subdividable and, at the same time, higher units that can be summarized are sets of discrete objects such as websites, locations or physical and conceptual objects. Specially man-made objects such as ancient monuments, monuments or paintings often appear both in the role of the classification criterion and in that of the object, for example when the classification link describes the indefinite or directly demonstrable dependency of an object on other objects (reception or reception) tradition).
  • the image matrix is understood in principle in the present context as a special form of the conventional matrix.
  • the matrix therefore forms the starting point in their production. It is first enriched with the necessary information to nodes and links and then converted into a picture matrix in a simple step. The enrichment can either be taken directly from the initial data set, or it is stored in a new adjacency list and kept. This new adjacency list serves as a temporary database during editing and analysis of the image matrix. It will be referred to as a 'base list' in the further course.
  • the base list may contain the entire network of output data or only part of it, and must be recreated or updated after each major change.
  • the example network of the visualization is that of the reception.
  • the general workflow when creating an image matrix usually takes place on the basis of a few simple steps (FIG. 6): First, by sorting the matrix (permutation), as many correlating rows and columns of the matrix as possible are brought together , so that a region of particular density of filled cells (edge value greater than or equal to 1) is formed. In a further step, the unneeded rows and columns are filtered away so that only the relevant area remains visible. Finally, the filtered area is converted into a picture matrix by clicking.
  • the nodes of a network are represented as rows and columns; the edges (single or multi-valued links) as points or cells.
  • An extension of the simple matrix means weighting the links with a particular value. This is useful, for example, for a network in which the source and destination nodes of the links to groups or hierarchical structures are combined.
  • the value of the matrix cell, hereinafter referred to as the edge, here corresponds to the number of actually allocated links between the respective summaries.
  • the summary and weighting of the matrix rows and columns can be realized, as is provided in the prior art in the "block modeling" in the so-called social network analysis.
  • the corresponding value is 3 ⁇ ( Figure 2b ).
  • the weighted value of such an edge represents a detail matrix of the individual sub-nodes of the respective complexes (FIG. 2c). From the above cases, there are three possibilities for the matrix: Either instead of the respective edge, CP or '1' (according to link present or not), a value greater than 1 ⁇ appears (if the link is a summary of several links ) or a detail matrix (if the partial links are to be shown explicitly).
  • the content of the edges is replaced by the image of the linked document (part).
  • the mapping corresponding to classified (detail) nodes takes the place of the links between the document and classification nodes ( Figure 3).
  • the individual document (part) s and (sub) classifications can also be combined in the (image) matrix into higher-level (global) or intermediate (metalocal) units. Weighted edges with a value greater than 1 do not correspond in the matrix to a single link, but rather to several links between the connected nodes, possibly combined in several parts. There are basically three possibilities:
  • the second method is filling the cell with the mappings of the relevant single quadrants, without adhering to the order of the detail matrix - a procedure that makes sense especially with extensive detail matrices, otherwise the images often become too small (Figure 4b).
  • the third method involves the assembly of the partial representations contained (FIG. 4c) - an often useful application that significantly improves comparability, especially in the case of middle higher-level units.
  • the left part of FIG. 5 shows three details from a sixteenth-century hand drawing code (, Doc template ⁇ ), which are all linked by the classification link with a particular section through an antique building ("Monument *").
  • Doc template ⁇ sixteenth-century hand drawing code
  • the three parts are provided as provided by the authors of the Codex.
  • the comparison with the clearly dependent section of another collection of drawings (doc. Copy ⁇ ), which can also be seen in the matrix, is much easier thanks to the assembly in the second illustration.
  • montage possibly represents the link between an ideal parent document unit and the corresponding superordinate classification criterion - a relationship that may possibly even exist in the original data set in this form does not exist, as there are usually only the links between actually existing document (s) and possibly subordinate classification criteria are listed.
  • the image matrix therefore shows itself through the use of montages as an independent product. It is not a pure representation of the existing data, but goes beyond what has been found in the statement.
  • the already mentioned base list ⁇ (FIG. 8) or a dynamic equivalent can be present implicitly in the output data set or can be created externally.
  • the basic list of FIG. 8 is shown in three separate partial images (FIGS. 8a, 8b and 8c).
  • the base list contains information about nodes and links in the source dataset. In this case, various relationships between nodes can occur, which are shown schematically in FIG. FIG. 8 shows that the extraction of different record numbers (node IDs) in the base list permits the external answering of simultaneous local, global and metalocal questions or the reconstruction of a tree structure.
  • the base list is an admias list enriched with metainformation on nodes and edges of a network, which can serve both to produce scalable (image) matrices and to produce classical network visualizations.
  • (Picture) Matrix like network visualization tion require a so-called nodesets ⁇ (set of nodes, group of information about the nodes of the network) and one Edge sets ⁇ (edge set group information on the edges of the network). Both are contained in the base list, or can be generated dynamically from the same. Additional enrichments can serve the better sorting as well as the clearer representation of the respective final product.
  • By combining different basic lists it is also possible to combine the different network types (such as reception, traditional or tree structure) in a single visualization.
  • the image matrix of a reception network in FIGS. 12a-12c in superposition shows a second network in classical network visualization - the network of the tradition.
  • step S1 in FIG. 1 The starting point is a database output (step S1 in FIG. 1) which contains all relevant link relationships of a reception network.
  • step S1 in FIG. 1 the resulting simple adjacency list of the links is enriched by node information from another database selection. The procedure is the same for each selected subnetwork. For each type of link in the output data set, a separate basic list can (and should usually be) created.
  • the base list is represented as a spreadsheet, it will conveniently contain three column groups ( Figures 8a, 8b, and 8c) - one to the left exit node, one to the link destination node, and another to the resulting edges.
  • Each line represents in the list N real existing in the output data set existing link (the, self-self-edge ⁇ ).
  • the node set that is, the information about the nodes of the network, can be extracted from the first two column groups of the base list.
  • the edgeset is equivalent to or derived from the third column group.
  • the first two column groups of the base list (8a, 8b) to the nodes are in four sub-groups divided according to detail below defined summaries, self ⁇ , Parent ⁇ , Main ⁇ and, Entity2 ⁇ of the respective Linkausgangs- or link target node.
  • Each of the subgroups contains in the first place the corresponding record number ⁇ (or possibly any other node ID), in the second place the so-called Labeistring ⁇ and in third place the so-called "Occurence":
  • the first column of the four subgroups to the nodes in the base list contains the 'record number' of the source or
  • Target node or the corresponding node of the corresponding summary (see Figure 9,, RecNo ... ⁇ corresponds in Figure 8, Doc ... ⁇ , for example, DocSelf ⁇ or, Mon ... ⁇ z. MonSelf ⁇ ):
  • RecnoSelf * is the record number of the read out node itself.
  • RecnoParent ⁇ is the record number of the first parent node in the existing node hierarchy (part-of-link). It serves, for example, to display the tree structure of a document in a network visualization, in addition to reception and transmission. For the aggregation of superordinate units, it plays only an indirect role.
  • RecNoMain ⁇ is the record number of the node at the top of each node hierarchy, which coincides with the 'global' document unit. During read-out, the node hierarchy is tracked up to a marker determination for this purpose. Each node at the top of a document tree is accordingly marked as, Main ⁇ before being read out.
  • RecNoEntity2 ⁇ is the record number of a possibly existing ideoyncratic, meaningful, metalocal ⁇ unit of the document, which is marked with the help of the marker, Entity2 ⁇ .
  • the node hierarchy is also tracked upwards when reading up to the marker determination.
  • RecnoSelf ⁇ refers to a particular image in a book
  • RecnoParent ⁇ refers to the parent page directly in the book
  • RecNoMain ⁇ refers to the book itself
  • RecNoEntity2 ⁇ refers to a multi-page catalog entry in the book.
  • the second column of the four subgroups of the nodes in the base list contains the so-called Labeistring x . It serves to enrich the respective nodes in the matrix with useful information.
  • Labeistring Document In general, that is, if the source and destination nodes are of different types, it is convenient to define two different formats for the Labeistring ⁇ .
  • a meaningful Labeistring for (picture) documents and then another for the classification (here antique monuments) will be explained by way of example.
  • Type ⁇ expediently specifies the node type of the read-out entry, that is, in the case of documents, for example, whether it is a single object, a publication or a photograph.
  • LabelSelf contains only the name of the node itself. It is necessary, for example, if the tree structure of a document is to be visualized as a network without showing redundant information at the nodes of the tree.
  • 'Label' contains the complete name of the node, which may also include information from superior or, as in the case of the document location, suitably hypotactically linked nodes, eg, for individual objects, the label more or less corresponds more or less to the sequence 'place / institution / Department: Codex / Folio / Quadrant "and for publications of the series" Short Name / Position ".
  • DateName ⁇ contains, for example, the name of the (first) time range used for dating. (Of course, documents can also include the date of origin be rivaled, ie, multiple times, for example, in divergent research opinion.)
  • lstArtist ⁇ contains the first person associated with the document under the condition 'artist'. (Of course, all connected artists or even other people could stand here.).
  • 'ImgFile' contains the reference to the image file corresponding to the database entry, or in the case of documents reprinted only secondarily, the reference to the image file of the first dependent document, provided that this is a photographic copy.
  • the label string of the documents could also be enriched by further additional information - for example, by GIS information on the locality.
  • the bibliography of the classification criteria corresponds to that of the (image) documents with regard to the basic data. If the classifications are more complex structures, such as antique monuments or documents in the example case, then the corresponding Labeistring can be as rich in information as the Labeistring to the document. In this case, there are no additional enrichments for sorting included.
  • the function of the contained fields corresponds to the explanations of the label of the documents.
  • the third column of the four subgroups of the nodes in the base list (FIG. 8) contains the so-called 'occurrence' of the nodes. It indicates the relative frequency of the corresponding entry in the subgroup. It is collected by simply counting the similar, record numbers ⁇ in the first column of the subgroup. It corresponds to the output node OUT degree or the destination node IN degree.
  • the 'Occurence' must be recalculated to a subset of the output data set in the case of a limitation of the base list ⁇ . Simply reading out the total number of links to an entry from the output data set may make no sense because the restriction does not have to correspond to the existing data of the output data set.
  • the subgroups of the two column groups to the nodes in the base list can also contain information on images and sorting.
  • the fields, Image ⁇ (and, Imgext ⁇ ) in the column subgroup, DocSelf ⁇ ( Figure 8), contain the link to the respective image file or the respective section of an image file, which is important for the image matrix.
  • the record number specified therein may differ from that of the node itself, for example if the image file is from a reprographic copy - a feature that may be marked by a marker in the image matrix.
  • the 'Sort' columns in the column groups 'DocMain' and 'DoCEntity2' ( Figure 8) come from the sorting of matrices created from the base list. If necessary, the information is imported back into the basic list by means of a macro.
  • the third column group of the base list ( Figure 8c) to the edges contains up to nine subgroups (3 link starting points by 3 link targets) from the three summarization levels, Seif,, Main ⁇ and, Entity2 ⁇ . Only the two ratios, DocMain-MonMain 'and, DocEntity2-MonSelf ⁇ are shown .
  • Each subgroup contains the corresponding edge in the first column, which is created by simply concatenating the corresponding record numbers.
  • the second column of each subgroup contains the, Edgeoccurence ⁇ , which is calculated in the same way as that of the individual nodes.
  • the Edgeoccurence ⁇ can serve as an indicator of the density of various classification complexes in a large document.
  • the statement quality is of course variable, since, for example, a single good drawing can exceed many bad sketches in importance.
  • the raw form of the database output corresponds in the case of simple links between source and destination nodes, for example, the following form:
  • link home nodes and link destination nodes are represented exclusively by their ID (record number, primary key or URI ).
  • Raw Edgelist (adjacency list): Link Root Link Target RecnoDocl RecnoMonl RecnoDocl RecnoMon2 RecnoDocl RecnoMon3 RecnoDoc2 RecnoMon4 RecnoDoc3 RecnoMon2 RecnoDoc3 RecnoMon5
  • Each link exit node thus faces a single link destination node.
  • Each line thus contains a single link ratio, which explicitly exists in the database in this form. If, for example, the links in the output data set are represented as independent event nodes (or as a crosstab in the case of a relational database), the result of these events can also be read out directly. The output then immediately corresponds to the two-column form.
  • the two-column adjacency list is enriched by additional node information.
  • this allows to summarize the nodes and link relations to global and metalocal units in the matrix as well as to sort the (image) matrix according to criteria such as designation, location, date or artist of the respective nodes.
  • the enrichment of the raw adjacency list is done by simple database readings of all relevant nodes (eg documents and monuments) in the form of the above-described Labeistring ⁇ .
  • relevant nodes eg documents and monuments
  • Labeistring ⁇ it is usually not necessary to create a specially adapted result in the output data set; All documents and monuments of the output data set are simply read out.
  • a macro is then created, which replaces the record numbers in the raw adjacence list (, raw edge list y ) with the complete, read string ⁇ .
  • the selection of the relevant entries then results automatically from the record numbers existing in the raw adjacency list.
  • FIG. 10 A schematic of the basic procedure in the production of a matrix from the basic list is shown in FIG. 10 (detail from FIG. 7):
  • a node set is extracted from the base list for the sets of link output nodes and link destination nodes.
  • the classification criteria node set usually gives the columns of the matrix, the item nodeset the rows. Both nodesets are composed of the information that exists in the respective subgroup of the base list. is present. Primarily only the record number (ie the ID) of the corresponding nodes is necessary. All further information is used for later sorting of the matrix or for quick identification of the entries.
  • nodesets are extracted from the base list, existing redundancies are filtered out before insertion into the matrix, so that each classification criteria or object complex occurs only once in the corresponding nodeset. After filtering and possible pre-sorting, the nodesets are copied into an empty table (see Figure H).
  • the label ⁇ of the nodes contained in the Labeistring ⁇ may be split into different cells - accordingly
  • the edge set usually does not have to be extracted from the base list in the case of matrix production (in contrast to the classic network visualization).
  • the corresponding subgroup in the third column group (FIG. 8c) is sufficient despite its existing redundancies.
  • e denotes the corresponding edge column in the base list (eg, [baselist.xls] edges x ! $ AP: $ AP);
  • x and y are variables designating the respective output and destination nodes, respectively.
  • the link output node record number is in cell x (eg $ EU22), the link destination node record number in cell y (eg ET $ 20).
  • the spreadsheet may convert the dynamic values into fixed values, remove zeros, and assign appropriate conditional cell formatting (e.g., black background if cell content is not 0).
  • a finished matrix 5 is illustrated by way of example in FIG. 11.
  • the production of the image matrix 6 is technically divided into two sections.
  • Edgelabel ⁇ are created, which consist either of the respective link-out node, ie the document (part), or if the, edge-occurrence ⁇ has a value higher than one of several of them.
  • the second section after creating the Edgelabel, concerns the actual visualization of the image matrix.
  • the matrix is first sorted, filtered and if necessary transposed.
  • the actual image table is finally generated (FIG. 12).
  • FIG. 12 shows, by way of example, a detail of the image matrix, which in practice can be significantly larger and can comprise, for example, 200 columns and 2,000 rows.
  • Edgelabel Like the basic list, they are created only once for all possible edges. Alternatively, it would also be possible to create only the necessary edgelabel 'on the fly' at the time of visualization. The latter variant is when using the invention in a computer network, for. As on the Internet, advantage to limit the data processing effort on the processing of the currently desired information. It should be noted that the edgelabel ⁇ must be created separately for all node summaries of global, metalocal and local type. This is necessary because the edgeoccurence ⁇ of the same named edges can differ in the different summaries (see FIG.
  • the content of a cell ie an edge in the matrix, does not necessarily correspond to the direct link ratio between the respective summarized objects and classification criteria in the database. Rather, especially when global or metalent summarized Matrix rows or matrix columns, multiple edges in one edge.
  • the edge between folio and monument in FIG. 13 represents, for example, in a locally combined matrix (DocSelf matrix *) only the direct (also monovalent) link between folio and monument that also exists in the dataset.
  • DocEntity2 matrix ⁇ a metalokally aggregated matrix
  • the same edge between folio and monument represents a total of three links in the dataset: the Folio Monument link, as well as two more links between the quadrants and the monument parts.
  • the image matrix will be coded as HTML in the following.
  • the content of the, Edgelabels ⁇ is therefore defined as an HTML table cell:
  • EdgeAltText which may appear when you hover over it in the online version and a link (EdgeLink) that allows you to navigate back to the database.
  • The, EdgeLabel ⁇ corresponds to the label of the associated link output node, ie, for example, the document (part) s.
  • The, EdgeImage ⁇ corresponds to the respective image or that of the reprographic template (possibly indicated by a frame or the like).
  • EdgeAltText ⁇ contains any information from the respective Labeistring and for better control the name of the Edge (Recno $ Recno).
  • the 'EdgeLink' opens the link home node, ie document (part) in the database. Exceeds the Edge-Occurrence ⁇ the value 1, so a detailed matrix, which in turn contains the relevant link output node takes the place of the single link output node in the table cell ideally.
  • ⁇ the value 1
  • the overview image replaces the single image in the 'edgeimg' of the table cell. It must be specially created for all edges of multiple occurrences, for which purpose a concordance is created from the base list in which all record numbers of the link output nodes, as well as their image reference, are collected at the multiple occurring edge. From the concordance, one HTML file is then created for each edge. It carries the name of the edge and allows navigation from the individual contained nodes back to the output data set. Finally, the HTML version of the overview image is converted to an image file using a special tool (e.g., Html2jpg TM) for insertion into the HTML version of the image matrix.
  • a special tool e.g., Html2jpg TM
  • the finished 'Edgelabel' for values greater than 1 contains as name the original name of the edge in the form, recno $ recno ⁇ as, edgeimg ⁇ the overview image as well as, edgealttext ⁇ the value of, Edge-Occurence ⁇ of the edge and the, label ⁇ of the parent document complex.
  • the edge link ⁇ expediently does not directly refer to the output data set, since the corresponding edge does not always represent a real existing relationship but rather a summary of several such relationships. The link therefore expediently opens the interactive HTML version of the overview image, from which individual quadrants one can then navigate into the output data set. 6.3. Generation of the image matrix
  • the matrices are enriched with the Edgelabels with the help of several macros.
  • the first two macros replace the name of the edge in the matrix cell with the HTML table cell.
  • the third macro generates the HTML overview panels and the fourth generates the corresponding image files.
  • the enriched matrix may subsequently be extracted from the spreadsheet, e.g. with a good HTML editor (such as Adobe Dreamweaver TM) are imported into an HTML file and displayed in the browser as a picture matrix.
  • a good HTML editor such as Adobe Dreamweaver TM
  • the matrix can also be easily processed in an enriched form and quickly converted into an image matrix.
  • a matrix in which the documents are mapped only locally would, in the case of a dataset with 10 000 classification links, comprise up to 10 ⁇ 000 document lines and would therefore not be useful for direct human interaction. Moreover, in such a matrix, it would be impossible to create areas of meaningful density for an image matrix because a majority of the lines would typically contain only a single or very few filled cells. On the other hand, a matrix in which the documents are mapped globally prevents numerous detailed questions, since so many links are combined in many cells, that a meaningful comparison is prevented by too much density.
  • metalocal units i.e., for example, book / chapter / place instead of book / place.
  • the metalocal unit and thus the multi-level hierarchical subdivision of documents in humanities databases as a whole, finds its primary purpose here.
  • the metalocal unit encounters in the image matrix (as in any other form of display of the data) both the over-globalization, as well as the excessive local fragmentation.
  • the new metalocal units become accessible in the following generation of matrices (refresh).
  • Simultaneously visible image information in the image matrix allows the recognition and production of meaningful sorts or groupings (permutations) of several individual nodes and node complexes. It is possible to play with the more or less existing subjectivity of the subdivision of the classification criteria or the objects themselves. The roots of the possibly existing strict node trees are virtually cut off for this purpose. Information can be found in the
  • Sequence can be sorted differently and combined into alternative meaningful units. This creates new meaningful groupings of nodes, which are not necessarily oriented to the usual physical distribution of the represented objects (eg drawings of an artist from different collections, an assumed reconstruction project or the like).
  • the found groupings are first compiled by permutation in the (image) matrix.
  • the visual properties of the image matrix have an advantageous effect in the context of this process, especially in the case of manual permutation, since the sorting criterion is always in view.
  • Boundary lines mark the groupings together directly in the (image) matrix. Alternatively, however, they can also be firmly integrated into the output data set as cognitive concepts ⁇ (ie, for example, as virtual objects).
  • The, cognitive concepts ⁇ are deposited as a set of linked alias nodes and represent the newly found groupings as further use as virtual (image) documents. So they offer an alternative to the given physical order without destroying them.
  • Independent, cognitive concepts ⁇ according to this definition can also serve to deposit the assemblies discussed above in the output data set.
  • Randomness can be more easily excluded the stronger the correlation of the similar visual objects. All other causes are usually much harder to distinguish. Due to the contained image information, due to the two-dimensional matrix order and due to its permeability, the image matrix proves to be an extremely useful tool. Detected direct dependencies (historical events) or other more precisely specifiable relationship between two mappings can be stored in the image matrix, for example by drawing left-hand arrows (eg by 'clicking and dragging' with the mouse). With appropriate implementation, the image matrix can thus serve as a convenient user interface for processing the output data quantity.
  • object as in the example discussed above, are post-antique (picture) documents
  • classification criteria are anti-monuments
  • Art history is devoted to the time-bound phenomena of (image) documents based on the classification criteria
  • Classical archeology is dedicated to the time-bound phenomena of the classification criteria on the basis of the (picture) documents.
  • the image matrix serves the following purposes:
  • the image matrix serves to exclude dependent representations, since Here only the respective first representation of a series of copied representations of relevance is.
  • the exclusion criteria are direct dependencies, which only become apparent in the image matrix (see advantage 4).
  • Vagically dated nodes e.g., dated, 17th century *, or terminus ante or post
  • Vagically dated nodes may be more accurately ranked based on the image information present in the overview.
  • the image matrix facilitates data analysis and revision, for example, duplicate but differently named as well Unidentified objects can be detected by inspection and possibly geraergt or otherwise related. If the classification criteria are of a visual nature, corresponding candidates automatically accumulate in the same matrix columns or rows.

Abstract

Ein Verfahren zur Herstellung einer Bildmatrix (1) umfasst die Schritte Bereitstellen eines Netzwerks mit einer Menge von Linkausgangsknoten (2) und einer Menge von Linkzielknoten (3) mit dazwischen liegenden Links (4), Bilden einer Matrix (5) mit Zeilen und Spalten, wobei die Linkausgangsknoten den Zeilen zugeordnet werden und die Linkzielknoten den Spalten oder umgekehrt, und Platzieren von visuellen Repräsentationen (6) der Linksausgangsknoten (2) oder der Linkzielknoten (3) an Stelle der Links in der Matrix, so dass sich die Bildmatrix (1) ergibt.

Description

Verfahren zur Herstellung skalierbarer Bildmatrizen
Gegenstand der Erfindung
Die vorliegende Erfindung betrifft ein Verfahren zur Herstellung von Bildmatrizen. Das Verfahren gehört zu den technischen Gebieten der Bildwissenschaft, der Datenverarbeitung sowie der Netzwerkwissenschaft (sog. "Science of Complex Networks" ) .
Stand der Technik
Eine Bildmatrix ist allgemein eine zweidimensionale Anordnung von Bildern in Reihen und Spalten. Die Position des Bildes (Reihe, Spalte) in der Bildmatrix repräsentiert eine Information über die Beziehung des Bildes zu den Inhalten (Bedeutungen) der zugehörigen Reihen- und Spaltenpositionen und eine Beziehung zwischen den Reihen- und Spaltenpositionen. Eine
Bildmatrix ist eine Visualisierung (Anzeige) der Bilder, die dem Betrachter bisher ermöglicht, Beziehungen zwischen Bildern bzw. zwischen Reihen- und Spaltenpositionen zu erkennen.
Bildmatrizen gibt es mindestens seit dem 1181 entstandenen , Klosterneuburger Altar Λ des Nikolaus von Verdun, der das Netzwerk der typologischen Verweise in der Bibel visuali- siert. Ein modernes Beispiel ist das Architekturprojekt ,Schedule of Las Vegas Strip hoteis' (siehe http: //www. library . unlv. edu/arch/lasvegas/map/index2. html oder in dem Buch ,Learning from Las Vegas Λ von Venturi, Scott-Brown und Izenour (London/Cambridge 1977)), bei dem jeweils eine Reihe der Bildmatrix einem Hotel in Las Vegas, z. B. Hotel "Paris", und jeweils eine Spalte der Bildmatrix ei- nem Merkmal der Hotels, z. B. das Aussehen der Fassade zugeordnet ist. Die Betrachtung der Bildmatrix ermöglicht z. B. einen Vergleich der Merkmale der Hotels.
Allen bekannten Beispielen ist allerdings gemeinsam, dass die Bildmatrix erzeugt wird, indem die enthaltenen Abbildungen (Bilder) bei der Herstellung der Bildmatrizen eigens erzeugt werden. Eine zunächst leere Tabelle wird dabei mit neuen Bildern aufgefüllt. Eine herkömmliche Bildmatrix stellt ledig- lieh eine systematische Präsentation von vorab vorhandenen
Informationen dar, ohne eine weitere Auswertung der Informationen zu erlauben. Herkömmliche Bildmatrizen präsentieren in der Regel ausschließlich positive Korrelation, d.h. das Vorhandensein einer Beziehung, zwischen Merkmalen, nicht jedoch negative Korrelation, d.h. die Abwesenheit einer solchen Beziehung, zwischen Merkmalen.
Aus dem Stand der Technik ergibt sich, dass die Untersuchung größerer Mengen von klassifizierten Gegenständen in der Regel an Einzeldarstellungen (wie etwa Datenblätter eines einzelnen Gegenstandes) oder an eindimensionale Listendarstellungen (wie etwa Ergebnislisten oder eindimensionale Überblickstafeln) gebunden ist.
Phänomene, in denen ein Zusammenhang besteht zwischen der
Klassifikation und den visuellen Eigenschaften der Gegenstände bzw. der Klassifikationskriterien, lassen sich daher insbesondere mit den herkömmlichen Bildmatrizen nur schwer untersuchen.
Aufgabe der Erfindung
Es ist daher Aufgabe der Erfindung, ein verbessertes Verfahren anzugeben, welches die vorstehend genannten Nachteile ausräumt. Ferner ist es Aufgabe der Erfindung ein Speichermedium oder eine elektronische Datenverarbeitungsanlage, die einen Prozessor und ein Speichermedium umfasst, bereitzustellen, um das Verfahren auszuführen.
Diese Aufgabe wird durch ein Verfahren mit den Merkmalen von Anspruch 1 gelöst. Vorteilhafte Ausführungsformen und Anwendungen der Erfindung ergeben sich aus den abhängigen Ansprüchen.
Zusammenfassung der Erfindung
Die Aufgabe wird durch ein Verfahren mit den im Patentanspruch 1 aufgeführten Merkmale gelöst: Dem Bereitstellen ei- nes Netzwerks mit einer Menge von Linkausgangsknoten und einer Menge von Linkzielknoten mit dazwischen liegenden Links folgt das Bilden einer Matrix mit Zeilen und Spalten, wobei Linkausgangsknoten den Zeilen zugeordnet werden und Linkzielknoten den Spalten oder umgekehrt. Schließlich wird die ge- suchte Bildmatrix erzeugt, indem visuelle Repräsentationen der Linksausgangsknoten oder der Linkzielknoten an Stelle der Links in der Matrix platziert werden.
Im Unterschied zu existierenden Bildmatrizen, die durch das Auffüllen einer leeren Tabelle mit eigens angefertigten Bildern entstehen, tritt im vorgestellten Verfahren existierende Bildinformation von Knoten eines (Klassifikations-) Netzwerks an die Stelle der Links in den Zellen der Matrix. Mit der Erfindung wird eine Bildmatrix bereitgestellt, die eine Visua- lisierung (Anzeige) von Bildern umfasst und dem Betrachter vorteilhafterweise ermöglicht, Beziehungen zwischen Bildern zu erkennen oder herzustellen, und/oder die Bilder einer Datenverarbeitung und/oder Datenpflege zu unterziehen. Der mit der Erfindung erzielte Vorteil besteht insbesondere darin, dass die Erfindung im Umgang mit größeren Mengen von klassifizierten Gegenständen, die Untersuchung von Phänomenen erleichtert, in denen ein Zusammenhang besteht zwischen der Klassifikation und den visuellen Eigenschaften der Gegenstän- de und/oder der Klassifikationskriterien.
Das Verfahren erleichtert unter anderem die Explikation von direkten Abhängigkeiten sowie die Extraktion von diachronen Phänomenen aus einer gegebenen Menge von klassifizierten (BiId-) Daten. Des weiteren erlaubt das Verfahren im Gegensatz zu herkömmlichen Listendarstellungen und Überblickstafeln die simultane Untersuchung von Daten im Kontext zweier Datendimensionen. Im Vergleich zum Stand der Technik bedeutet dies eine erhebliche Beschleunigung der Arbeit, da umständliches Navigieren in der Datenmenge entfällt.
Das Verfahren stellt vorteilhafterweise ein vollständig oder teilweise automatisierbares Werkzeug zur Bearbeitung großer Datenmengen dar. Die erfindungsgemäße Bildmatrix kann aus der Datenmenge heraus ohne Vorkenntnisse, insbesondere ohne Wissen des Nutzers über vorhandene Korrelationen zwischen Daten konstruiert werden.
Nach einer vorteilhaften Ausführungsform des Verfahrens sind Linkausgangsknoten des oben erwähnten Netzwerks klassifizierbare Gegenstände und Linkzielknoten Klassifikationskriterien oder umgekehrt.
Nach einer weiteren vorteilhaften Ausführungsform sind Ge- genstände und/oder Klassifikationskriterien dabei aus einer Menge von Personen, Örtlichkeiten, Zeitbereichen, physikalischen Objekten, konzeptuellen Objekten, Ereignissen und Perioden. Ein Ereignis ist dabei die Zusammenkunft mehrerer der vorgenannten Gegenstände in einem Knoten, d.h. beispielsweise die Zusammenkunft eines physikalischen Objekts, einer Örtlichkeit und einem Zeitbereich in einem Aufenthaltsereignis. Perioden sind u.a. kontinuierliche, nicht diskrete Ausdehnungen in einer oder mehrerer der genannten Gegenstandsdimensio- nen, d.h. beispielsweise eine Stilperiode, die sowohl eine räumliche wie eine zeitliche Ausdehnung über mehrere Örtlichkeiten und Zeitbereiche besitzt.
Eine vorteilhafte Ausgestaltung der angegebenen Merkmale ist gegeben, wenn Gegenstände und/oder Klassifikationskriterien durch einzelne Knoten oder als Gruppe von Knoten repräsentiert sind. Gegenstände und Klassifikationskriterien, die durch eine Gruppe von Knoten repräsentiert werden, sind mehrteilig. Zwischen mehrteiligen Gegenständen und Klassifikati- onskriterien gibt es gegebenenfalls , mehrwertige Links \ da mehr als ein Knoten des jeweiligen mehrteiligen Gegenstandes oder Klassifikationskriteriums verlinkt sein kann. Dabei sind mehrteilige Gegenstände ggf. nur indirekt, z.B. über untergeordnete Teilknoten mit einem Klassifikationskriterium ver- linkt. Da die im Wert der Matrixzelle ausdrückte Beziehung zwischen Ausgangsknoten und Zielknoten dadurch erheblich an Komplexität gewinnt, wird Sie im Folgenden zur besseren Unterscheidung als , Kante Λ bezeichnet. Die Kante zwischen einem (mehrteiligen) Gegenstand und einem (mehrteiligen) Klassifi- kationskriterium kann einen Link oder mehrere Links enthalten oder leer sein.
Bei einer weiteren vorteilhaften Ausgestaltung des Verfahrens ist vorgesehen, dass bei einem mehrwertigen Link von/oder zu einem mehrteiligen Gegenstand oder einem mehrteiligen Klassifikationskriterium entweder eine Detail-Bildmatrix, eine eindimensionale Überblickstafel oder eine Bildmontage platziert wird. Bei einer weiteren vorteilhaften Ausgestaltung des Verfahrens ist vorgesehen, dass mehrteilige, insbesondere hierarchisch unterteilte Gegenstände oder Klassifikationskriterien in der Matrix bei einem Eingabesignal in mehrere Matrixzeilen oder Matrixspalten aufgefaltet beziehungsweise in eine Matrixzeile oder Matrixspalte zusammengefasst werden.
Bei einer weiteren vorteilhaften Ausgestaltung des Verfahrens ist vorgesehen, dass einzelne Gegenstände und/oder Klassifi- kationskriterien in der Bildmatrix anhand von genauer spezifizierbaren Beziehungen verbunden werden können.
Vorteilhafterweise kann die Bildmatrix im Laufe des Verfahrens auf einem Ausgabegerät, insbesondere auf einem BiId- schirm oder einem Drucker, oder in einer Datei ausgegeben werden .
Gemäß einer weiteren vorteilhaften Ausgestaltung der Erfindung kann vorgesehen sein, dass an den Matrixelementen der Bildmatrix zusätzlich weitere Informationen platziert werden, die aus einer Datenbank abgerufen werden und zu den jeweiligen Linkausgangsknoten oder Linkzielknoten gehören. Derartige Zusatzinformationen können beispielsweise weitere Daten betreffend ein visualisiertes Bild umfassen.
Gemäß einer weiteren vorteilhaften Ausgestaltung der Erfindung kann eine Datenbearbeitung vorgesehen sein, bei der die Daten der Bildmatrix (Bilder, Texte und/oder weitere Informationen an den Matrixelementen) einer weiteren Bearbeitung, vorzugsweise einer Dateneingabe, einer Bilderkennung, einer Korrelation und/oder eine Umordnung der Daten, unterzogen werden. Die bearbeiteten Daten werden anschließend gespeichert und/oder als eine bearbeitete (modifizierte) Bildmatrix ausgegeben. Gemäß einer weiteren vorteilhaften Ausgestaltung der Erfindung kann die Speicherung der bearbeiteten Daten in einer Datenmenge erfolgen, aus der das Bereitstellen des Netzwerks erfolgt. Vorteilhafterweise kann damit die Information der Datenmenge automatisiert angereichert und für die weitere Nutzung vervollständigt werden.
Die genannten Weiterbildungen der Erfindung ermöglichen vor- teilhafterweise:
a) den erleichterten Umgang mit der Ambivalenz der höheren Einheit von Gegenständen und Klassifikationskriterien (Vorteil 1),
b) eine einfachere Annäherung an die Begründung der Korrelation der Gegenstände (Vorteil 2),
c) die Extraktion von zeitgebundenen Phänomenen bezüglich der Gegenstände wie der Klassifikationskriterien (Vorteil 3) ,
d) eine einfachere Beantwortung von impliziten visuellen Detailfragen (Vorteil 4), sowie
e) eine Erleichterung von Datenanalyse und -revision der Ausgangsdatenmenge (Vorteil 5).
Die genaue Erläuterung der genannten Vorteile 1 bis 5 folgt der Erläuterung der Erfindung am Ende der Beschreibung.
Das Verfahren ist beispielsweise einsetzbar in den Bereichen der Bibliometrie (Explikation von impliziten Bildzitaten) , der Kunstgeschichte (Rezeption, Tradierung, Mnemosyne) , der Netzwerkwissenschaft sowie in Fragen des Urheberrechts. Weitere Gegenstände der Erfindung sind ein Speichermedium und/oder eine elektronische Datenverarbeitungsanlage, die einen Prozessor und ein Speichermedium umfassen, wobei das Speichermedium eine Software beinhaltet, welche den Prozessor dazu veranlasst, das erfindungsgemäße auszuführen.
Kurzbeschreibung der Zeichnungen
Weitere Vorteile und Einzelheiten der Erfindung sind in den Zeichnungen dargestellt und werden im Folgenden unter Bezug auf bevorzugte Ausführungsformen der Erfindung näher beschrieben. Es zeigen:
Figur 1 ein Flussdiagramm mit einer Illustration des erfindungsgemäßen Verfahrens;
Figur 2a-c Matrizen mit zunehmenden Informationsgehalt;
Figur 3 die Bildung der Bildmatrix, wobei visuelle Repräsentationen der Knoten an die Stelle der Links rücken;
Figuren 4a-c Bildmatrizen mit zunehmender Informations- dichte;
Figur 5 Innerhalb einer Bildmatrix führt die Montage von relevanten Teilknoten zur besseren Vergleichbarkeit der Darstellungen;
Figur 6 drei einfache Schritte von der Matrix zur Bildmatrix; Figur 7 eine Blockdarstellung der allgemeinen Vorgehensweise der Herstellung einer Bildmatrix;
Figur 8 die Rohform der Basisliste (Adjazenzliste) ;
Figur 9 die Extraktion verschiedener Recordnummern (Knoten-IDs) in der Basisliste, welche die externe Beantwortung simultaner lokaler, globaler wie metalokaler Fragestellungen bzw. die Rekonstruktion einer Baumstruktur erlaubt;
Figur 10 eine allgemeine Vorgehensweise zur Herstellung einer Matrix (Detail aus Figur 7);
Figur 11 einen Ausschnitt aus einer Matrix;
Figur 12 einen Ausschnitt aus einer Bildmatrix;
Figur 13 einer Illustration einer Kante, die in Matrixzeilen oder Matrixspalten unterschiedlicher Zusammenfassung eine unterschiedliche Anzahl von Links enthalten kann;
Figur 14 eine Detail-Bildmatrix, die eine bessere Zuordnung von Information bietet, während ein Detailüberblick größere Abbildungen auf vergleichbarer Fläche bietet;
Figur 15 ein Skalieren oder Zoomen einer Matrix: lokal > metalokal > global; und
Figur 16 strenge Knotenbäume, die das Zoomen ähnlich dem Auf- und Zublättern des Verzeichnisbaumes in einem herkömmlichen Betriebs- System (Icons nach Windows-Explorer™) erlauben.
Bevorzugte Ausführungsformen der Erfindung
Es folgt die Erläuterung der Erfindung anhand der Zeichnungen nach Aufbau und Wirkungsweise der dargestellten Erfindung. Ausführungsformen der Erfindung werden im Folgenden unter beispielhaftem Bezug auf die Bild- und Kunstwissenschaften erläutert. Die Umsetzung der Erfindung ist jedoch nicht auf diese Anwendung beschränkt, sondern in weiteren Bereichen möglich, die unten beispielhaft angegeben ist. Einige der Figuren illustrieren insbesondere für die Konstruktion einer Matrix oder Bildmatrix einzelne Textmerkmale, wie z. B. Ta- bellenwerte, die aus drucktechnischen Gründen nur verkleinert wiedergegeben und z. T. als illustrierende Bilder aufgefasst werden können.
Die Hauptschritte einer bevorzugten Ausführungsform des er- findungsgemäßen Verfahrens sind in Figur 1 und in der Blockdarstellung der Figur 7 gezeigt. Zunächst erfolgt bei Schritt Sl die Bereitstellung von Daten in mindestens einer Datenbank ('Datenmenge' in Figur 7). Die Daten umfassen Daten von Linkausgangsknoten, Daten von Linkzielknoten und Daten, welche die Links zwischen den Linkausgangsknoten und den Linkzielknoten charakterisieren. Die Daten können allgemein als BiId- und/oder Textdaten vorliegen, wobei die Daten von mindestens einem der Linkausgangsknoten und der Linkzielknoten visuali- sierbar sind (z.B. auch gesetzter Text einer gescannten Buch- seite) . Die Daten werden bei Schritt S2 in Form einer Basisliste (BASE in Figur 7, Inhalt z. B. Figur 8) bereitgestellt, welche alle zur Konstruktion der Matrix und der Bildmatrix erforderlichen Informationen enthält. Die Basisliste ist eine Datenliste mit dem unten beschriebenen Aufbau, die in einem Datenspeicher gespeichert ist, der mit der Datenbank verbunden sein kann oder daraus extrahiert ist.
Auf der Grundlage der in der Basisliste enthaltenen Informa- tionen wird bei Schritt S3 eine Matrix konstruiert, deren
Reihen- und Spaltenpositionen durch die Auflistung der Linkausgangsknoten und Linkzielknoten (oder umgekehrt) gebildet werden. Die Matrixelemente (d.h. die Zellen der Matrix) umfassen eine Null (keine Information), falls zwischen den Linkausgangsknoten und Linkzielknoten der zugehörigen Reihen und Spalten kein Link besteht, oder ein Matrixelement, das Informationen über einen ein- oder mehrwertigen Link zwischen den zugehörigen Linkausgangsknoten und Linkzielknoten um- fasst. Diese Informationen werden aus der so genannten „edge- set"-Information aus der Basisliste gewonnen. An den betreffenden Matrixelementen wird eine Funktion (Unterprogramm) platziert, mit der abgefragt wird, ob die betreffende Kombination aus Reihe und Spalte im „edgeset" vorkommt. Falls dies der Fall ist, wird die Wertigkeit der Beziehung (Wertigkeit des Links) abgefragt. Bei einem einwertigen Link wird das
Bild des zugehörigen Linkausgangsknotens oder Linkzielknotens an die Stelle des Matrixelements gesetzt (Figur 3) . Bei mehrwertigen Links wird eine Detailmatrix (Figur 4a), eine Überblickstafel (Figur 4b) oder eine Bildmontage (Figur 4c) an die Stelle des Matrixelements gesetzt.
Schließlich wird bei Schritt S4 aus der Matrix die gesuchte Bildmatrix konstruiert, in dem Matrixelemente durch visuelle Repräsentationen der zugehörigen Linkausgangsknoten oder Linkzielknoten ersetzt werden. Dabei kann eine Auswahl der visuellen Repräsentation in Abhängigkeit von der Wertigkeit des Links (Kantenwert) erfolgen. Mit der Bereitstellung der Bildmatrix liegt in der Regel ein fertiges Verfahrensergebnis vor. Die Bildmatrix umfasst die Daten von Bildern, die Reihen und Spalten der Bildmatrix zugeordnet sind, und ggf. Zusatzinformationen. Die Daten stehen einem Nutzer zur Verfügung, der z. B. Beziehungen zwischen Bildern bzw. zwischen Reihen- und Spaltenpositionen untersuchen will.
Die weitere Nutzung der Bildmatrix wird vereinfacht, wenn mindestens ein Teil (Ausschnitt) der Bildmatrix ausgegeben wird. Es kann eine Ausgabe der Bildmatrix auf ein Anzeigegerät (z.B. Display, Ausdruck) oder in einen Datenspeicher erfolgen (Schritt S5) . Zur Ausgabe der Bildmatrix erfolgt eine Entschlüsselung der Bildmatrix.
Optional kann nach Schritt S3, S4 und/oder S5 eine weitere Datenbearbeitung vorgesehen sein, bei der die Bilder, Texte und/oder weiteren Informationen der Bildmatrix einer weiteren Bearbeitung unterzogen werden (Schritt S6) . Es können z. B. aus weiteren Datenressourcen weitere Informationen eingegeben werden, um die durch die Bildmatrix repräsentierte Information weiter anzureichern. Es kann eine Bilderkennung vorgesehen sein, um bestimmte Bilder (Muster) in den Zellen der Matrix zu erfassen und auszuwerten. Zwischen den Bildern, ggf. nach der Bilderkennung kann eine Korrelation bestimmter Teilbilder vorgesehen sein, um Beziehungen herzustellen. Des Weiteren kann eine Umordnung der Daten vorgesehen sein. Die Datenbearbeitung bei Schritt S6 kann von einem Nutzer oder automatisiert durch an sich verfügbare Datenverarbeitungs-Programme erfolgen, welche für die entsprechenden Funktionen, z. B. Bilderkennung, Korrelation eingerichtet sind. Im Falle des Sprunges von Schritt S3 direkt zur Datenbearbeitung (Schritt S6) wird nach einem erneuten Durchlauf von Sl bis S3 nach S6 die Bildmatrix erstellt (Schritt S4) . Die bearbeiteten Daten werden anschließend gespeichert. Die Speicherung kann in der Ausgangs-Datenmenge oder einem separaten Speicher erfolgen. Alternativ oder zusätzlich kann mit den bearbeiteten Daten eine modifizierte Bildmatrix konstruiert werden.
Die Einzelheiten insbesondere der Schritte Sl bis S4 werden im Folgenden erläutert. Die praktische Umsetzung erfolgt mit an sich bekannten Methoden und Software-Werkzeugen, wie zum Beispiel einer Tabellenkalkulation oder HTML, deren Einzelheiten hier nicht beschrieben werden. Alternativ könnte das Verfahren z.B. auch im Rahmen einer Applikation im so genannten ,Semantic Web' mit Hilfe von JAVA und AJAX oder dgl . um- gesetzt werden.
1. Einführung
Eine Menge von klassifizierten Gegenständen lässt sich z.B. als Netzwerk aus Knoten und Links verstehen. Gegenstände und Klassifikationskriterien bilden dabei je eine Knotenart; die Zuweisung eines Gegenstandes zu einem Klassifikationskriterium geschieht durch den Klassifikationslink. Das so definierte Klassifikationsnetzwerk lässt sich wie jedes andere Netzwerk als Matrix abbilden.
Handelt es sich bei den klassifizierten Gegenständen um visuell darstellbare Objekte, so ist es möglich, die herkömmliche Matrix entsprechend anzureichern und in eine Bildmatrix umzu- wandeln. Hierzu werden die einfachen Links durch Abbildungen der Netzwerkknoten, d.h. Abbildungen der Gegenstände bzw. der Klassifikationskriterien ersetzt. Sinnvoll ist es dabei in vielen Fällen, einen Teil des Gegenstandes herauszugreifen, der dem verlinkten Klassifikationskriterium entspricht oder umgekehrt. Das Verfahren erscheint daher im speziellen besonders dann sinnvoll wenn die fraglichen Gegenstände bzw. die Klassifikationskriterien in einer unterteilten, gegebenenfalls hierarchischen oder in einer zu höheren Einheiten zu- sammenfassbaren Form vorliegen.
Die visuell darstellbaren Objekte können in dem Verfahren sowohl die Rolle des Gegenstandes, als auch - in Spezialfällen - die des Klassifikationskriteriums übernehmen. Entsprechende Objekte in der Rolle des Gegenstandes werden im folgenden auch als Bilddokumente angesprochen. Ein Bilddokument wird dabei definiert als ein beliebiger, visuell repräsentierter bzw. repräsentierbarer Gegenstand oder eine Sammlung von mehreren derselben. Typische Beispiele von Bilddokumenten sind ein Buch mit Abbildungen, ein Buch mit gescannten Textseiten, eine Handzeichnung, ein Skizzenbuch, ein Photo, eine Photosammlung, die Photos eines Internetbenutzers oder eine Homepage.
Typische Beispiele von zusammenfassbaren Klassifikationskriterien sind Schlagwortmengen oder ,Tagsλ, die zu sinnvollen Gruppen wie , Tagclustern Λ zusammengefasst werden. Typische Beispiele von unterteilten Klassifikationskriterien sind hierarchische Systematiken, Thesauri oder Ontologien. Mehr oder weniger komplex unterteilbar und gleichzeitig zu höheren Einheiten zusammenfassbare Klassifikationskriterien sind Mengen von diskreten Gegenständen wie z.B. Websites, Örtlichkeiten oder physikalische und konzeptuelle Objekte. Speziell vom Menschen geschaffene Objekte, wie antike Monumente, Baudenk- mäler oder Gemälde tauchen oft sowohl in der Rolle des Klassifikationskriteriums als auch in der des Gegenstandes auf, etwa wenn der Klassifikationslink die unbestimmte oder direkt nachweisbare Abhängigkeit eines Gegenstandes von anderen Gegenständen beschreibt (Rezeption oder Tradierung) . Die Bildmatrix wird im vorliegenden Rahmen prinzipiell als eine Spezialform der herkömmlichen Matrix verstanden. Die Matrix bildet daher den Ausgangspunkt bei ihrer Herstellung. Sie wird dabei zunächst mit der nötigen Information zu Knoten und Links angereichert und dann in einem einfachen Schritt in eine Bildmatrix umgewandelt. Die Anreicherung kann dabei entweder direkt aus der Ausgangsdatenmenge entnommen werden, oder wird in einer neuen Adjazenzliste hinterlegt und vor- gehalten. Diese neue Adjazenzliste dient während der Bearbeitung und Analyse der Bildmatrix als vorübergehende Datenbasis. Sie wird im weiteren Verlauf als , Basisliste ' angesprochen. Die Basisliste kann das gesamte Netzwerk der Ausgangsdaten oder nur einen Teil davon enthalten und muss nach jeder größeren Änderung neu erstellt oder aktualisiert werden.
Im Folgenden finden sich zunächst einige grundlegende Erklärungen zu Matrix und Bildmatrix. Darauf folgend wird eine mögliche Basisliste beispielhaft vorgestellt und ihre Her- Stellung genauer erläutert. Davon ausgehend wird die Erzeugung einer Matrix sowie der zugehörigen Bildmatrix expliziert. Darauf wird das Skalieren oder Zoomen der (Bild) Matrix, das heißt der Umgang mit den möglichen Zusammenfassungen oder Unterteilungen der Netzwerkknoten behan- delt. Schließlich werden verschiedene Vorteile des Verfahrens und der dadurch erzeugten Bildmatrizen dargestellt.
Als Beispielnetzwerk der Visualisierung dient dasjenige der Rezeption. Als Klassifikationskriterien enthält es unterteil- te antike Monumente, d.h. Kunstwerke oder Gebäudekomplexe; die Rolle der Gegenstände übernehmen (Bild) Dokumente, d.h. visuelle Quellen in denen die antiken Monumente dargestellt sind. Für den Benutzer einer fertigen Implementierung des vorgestellten Verfahrens vollzieht sich der generelle Arbeitsablauf beim Erstellen einer Bildmatrix in der Regel anhand weniger einfacher Schritte (Figur 6) : Zunächst werden ggf. durch Sortieren der Matrix (Permutation) möglichst viele korrelierende Zeilen und Spalten der Matrix zusammengebracht, so dass ein Bereich von besonderer Dichte an gefüllten Zellen (Kantenwert größer gleich 1) entsteht. In einem weiteren Schritt werden die nicht benötigten Zeilen und Spalten wegge- filtert, so dass nur noch der relevante Bereich sichtbar bleibt. Schließlich wird der gefilterte Bereich per Klick in eine Bildmatrix umgewandelt.
Im Hintergrund enthält das technische Verfahren einige auto- matisierbare Vorgänge mit denen der Endbenutzer nicht direkt in Berührung kommen muss (vgl. Figur 7) . Sie werden im folgenden explizit erläutert.
2. Matrix und Bildmatrix
In einer Matrix werden die Knoten eines Netzwerks als Zeilen und Spalten dargestellt; die Kanten (ein- oder mehrwertige Links) als Punkte oder Zellen. Ein wichtiger Unterschied zur klassischen Netzvisualisierung, bei der die Knoten als Punkte und die Links als Linien dargestellt werden, besteht in den radikal verschiedenen Anreicherungsmöglichkeiten mit zusätzlicher Information. Während sich eine Netzdarstellung in erster Linie dazu eignet, die wie auch immer geartete Verortung der Knoten aufzuzeigen, bietet sich die Matrix vor allem dazu an, sequenzielle Strukturen wie etwa die Datierung von Objekten sichtbar zu machen. Die Permutation, das heißt die Sortierung und Gruppierung von Zeilen und Spalten nimmt dabei eine herausragende Rolle ein. Bildet man ein Netzwerk aus Knoten und Links als Matrix ab, so steht am entsprechenden Schnittpunkt der beiden verlinkten Knoten zunächst entweder eine ,0Λ oder eine , 1\ je nach dem ob ein Link vorhanden ist oder nicht (Figuren 2a, Figur 11) .
Bereits diese einfache Form der Matrix ist von ungemeinem Nutzen, da sie bekanntlich dazu dienen kann, Rechenoperationen und Analysen im jeweiligen Netzwerk durchzuführen. Die bekannte Bandbreite reicht dabei von der Extraktion begehba- rer Navigationspfade bis zur Etablierung sinnvoller Gruppen durch Permutation, d.h. Vertauschen von Zeilen und Spalten (Stand der Technik) .
Eine Erweiterung der einfachen Matrix bedeutet die Gewichtung der Links mit einem bestimmten Wert. Sinnvoll ist dies beispielsweise bei einem Netzwerk in dem Ausgangs- und Zielknoten der Links zu Gruppen oder hierarchischen Strukturen zu- sammengefasst werden. Der Wert der Matrixzelle, der im Folgenden als Kante bezeichnet wird, entspricht hier der Anzahl tatsächlich vergebener Links zwischen den jeweiligen Zusammenfassungen. Die Zusammenfassung und Gewichtung der Matrixzeilen und -spalten kann realisiert werden, wie es im Stand der Technik beim "Block Modelling" in der so genannten Social Network Analysis vorgesehen ist.
Gibt es zwischen dem übergeordneten Gegenstand (z.B. einem Dokumentkomplex) und der übergeordneten Klassifikation (z.B. einem Monumentkomplex) drei Links (d.h. beispielsweise drei Zeichnungen in einem Skizzenbuch zu verschiedenen Teilen des Pantheon in Rom), so lautet der zugehörige Wert ,3λ (Figur 2b) . Der gewichtete Wert einer solchen Kante repräsentiert genau genommen eine Detailmatrix der einzelnen Teilknoten der jeweiligen Komplexe (Figur 2c) . Aus den genannten Fällen ergeben sich für die Matrix drei Möglichkeiten: Entweder erscheint an Stelle der jeweiligen Kante ,CP oder ,1' (entsprechend Link vorhanden oder nicht), ein Wert größer , 1Λ (falls der Link eine Zusammenfassung meh- rerer Links ist) oder eine Detailmatrix (falls die Teil-Links explizit gezeigt werden sollen) .
Um den erfindungsgemäßen Schritt von der Matrix zur Bildmatrix zu vollziehen, wird der Inhalt der Kanten durch die Ab- bildung des verlinkten Dokument (teil) s ersetzt. Allgemein formuliert, rückt die Abbildung entsprechend klassifizierter (Detail) Knoten an die Stelle der Links zwischen den Knoten von Dokument und Klassifikation (Figur 3) .
Anstelle einer 1 in der Matrix erscheint folglich ein Bild oder der Text des verlinkten Dokument (teil) s . Dabei ist es vorteilhaft, wenn die entsprechenden Quadranten in einer vorhandenen Abbildung referenziert sind oder daraus ausgeschnitten vorliegen.
Die einzelnen Dokument (teil) e sowie (Unter) Klassifikationen, können in der (Bild)matrix auch zu übergeordneten (globalen) oder zwischengelagerten (metalokalen) Einheiten zusammenge- fasst werden. Gewichtete Kanten mit einem Wert größer als 1 entsprechen dabei in der Matrix nicht einem einzigen Link, sondern mehreren Links zwischen den verbundenen, eventuell aus mehreren Teilen zusammengefassten Knoten. Dabei ergeben sich grundsätzlich drei Möglichkeiten:
Die einfachste Methode ist das Verwenden der Detailmatrizen
(Figur 2c) sowie deren Auffüllung mit den enthaltenen Einzelquadranten (Figur 4a). Die zweite Methode ist das Auffüllen der Zelle mit den Abbildungen der relevanten Einzelquadranten, ohne sich an die Ordnung der Detailmatrix zu halten - ein Vorgehen, das besonders bei umfangreichen Detailmatrizen sinnvoll ist, da sonst die Abbildungen oft zu klein werden (Figur 4b) .
Die dritte Methode beinhaltet die Montage der enthaltenen Teildarstellungen (Figur 4c) - eine oft sinnvolle Anwendung, die vor allem bei mittleren übergeordneten Einheiten die Ver- gleichbarkeit deutlich verbessert: Im linken Teil von Figur 5 erkennt man drei Details aus einem Handzeichnungscodex des 16. Jahrhunderts ( , Dok-Vorlage Λ ) , die durch den Klassifikationslink allesamt mit einem bestimmten Schnitt durch ein antikes Gebäude (, Monument*) verlinkt sind. Im rechten Teil von Figur 5 sind die drei Teile, so wie von den Autoren des Codex vorgesehen, montiert. Der Vergleich mit dem ebenfalls in der Matrix zu sehenden, eindeutig abhängigen Schnitt einer weiteren Zeichnungssammlung ( , Dok-Kopie Λ ) ist dank der Montage in der zweiten Abbildung wesentlich einfacher.
Das große Problem an der Verwendung von Montagen dieser Art ist die Natur der übergeordneten Fragestellung: Die Montage repräsentiert streng genommen ggf. den Link zwischen einer ideellen übergeordneten Dokumenteinheit und dem entsprechen- den übergeordneten Klassifikationskriterium - eine Beziehung die in der Ausgangsdatenmenge in dieser Form eventuell überhaupt nicht existiert, da dort in der Regel nur die Links zwischen tatsächlich existierenden Dokument (teil) en und eventuell untergeordneten Klassifikationskriterien verzeichnet sind. Die Bildmatrix zeigt sich daher durch den Einsatz der Montagen als eigenständiges Produkt. Sie ist keine reine Abbildung der vorhandenen Daten, sondern geht in der Aussage über das vorgefundene hinaus. Trotz der damit verbundenen Problematik ist die Anreicherung der Bildmatrix durch Montagen in vielen Fällen sinnvoll, da sich eine Vielzahl von Dokument (teil) en auch als Teil übergeordneter oder völlig unabhängiger, ideeller (Doku- ment) Konzepte verstehen lässt: Einzelne Skizzen verschiedener historischer Skizzenbücher lassen sich so zum Beispiel zu einem anzunehmenden Rekonstruktionsprojekt zusammenfassen; Fragmente einer einzelnen Darstellung lassen sich zur besseren Vergleichbarkeit ggf. zu einer unvollständigen Gesamtdar- Stellung verbinden. Aus der erhöhten Vergleichbarkeit können schließlich eventuell unbekannte Abhängigkeiten erschlossen werden (siehe Vorteil 2).
3. Beschreibung der Basisliste
Die bereits angesprochene ,Basislisteλ (Figur 8) oder ein dynamisches Äquivalent, kann sowohl in der Ausgangsdatenmenge implizit vorliegen, oder extern erstellt werden. Aus drucktechnischen Gründen ist die Basisliste der Figur 8 in drei getrennten Teilbildern (Figuren 8a, 8b und 8c) gezeigt. Die Basisliste enthält Informationen zu Knoten und Links in der Ausgangsdatenmenge. Dabei können verschiedene Zusammenhänge zwischen Knoten auftreten, die schematisch in Figur 8 gezeigt sind. Figur 8 zeigt, dass die Extraktion verschiedener Re- cordnummern (Knoten-IDs) in der Basisliste die externe Beantwortung simultaner lokaler, globaler wie metalokaler Fragestellungen bzw. die Rekonstruktion einer Baumstruktur erlaubt.
Prinzipiell ist die Basisliste eine mit Metainformation zu Knoten und Kanten eines Netzwerks angereicherte Adjazenz- liste, die sowohl der Herstellung von skalierbaren (Bild) Matrizen wie auch der Herstellung von klassischen Netzvisualisierungen dienen kann. (Bild)Matrix wie Netzvisuali- sierung bedürfen eines so genannten ,Nodesetsλ (Knotensatz, Gruppe von Informationen über die Knoten des Netzwerks) sowie eines ,EdgesetsΛ (Kantensatz, Gruppe von Informationen über die Kanten des Netzwerks) . Beides ist in der Basisliste ent- halten, oder kann dynamisch aus derselben erzeugt werden. Zusätzlich vorhandene Anreicherungen können der besseren Sortierung sowie der klareren Darstellung des jeweiligen Endproduktes dienen. Durch Kombination verschiedener Basislisten ist es darüber hinaus auch möglich, die verschiedenen Netz- werktypen (wie Rezeption, Tradierung oder Baumstruktur) in einer einzigen Visualisierung zu verbinden.
In diesem Sinne zeigt die Bildmatrix eines Rezeptionsnetzwerks in den Figuren 12a - 12c in Superposition ein zweites Netzwerk in klassischer Netzvisualisierung - das Netzwerk der Tradierung.
Im Folgenden wird beispielhaft eine externe, von der Ausgangsdatenmenge getrennte Basisliste beschrieben sowie deren Herstellung erläutert. Ausgangspunkt ist dabei eine Datenbankausgabe (Schritt Sl in Figur 1) , die alle relevanten Linkverhältnisse eines Rezeptionsnetzwerks enthält. In einem zweiten Schritt wird die daraus erstellte einfache Adjazenz- liste der Links durch Knoteninformation aus einer weiteren Datenbankauslese angereichert. Das Vorgehen ist bezüglich jedes gewählten Teilnetzwerks gleich. Für jede Linkart in der Ausgangsdatenmenge kann (und sollte in der Regel) eine eigene Basisliste erstellt werden.
Wird die Basisliste als flache Tabelle (spreadsheet) repräsentiert, so enthält sie zweckdienlich drei Spaltengruppen (Figuren 8a, 8b und 8c) - eine zum Linkausgangsknoten, eine zum Linkzielknoten sowie eine weitere zu den sich daraus ergebenden Kanten. Jede Zeile repräsentiert in der Liste je ei- nen real in der Ausgangsdatenmenge existierenden Link (die , self-self-edge Λ ) .
Das Nodeset, also die Information zu den Knoten des Netzwerks lässt sich aus den ersten beiden Spaltengruppen der Basisliste extrahieren. Das Edgeset entspricht oder ergibt sich aus der dritten Spaltengruppe.
Die ersten beiden Spaltengruppen der Basisliste (Figur 8a, 8b) zu den Knoten sind in je vier Untergruppen unterteilt, entsprechend den unten genauer definierten Zusammenfassungen in ,SelfΛ, , Parent \ ,Mainλ und ,Entity2Λ des jeweiligen Linkausgangs- oder Linkzielknotens. Jede der Untergruppen enthält an erster Stelle die entsprechende , Recordnummer Λ (o- der ggf. eine beliebige andere Knoten-ID) , an zweiter Stelle den so genannten , Labeistring Λ sowie an dritter Stelle die so genannte , Occurence":
Die erste Spalte der vier Untergruppen zu den Knoten in der Basisliste enthält die , Recordnummer ' des Ausgangs- oder
Zielknotens oder des korrespondierenden Knotens der entsprechenden Zusammenfassung (vgl. Figur 9, ,RecNo...λ entspricht in Figur 8, Doc...λ, z. B. ,DocSelf\ oder , Mon...\ z. B. ,MonSelf Λ) :
, RecnoSelf* ist die Recordnummer des ausgelesenen Knotens selbst.
, RecnoParent λ ist die Recordnummer des ersten übergeordneten Knotens in der ggf. vorhandenen Knotenhierarchie (part-of- link) . Sie dient zum Beispiel dazu, in einer Netzvisualisierung, zusätzlich zu Rezeption und Tradierung, die Baumstruktur eines Dokuments anzuzeigen. Für die Zusammenfassung übergeordneter Einheiten spielt sie nur eine indirekte Rolle. , RecNoMainλ ist die Recordnummer des Knotens an der Spitze der jeweiligen Knotenhierarchie, die mit der , globalen' Dokumenteinheit zusammenfällt. Beim Auslesen wird zu diesem Zweck die Knotenhierarchie bis zu einer Markierungsbestimmung nach oben verfolgt. Jeder Knoten an der Spitze eines Dokumentbaumes wird dazu vor dem Auslesen entsprechend als , Mainλ markiert .
, RecNoEntity2 λ ist die Recordnummer einer ggf. vorhandenen ideosynkratischen, sinnvollen , metalokalen Λ Einheit des Dokuments, die mit Hilfe des Markers , Entity2λ gekennzeichnet ist. Wie bei der , RecNoMain' wird die Knotenhierarchie auch hier beim Auslesen bis zur Markierungsbestimmung nach oben verfolgt.
So können die genannten Knoten-Identifizierungen in Figur 9 z. B. mit , RecnoSelf λ auf ein bestimmtes Bild in einem Buch, , RecnoParent Λ auf die direkt übergeordnete Seite in dem Buch, , RecNoMainλ auf das Buch an sich, und , RecNoEntity2 λ auf einen mehrere Seiten umfassenden Katalogeintrag in dem Buch verweisen .
Die zweite Spalte der vier Untergruppen zu den Knoten in der Basisliste (Figur 8) enthält den so genannten , Labeistring x . Er dient dazu die jeweiligen Knoten in der Matrix mit nützlicher Information anzureichern.
In der Regel, das heißt wenn Ausgangs- und Zielknoten von un- terschiedlicher Art sind, ist es zweckdienlich zwei verschiedene Formate für den , Labeistring Λ zu definieren. Im Folgenden wird beispielhaft zunächst ein sinnvoller Labeistring für (Bild) Dokumente sowie danach ein weiterer für die Klassifikation (hier antike Monumente) erläutert. Labeistring Dokument:
Recno- Seif I RecnoParent | RecnoMain | RecnoEntity2 | Type | LabelSelf I Label | DateName | begin | end | lstArtist | ImgFile
Am Beginn des Labeistrings der (Bild) Dokumente stehen die bereits vorgestellten Recordnummern, die der Zusammenfassung nach übergeordneten Einheiten dienen (vgl. Figur 9).
, Type Λ spezifiziert zweckmäßig die Knotenart des ausgelesenen Eintrags, das heißt im Fall von Dokumenten, z.B. ob es sich um ein Einzelobjekt, eine Publikation oder um ein Photo han- delt.
, LabelSelf enthält ausschließlich die Bezeichnung des Knotens selbst. Sie ist notwendig, wenn zum Beispiel die Baumstruktur eines Dokuments als Netzwerk visualisiert werden soll, ohne an den Knoten des Baumes redundante Information zu zeigen.
, Label" enthält die vollständige Bezeichnung des Knotens, in der auch Informationen übergeordneter oder, wie im Fall der Dokument-Lokation zweckmässig, hypotaktisch verbundene Knoten einbezogen sein können. Das Label entspricht z.B. bei Einzelobjekten sinnvoller Weise mehr oder weniger der Folge „Ort / Institution / Abteilung : Codex / Folio / Quadrant" und bei Publikationen der Folge „Kurzname / Stelle".
, DateName λ enthält z.B. die Bezeichnung des (ersten) zur Datierung herangezogenen Zeitbereichs. (Dokumente können selbstverständlich auch inkl. Angabe der Datierungsherkunft konkurrierend d.h. mehrfach datiert werden, etwa bei divergierender Forschungsmeinung.)
,beginΛ und ,endΛ enthalten die zu , DateName λ gehörigen, zur Sortierung notwendigen numerischen Anfangs- und Endzeitpunkte in der Form +/-JJJJ:MM: TT (= Jahr : Monat : Tag) .
, lstArtistλ enthält z.B. die erste mit dem Dokument verbundene Person unter der Bedingung , Künstler'. (Selbstverständlich könnten an dieser Stelle alle verbundenen Künstler oder auch andere Personen stehen.).
, ImgFile' enthält den Verweis auf die dem Datenbankeintrag entsprechende Bilddatei, oder im Fall von nur sekundär re- prographierten Dokumenten den Verweis auf die Bilddatei des ersten abhängigen Dokuments, sofern es sich dabei um eine photographische Kopie handelt.
Über die genannten Komponenten hinaus ließe sich der Label- string der Dokumente auch durch weitere zusätzliche Information anreichern - etwa durch GIS-Informationen zur Lokalität.
Labeistring Klassifikation:
RecnoSelf I RecnoParent | RecnoMain | RecnoEntity2 | LabelSelf | Label
Der Labeistring der Klassifikationskriterien entspricht bezüglich der Grunddaten dem der (Bild) Dokumente. Handelt es sich bei den Klassifikationen um komplexere Gebilde wie im Beispielfall um antike Monumente oder wiederum um Dokumente, so kann der entsprechende Labeistring ähnlich reich an Information sein, wie der Labeistring zum Dokument. Im vorliegenden Fall sind keine zusätzlichen Anreicherungen zur Sortie- rung enthalten. Die Funktion der enthaltenen Felder entspricht den Erklärungen zum Labelstirng der Dokumente.
Die dritte Spalte der vier Untergruppen zu den Knoten in der Basisliste (Figur 8) enthält die so genannte ,Occurence' der Knoten. Sie gibt die relative Häufigkeit des entsprechenden Eintrags in der Untergruppe an. Sie wird erhoben durch einfaches Zählen der gleichartigen , Recordnummern λ in der ersten Spalte der Untergruppe. Sie entspricht dem Ausgangsknoten- OUT-Grad beziehungsweise dem Zielknoten-IN-Grad.
Zu beachten ist, dass die , Occurence' im Fall einer Eingrenzung der , Basisliste λ auf eine Teilmenge der Ausgangsdatenmenge neu berechnet werden muss. Ein einfaches Auslesen der Gesamtzahl der Links zu einem Eintrag aus der Ausgangsdatenmenge macht unter Umständen keinen Sinn, da die Eingrenzung nicht mit den vorhandenen Daten der Ausgangsdatenmenge korrespondieren muss.
Zusätzlich zu , Recordnummer Λ , , Labeistring Λ und ,Occurence' können die Untergruppen der beiden Spaltengruppen zu den Knoten in der Basisliste noch Information zu Abbildungen und Sortierung enthalten.
Die Felder , Image Λ (und , Imgext Λ ) in der Spaltenuntergruppe ,DocSelfΛ (Figur 8) enthalten den für die Bildmatrix wichtigen Verweis zur jeweiligen Bilddatei bzw. zum jeweiligen Ausschnitt aus einer Bilddatei. Die darin angegebene Recordnummer kann sich von derjenigen des Knotens selbst unterschei- den, etwa wenn die Bilddatei von einer reprographierten Kopie stammt - eine Besonderheit, die in der Bildmatrix durch eine Markierung gekennzeichnet sein kann. Die , Sort '-Spalten in den Spaltengruppen , DocMain' und ,Do- cEntity2 ' (Figur 8) stammen aus der Sortierung von aus der Basisliste erstellten Matrizen. Die Information wird hierzu ggf. mittels eines Makros zurück in die Basisliste impor- tiert. Dies ist sinnvoll, da die aufwendigen, zum Teil manuellen Sortierungen der Matrizen z.B. so auf einfache Weise nach unten, das heißt von der , globalen λ Zusammenfassung ,Mainλ zur , metalokalen ' bzw. , lokalen' Zusammenfassung ,En- tity2 λ bzw. ,SelfΛ vererbt werden können.
Die dritte Spaltengruppe der Basisliste (Figur 8c) zu den Kanten enthält ausgehend von den drei Zusammenfassungsebenen , Seif, , MainΛ und , Entity2λ bis zu neun Untergruppen (3 Linkausgangspunkte mal 3 Linkziele) . Gezeigt sind davon nur die beiden Verhältnisse , DocMain-MonMain ' sowie ,DocEntity2- MonSelf Λ .
Jede Untergruppe enthält in der ersten Spalte die entsprechende Kante, die durch einfache Verkettung der entsprechen- den Recordnummern entsteht. Die zweite Spalte jeder Untergruppe enthält die , Edgeoccurence λ , die genauso berechnet wird wie diejenige der einzelnen Knoten. Die , Edgeoccurence Λ kann beispielsweise als Indikator für die Dokumentationsdichte verschiedener Klassifikationskomplexe in einem umfangrei- chen Dokument dienen. Die Aussagequalität ist dabei natürlich variabel, da beispielsweise eine einzelne gute Zeichnung zahlreiche schlechte Skizzen an Bedeutung weit übertreffen kann. 4. Herstellung der Basisliste (Schritt S2)
4.1. Auslesen der rohen Adjazenzliste
Die Rohform der Datenbankausgabe entspricht im Falle von simplen Links zwischen Ausgangs- und Zielknoten beispielsweise der folgenden Form:
Datenbankauslese „Edges" : Linkwurzel Linkziele ...
RecnoDocl RecnoMonl RecnoMon2 RecnoMon3 RecnoDoc2 RecnoMon4 RecnoDoc3 RecnoMon2 RecnoMonδ
Das erforderliche Ergebnis in der Datenbank muss hierzu nur die Ausgangsknoten der Links enthalten. Sie erscheinen in der Ausgabe in der ersten Spalte. In den folgenden Spalten erscheinen die Ziele der Links. Sowohl Linkausgangsknoten wie Linkzielknoten werden ausschließlich durch ihre ID (Record- nummer; Primärschlüssel oder URI...) repräsentiert.
Im nächsten Schritt wird die rohe Datenbankausgabe der Linkverhältnisse in eine zweispaltige Form umgewandelt:
Roh-Edgeliste (Adjazenzliste) : Linkwurzel Linkziel RecnoDocl RecnoMonl RecnoDocl RecnoMon2 RecnoDocl RecnoMon3 RecnoDoc2 RecnoMon4 RecnoDoc3 RecnoMon2 RecnoDoc3 RecnoMon5 Jedem Linkausgangsknoten steht somit ein einziger Linkzielknoten gegenüber. Jede Zeile enthält folglich ein einziges Linkverhältnis, das in dieser Form auch explizit in der Da- tenbank existiert. Werden die Links in der Ausgangsdatenmenge z.B. als selbstständige Ereignisknoten repräsentiert (oder auch als Kreuztabelle im Fall einer relationalen Datenbank) , so kann das Ergebnis dieser Ereignisse auch direkt ausgelesen werden. Die Ausgabe entspricht dann sofort der zweispaltigen Form.
4.2. Anreicherung der rohen Adjazenzliste
Im weiteren Verlauf wird die zweispaltige Adjazenzliste durch zusätzliche Knoteninformation angereichert. Dies erlaubt zum einen die Zusammenfassung der Knoten und Linkverhältnisse zu globalen und metalokalen Einheiten in der Matrix sowie zum anderen die Sortierung der (Bild) Matrix nach Kriterien wie Bezeichnung, Örtlichkeit, Datierung oder Künstler der jewei- ligen Knoten.
Die Anreicherung der rohen Adjazenzliste geschieht anhand von einfachen Datenbankauslesen aller relevanten Knoten (z.B. Dokumente und Monumente) in der Form des oben beschriebenen , Labeistrings Λ . Hierzu ist es in der Regel nicht nötig ein speziell angepasstes Ergebnis in der Ausgangsdatenmenge zu erstellen; es werden einfach alle Dokumente und Monumente der Ausgangsdatenmenge ausgelesen. Aus den fertigen Ausgaben wird daraufhin ein Makro erzeugt, das die Recordnummern in der ro- hen Adjazenzliste ( , Roh-Edgeliste y) durch den kompletten ,La- belstringΛ ersetzt. Die Auswahl der relevanten Einträge ergibt sich dann automatisch durch die in der rohen Adjazenzliste vorhandenen Recordnummern. In einem weiteren Schritt werden in der so angereicherten Liste alle vorhandenen Recordnummern, das heißt , RecnoSelf\ , RecnoParent Λ , , RecnoMain λ und , RecnoEntity2 Λ durch dasselbe Makro erneut mit dem Labeistring angereichert.
Endergebnis ist die Rohform der oben beschriebenen Basisliste (Figur 8) .
5. Herstellung der Matrix (Schritt S3)
Als Matrixvisualisierungswerkzeug kann zweckmäßig eine gute herkömmliche Tabellenkalulation dienen. Es ist jedoch auch möglich, das beschriebene Verfahren in einer genuinen Matrixapplikation zu implementieren (zum Fehlen einer solchen siehe Daru, Myriam: Jacques Bertin and the graphic essence of data. Information Design Journal 10(1) 2001 S. 20-25). Die einzige wirkliche Einschränkung der Tabellenkalkulation gegenüber einem wünschenswerten Matrixwerkzeug ist die existierende Beschränkung der Spaltenanzahl auf 256. Alle anderen Einschrän- kungen betreffen in erster Linie die Bequemlichkeit des User- Interface sowie die Rechengeschwindigkeit, die sich bei Anpassung der Applikation an den gewünschten Zweck sicher erheblich verbessern ließe.
Ein Schema des prinzipiellen Vorgehens bei der Herstellung einer Matrix aus der Basisliste gibt Figur 10 (Detail aus Figur 7) :
Zunächst wird für die Mengen der Linkausgangsknoten und Link- zielknoten je ein Nodeset aus der Basisliste extrahiert. Das Klassifikationskriterien-Nodeset ergibt in der Regel zweckmäßig die Spalten der Matrix, das Gegenstands-Nodeset die Zeilen. Beide Nodesets setzen sich dabei aus der Information zusammen, die in der jeweiligen Untergruppe der Basisliste vor- handen ist. Primär ist nur die Recordnummer (d.h. die ID) der entsprechenden Knoten nötig. Alle weiteren Informationen dienen der späteren Sortierung der Matrix oder dem schnellen In- dentifizieren der Einträge.
Werden global bzw. metalokal zusammengefasste Main- und Enti- ty2-Nodesets aus der Basisliste extrahiert, so werden vor dem Einsetzen in die Matrix gegebenenfalls vorhandene Redundanzen herausgefiltert, so dass jeder Klassifikationskriterien- oder Gegenstandskomplex nur einmal im entsprechenden Nodeset vorkommt. Nach dem Filtern und einer eventuellen Vorsortierung werden die Nodesets in eine leere Tabelle kopiert (vgl. Figur H) •
Bei metalokalen Entity2- und lokalen Self-Matrizen wird das im , Labeistring λ enthaltene , Label Λ der Knoten eventuell auf verschiedene Zellen aufgeteilt - entsprechend
„Buch" I "Kapitel" I "Abbildung" statt „Buch/Kapitel/Abbildung" - um polyhierarchisch sortieren zu können.
Das Edgeset muss in der Regel im Fall der Matrixherstellung (im Gegensatz zur klassischen Netzvisualisierung) nicht aus der Basisliste extrahiert werden. Die entsprechende Untergruppe in der dortigen dritten Spaltengruppe (Figur 8c) ist trotz ihrer vorhandenen Redundanzen ausreichend.
Das Ausfüllen der Matrix geschieht durch einfaches überprüfen, ob die entsprechende Recordnummernkombination von Ausgangs- und Zielknoten in der jeweiligen Untergruppe der Kan- ten in der Basisliste vorhanden ist. In jeder auszufüllenden Zelle der Matrixtabelle dient dazu ein Befehl entsprechend dem folgenden Beispiel (im Format von Excel 2002™) : =WENN( (ZÄHLENWENN(e; (VERKETTEN (x; "$"; y) ) )>0) ; (VERKETTEN (x; "$"
;y));0)
e bezeichnet die entsprechende Edge-Spalte in der Basisliste (z.B. , [Basisliste.xls] edges x ! $AP: $AP) ; x und y sind variablen, die den jeweiligen Ausgangs- beziehungsweise Zielknoten bezeichnen. Im gezeigten Beispiel steht die Linkausgangskno- tenrecordnummer in der Zelle x (z.B. $EU22), die Linkzielkno- tenrecordnummer in der Zelle y (z.B. ET$20).
Nachdem die Matrix fertig errechnet ist, werden in der Tabellenkalkulation ggf. die dynamischen Werte in feste Werte umgewandelt, Nullen entfernt und eine passende bedingte Zellenformatierung vergeben (z.B. Hintergrund schwarz falls Zellen- inhalt ungleich 0) . Eine fertige Matrix 5 ist beispielhaft in Figur 11 illustriert.
6. Herstellung der Bildmatrix (Schritt S4)
6.1. Hauptschritte
Ist die Matrix 5 fertig erstellt, gliedert sich die Herstellung der Bildmatrix 6 technisch in zwei Abschnitte.
Zunächst werden die so genannten , Edgelabelλ erstellt, die entweder aus dem jeweiligen Linkausgangsknoten, d.h. dem Dokument (teil) bestehen, oder falls die , Edge-Occurence λ einen höheren Wert als eins besitzt aus mehreren derselben.
Der zweite Abschnitt, nach der Erstellung der Edgelabel, betrifft die tatsächliche Visualisierung der Bildmatrix. Hierzu wird die Matrix zunächst sinnvoll sortiert, gefiltert und bei Bedarf transponiert. In einem automatischen Schritt wird schließlich die tatsächliche Bildtafel generiert (Figur 12) . Figur 12 zeigt beispielhaft einen Ausschnitt der Bildmatrix, die in der Praxis erheblich größer sein und zum Beispiel 200 Spalten und 2000 Zeilen umfassen kann.
Das vollständige generelle Vorgehen folgt der Darstellung in Figur 7. Aufgrund der Komplexität der Darstellung ist wichtig anzumerken, dass alle gezeigten Umwege automatisierbar sind. Für den Nutzer (z. B. Forscher) bedeutet dies, dass er nach entsprechender Implementierung des Verfahrens bei Bedarf auf Knopfdruck eine Bildmatrix aus einer Matrix erzeugen kann.
6.2. Generation der , Edgelabel'
Im Folgenden wird zunächst die Generation der , Edgelabel' er- klärt. Sie werden hier wie die Basisliste nur einmal für alle möglichen Kanten erstellt. Alternativ wäre es auch möglich nur die notwendigen ,Edgelabel' zum Zeitpunkt der Visualisierung ,on the fly' zu erstellen. Letztere Variante ist bei Anwendung der Erfindung in einem Computernetzwerk, z. B. im In- ternet, von Vorteil, um den Datenverarbeitungsaufwand auf die Verarbeitung der aktuell gewünschten Informationen zu beschränken. Anzumerken ist dabei generell, dass die , Edgelabel Λ für alle Knotenzusammenfassungen globaler, metalokaler wie lokaler Art separat erstellt werden müssen. Dies ist not- wendig, da die , Edgeoccurence λ gleichnamiger Kanten in den unterschiedlichen Zusammenfassungen differieren kann (vgl. Figur 13) :
Der Inhalt einer Zelle, d.h. einer Kante in der Matrix ent- spricht ja wie erwähnt nicht unbedingt dem direkten Linkverhältnis zwischen den jeweiligen zusammengefassten Gegenständen und Klassifikationskriterien in der Datenbank. Vielmehr können, besonders bei global oder metalokal zusammengefassten Matrixzeilen oder Matrixspalten, in einer Kante mehrere Links zusammengefasst sein.
Die Kante zwischen Folio und Monument in Figur 13 repräsen- tiert beispielsweise in einer lokal zusammengefassten Matrix (, DocSelf-Matrix * ) nur den direkten, auch in der Datenmenge existenten (einwertigen) Link zwischen Folio und Monument. In einer metalokal zusammengefassten Matrix ( , DocEntity2- MatrixΛ) repräsentiert dieselbe Kante zwischen Folio und Mo- nument insgesamt drei in der Datenmenge existente Links: Den Link Folio-Monument, sowie zwei weitere Links zwischen den Quadranten und den Monumentteilen.
Daraus folgt, dass die Matrix vor allem in der zusammenge- fassten Form einx eigenständiges Produkt ist, das in ihrer
Aussagekraft den Inhalt der Datenmenge in seiner herkömmlichen Zugänglichkeit übertreffen kann.
Die Bildmatrix wird im Folgenden beispielhaft in HTML ko- diert. Der Inhalt der , EdgelabelsΛ wird daher als HTML- Tabellenzelle definiert:
Inhalt der Tabellenzelle (allgemein) : <a href="Edgelink"> <img src="EdgeImage" border="0" alt="EdgeAltText"> <br>EdgeLabel</a>
Inhalt der Tabellenzelle für Occurence = 1: <a href="... /Database?RecNo"> <img src=" ... /RecNoDocument . jpg bzw. ... /RecnNoArchetyp. jpg" border="0" alt="Labelstring von RecNoDocument sowie EdgeLa- bel"> <br>node Recno</a> Inhalt der Tabellenzelle für Occurence > 1: <a href="DetailMatrix.htm bzw. Detailüberblick. htmΛX> <img src="Detailmatrix . jpg bzw. DetailUberblick.jpg" bor- der="0" alt="Labelstring von RecNo (Parent) Document sowie Edgeθccurence">
<br>Edge RecNoDocument$RecNoMonument</a>
Der Inhalt der Tabellenzelle einer jeden Kante erhält in der Bildmatrix neben der Bezeichnung (EdgeName) drei Bestandtei- Ie: eine Abbildung (EdgeImage ), einen erklärenden Text
(EdgeAltText) , der ggf. erscheinen kann, wenn man in der Online-Version mit der Maus darüber fährt sowie einen Link (EdgeLink) , der die Navigation zurück in die Datenbank ermöglicht.
Ist die , Edge-Occurence Λ gleich 1 so ist das Ausfüllen der entsprechenden Teile sehr simpel, da alle Informationen aus dem Nodeset bzw. Edgeset der Basisliste entnommen werden können :
Das , EdgeLabelλ entspricht dem Label des zugehörigen Linkausgangsknoten, d.h. beispielsweise des Dokument (teil) s .
Das , EdgeImageΛ entspricht der jeweiligen Abbildung oder der- jenigen der reprographierten Vorlage (eventuell kenntlich gemacht durch einen Rahmen oder ähnliches) .
Der , EdgeAltText λ enthält beliebige Informationen aus dem jeweiligen Labeistring sowie zur besseren Kontrolle den Namen der Edge (Recno$Recno) .
Der , EdgeLink' öffnet den Linkausgangsknoten, d.h. Dokument (teil) in der Datenbank. Übersteigt die , Edge-Occurence Λ den Wert 1, so tritt an die Stelle des einzelnen Linkausgangsknoten in der Tabellenzelle idealerweise eine Detailmatrix, die ihrerseits die relevanten Linkausgangsknoten enthält. Da die Abbildungen so aber in der Regel noch schneller zu klein werden, ist es ratsam an Stelle der Detailmatrix eine Überblicksabbildung zu zeigen, die nur die gefüllten Zellen der Detailmatrix enthält (Figur 14) .
Die Überblicksabbildung tritt an Stelle der Einzelabbildung im , Edgeimg' der Tabellenzelle. Sie muss für alle Kanten mehrfacher Occurence eigens erstellt werden, wozu aus der Basisliste eine Konkordanz erstellt wird, in der alle Record- nummern der Linkausgangsknoten, sowie deren Abbildungsverweis bei der mehrfach vorkommenden Kante gesammelt werden. Aus der Konkordanz wird anschließend pro Kante je eine HTML-Datei erzeugt. Sie trägt den Namen der Kante und erlaubt die Navigation von den einzelnen enthaltenen Knoten zurück in die Ausgangsdatenmenge. Die HTML-Fassung der Überblicksabbildung wird schließlich mit Hilfe eines Spezialwerkzeugs (z.B. Html2jpg™) in eine Bilddatei umgewandelt, um sie in die HTML- Version der Bildmatrix einfügen zu können.
Das fertige , Edgelabel' für Werte größer 1 enthält als Bezeichnung den ursprünglichen Namen der Kante in der Form , recno$recno \ als , EdgeimgΛ die Überblicksabbildung sowie als , Edgealttext λ den Wert der , Edge-Occurence λ der Kante und das , Label λ des übergeordneten Dokumentkomplexes . Der , Edge- linkλ verweist zweckmäßig nicht direkt in die Ausgangsdatenmenge, da die entsprechende Kante nicht immer eine real exis- tierende Beziehung, sondern eine Zusammenfassung mehrerer solcher Beziehungen darstellt. Der Link öffnet daher zweck- mässig die interaktive HTML-Fassung der Überblicksabbildung, von deren Einzelquadranten man dann in die Ausgangsdatenmenge navigieren kann. 6.3. Erzeugung der Bildmatrix
Sind die , Edgelabels' für Kantenwerte gleich eins sowie grö- ßer als eins fertig erstellt, erfolgt die Anreicherung der Matrizen mit den , Edgelabels' mit Hilfe von mehreren Makros. Die ersten beiden Makros ersetzen den Namen der Kante in der Matrixzelle durch die HTML-Tabellenzelle. Das dritte Makro erzeugt die HTML-Überblickstafeln und das vierte erzeugt die entsprechenden Bilddateien.
Die angereicherte Matrix kann in der Folge aus der Tabellenkalkulation z.B. mit einem guten HTML-Editor (wie z. B. Adobe Dreamweaver™) in eine HTML Datei importiert werden und im Browser als Bildmatrix angezeigt werden.
Ein Vorteil des beschriebenen Vorgehens ist, dass die Matrix nach der Anreicherung in der Tabellenkalkulation ihre ursprüngliche Form behält, das heißt dass jede gefüllte Zelle auch nach der Anreicherung mit den Edgelabels als schwarzes
Kästchen erscheint. Dadurch lässt sich die Matrix auch in angereicherter Form leicht bearbeiten und schnell in eine Bildmatrix umwandeln.
Alternativ zu dieser relativ statischen Kodierung der Matrix in einer Tabellenkalkulation sowie der Bildmatrix in HTML ist es mit möglich, die Überblicksabbildungen oder die entsprechenden Detailmatrizen mehrfacher Kanten innerhalb der (Bild) Matrix in interaktiver Form vorzuhalten. Dadurch wäre nicht nur eine komfortablere Verbindung zur Ausgangsdatenmenge garantiert; möglich wird dadurch auch eine komfortablere Bearbeitung der Datenmenge wie z.B. das Mergen doppelter Einträge sowie die Vergabe von Links zwischen den einzelnen an- gezeigten Knoten durch , klicken und ziehen λ bzw. , zeigen und klicken" .
6.4. Zoomen der Matrix (skalieren)
Ein wichtiges Problem bei der Herstellung passender Bildmatrizen zur Analyse von Netzwerken klassifizierter Bilddokumente ist die Auswahl von sinnvollen Zusammenfassungen der ggf. hierarchischen bzw. gruppierten Klassifikationen sowie der ggf. entsprechend unterteilten Bilddokumente selbst. Die Wahl der jeweiligen Zusammenfassung bestimmt dabei die mögliche Größe der Matrix (Figur 15) :
Stehen in einer Matrix alle direkt verlinkten Knoten der Klassifikation bzw. der Dokumente (lokal) für sich, so beanspruchen große Knotenkomplexe mit zahlreichen verlinkten Einzelknoten gegebenenfalls mehrere hundert oder gar tausend Spalten oder Zeilen. Fasst man die Klassifikationskriterienbzw. Dokumentkomplexe hingegen jeweils auf die größtmögliche (globale) Einheit zusammen, so nimmt jeder Komplex nur eine einzige Zeile ein.
Eine Matrix, in der die Dokumente ausschließlich lokal abgebildet werden, würde im Fall einer Datenmenge mit 10 OOO Klassifikationslinks bis zu 10λ000 Dokumentzeilen umfassen und wäre daher für eine direkte menschliche Interaktion nicht nützlich. Darüber hinaus wäre es in einer solchen Matrix unmöglich, Bereiche sinnvoller Dichte für eine Bildmatrix zu erzeugen, da ein Großteil der Zeilen in der Regel nur eine einzige oder sehr wenige gefüllte Zellen enthalten würde. Eine Matrix in der die Dokumente ausschließlich global abgebildet werden verhindert andererseits zahlreiche Detailfragen, da in vielen Zellen so viele Links zusammengefasst werden, dass ein sinnvoller Vergleich durch ein zu viel an Dichte verhindert wird.
Problematisch erscheint die globale Zusammenfassung vor allem bei Überblickswerken wie Ausstellungskatalogen oder kunstwissenschaftlichen Corpuswerken, in denen beispielsweise nicht nur ein Dokument (z.B. ein Stadtplan) mit verschiedenen Klassifikationen (z.B. verschiedenen Monumentdarstellungen) enthalten ist, sondern mehrere hundert derselben. In einer ent- sprechend global zusammengefassten Zeile, würden hier hunderte gleichartig klassifizierte Darstellungen (z.B. eines einzigen Monuments) in einer einzigen Matrixzelle versammelt - ein Faktum, das aus Übersichtsgründen genauso wenig sinnvoll erscheint wie die Aufspreizung auf die lokalen Knoten.
Eine mögliche Lösung beider Probleme liegt, sofern Dokumente und Klassifikationen mehrstufig hierarchisch unterteilt sind, in der Einführung von metalokalen Einheiten (d.h. z.B. Buch/Kapitel/Stelle statt Buch/Stelle) . Die metalokale Ein- heit, und damit die mehrstufig-hierarchische Unterteilung von Dokumenten in geisteswissenschaftlichen Datenbanken als Ganzes, findet hier ihren primären Zweck.
Die metalokale Einheit begegnet in der Bildmatrix (wie in je- der anderen Anzeigeform der Daten) sowohl der zu starken globalen Zusammenfassung, wie auch der zu starken lokalen Fragmentierung.
Im Fall von umfangreichen Katalogen oder Corpuswerken können so beispielsweise die einzelnen Katalogeinträge innerhalb der Publikation zusammengefasst werden: Folglich sind auch detailliertere Fragen, wie etwa die nach der Klassifikation einzelner Katalogeinträge im direkten visuellen Vergleich möglich. Im großen Stil angewendet führt die Einführung entsprechender metalokaler Einheiten zu Bildmatrizen, deren Umfang sich einerseits für das menschliche Auge im erträglichen Rahmen hält, in denen aber andererseits auch dokumentinterne Detailfragen im Rahmen der weiteren Analyse möglich sind. Zu Beginn der Analyse erscheint es in der Regel sinnvoll, die lokale Abbildung der Klassifikation, einer soweit sinnvollen metalokalen Zusammenfassung der Dokumente gegenüber zu stellen.
Prinzipiell gilt die Faustregel, dass man im Zweifelsfall eher auf die vorträgliche Zusammenfassung zu metalokalen Einheiten verzichten sollte, da einzelne zusammengehörige Einträge auch später in der Matrix sinnvoll gruppiert werden können. Es reicht daher aus, nur so viele metalokale Zusammenfassungen zu hinterlegen, dass eine sinnvolle Ausgangs- grösse der Matrix entsteht. Weitere sinnvolle metalokale Einheiten werden eventuell später, im Rahmen der Analyse erkannt und hinterlegt.
Das Zoomen der Matrix geschieht diesem Vorgehen folgend in diskreten Schritten:
Zunächst werden sinnvolle Gruppierungen und Fragmentierungen im Rahmen der Analyse in der Ausgangsdatenmenge hinterlegt.
Zugänglich werden die neuen metalokalen Einheiten in der folgenden Generation von Matrizen (refresh) .
Alternativ ist es möglich, diesen diskreten, schrittweisen Ablauf zu verflüssigen, in dem man am Rand der Matrix die ggf. vorhandene Baumstruktur der Klassifikation wie der Dokumente vollständig dynamisch zugänglich macht, ähnlich wie die Verzeichnisstruktur im Dateiexplorer eines Betriebssystems (vgl. Figur 16, die in Figur 16 verwendeten Bildzeichen kön- nen Gegenstand registrierter Marken sein.). Wie im Windows Explorer™ oder im Mac Finder™ ist es so möglich, durch auffalten und schließen auch in ausgewählten Bereichen der Matrix zu zoomen.
Sinnvoll ist eine Implementierung in dieser Form vor allem dann, wenn sowohl die Klassifizierungskriterien, wie auch die Unterteilung der klassifizierten Dokumente selbst der Form von strengen Bäumen im Sinne der Graphentheorie entsprechen und diese Bäume nicht durch Permutation der Teile aufgebrochen werden sollen (vgl. Vorteil 1).
7. Weitere Vorteile der Erfindung
Vorteil 1: Erleichterter Umgang mit der Ambivalenz der höheren Einheit:
In der Bildmatrix simultan sichtbare Bildinformation erlaubt das Erkennen und Herstellen sinnvoller Sortierungen bzw. Gruppierungen (Permutationen) mehrerer Einzelknoten und Knotenkomplexe. Dabei ist es möglich mit der mehr oder weniger vorhandenen Subjektivität der Unterteilung der Klassifikationskriterien bzw. der Gegenstände selbst zu spielen. Die Wurzeln der ggf. vorhandenen strengen Knotenbäume werden zu die- sem Zweck virtuell abgeschnitten. Information kann in der
Folge anders sortiert werden und zu alternativen sinnvollen Einheiten zusammengefasst werden. Dabei entstehen neue sinnvolle Gruppierungen von Knoten, die nicht zwingend an der üblichen physikalischen Aufteilung der repräsentierten Gegens- tände orientiert sind (z.B. Zeichnungen eines Künstlers aus verschiedenen Sammlungen, ein anzunehmendes Rekonstruktionsprojekt oder dgl . ) . Die gefundenen Gruppierungen werden zunächst durch Permutation in der (Bild) Matrix zusammengestellt. Die visuellen Eigenschaften der Bildmatrix wirken sich im Rahmen dieses Vorgangs besonders bei manueller Permutation vorteilhaft aus, da man das Sortierkriterium stets vor Augen hat.
Durch Begrenzungslinien werden die zusammengestellten Gruppierungen direkt in der (Bild) Matrix gekennzeichnet. Alternativ können sie aber auch als , kognitive Konzepte λ (d.h. z.B. als virtuelle Gegenstände) fest in die Ausgangsdatenmenge eingebunden werden. Die , kognitiven Konzepte λ werden als Menge von verlinkten Aliasknoten hinterlegt und repräsentieren im weiteren Gebrauch als virtuelle (Bild) Dokumente die neu gefundenen Gruppierungen. So bieten sie eine Alternative zur gegebenen physikalischen Ordnung ohne diese zu zerstören. Unabhängige , kognitive Konzepte Λ nach dieser Definition können auch dazu dienen, die oben besprochenen Montagen in der Ausgangsdatenmenge zu hinterlegen.
Vorteil 2: Einfachere Annäherung an die Begründung der Korrelation von (Bild) Dokumenten:
Mögliche Gründe für die Ähnlichkeit von visuellen Gegenständen sind: a) direkte Abhängigkeit, b) indirekte Abhängigkeit, c) äußere Gründe (etwa ein prominenter Aussichtspunkt im Fall von sich gleichenden Landschaftsbildern) oder d) der Zufall.
Der Zufall kann umso leichter ausgeschlossen werden, je stärker die Korrelation der sich gleichenden visuellen Gegenstän- de ist. Alle anderen Ursachen sind in der Regel wesentlich schwerer zu unterscheiden. Die Bildmatrix erweist sich dabei aufgrund der enthaltenen Bildinformation, aufgrund der zweidimensionalen Matrixordnung sowie aufgrund ihrer Permutier- barkeit als extrem nützliches Werkzeug. Erkannte direkte Abhängigkeiten (Tradierungsereignisse) oder auch andere genauer spezifizierbare Beziehung zwischen zwei Abbildungen können in der Bildmatrix beispielsweise durch Einzeichnen von Linkpfeilen (z.B. durch , klicken und ziehen' mit der Maus) hinterlegt werden. Bei entsprechender Implementierung kann die Bildmatrix so als komfortable Benutzeroberfläche zur Bearbeitung der Ausgangsdatenmenge dienen.
Vorteil 3: Extraktion von zeitgebundenen Phänomenen bezüglich der Gegenstände wie der Klassifizierungskriterien:
Sind Gegenstände wie im oben besprochenen Beispiel nachantike (Bild) dokumente, die Klassifikationskriterien hingengen anti- ke Monumente, so ergibt sich eine vereinheitlichte Herangehensweise an Kunstgeschichte und Klassische Archäologie. Kunstgeschichte widmet sich den zeitgebundenen Phänomenen der (Bild) Dokumente anhand der Klassifikationskriterien. Klassische Archäologie widmet sich den zeitgebundenen Phänomenen der Klassifikationskriterien anhand der (Bild) Dokumente .
Die Bildmatrix dient dabei folgenden Zwecken:
a) Extraktion der Geschichte der Gegenstände bzw. der Klassi- fikationskriterien (Storytelling) . Beispiele sind die Entwicklung von Handskizzenbüchern oder die Mikrogeschichte eines Gebäudeteils.
b) Visuelle Kontrolle, ob die beim Filtern der Matrix ausge- wählten Klassifikationen tatsächlich für die Fragestellung relevant sind (Relevanzkontrolle) .
c) Im Fall der Geschichte der Klassifikationskriterien dient die Bildmatrix dem Ausschluss abhängiger Darstellungen, da hier nur die jeweils erste Darstellung einer Reihe voneinander kopierten Darstellungen von Relevanz ist. Als Ausschlusskriterium dienen direkte Abhängigkeiten, die u.a. erst in der Bildmatrix zu Tage treten (vgl. Vorteil 4).
d) Verbesserung der relativen Datierung von unscharf oder gar nicht datierten Gegenständen. Vage datierte Knoten (z.B. mit Datierung ,17. Jahrhundert * oder mit terminus ante oder post) können anhand der im Überblick vorhandenen Bildinformation genauer eingeordnet werden.
Vorteil 4: Einfachere Beantwortung von impliziten visuellen Detailfragen:
Da in der Bildmatrix mehrere, nach gleichen Kriterien klassifizierte Gegenstände auf einen Blick verglichen werden können, ist es auch möglich, nicht klassifizierte, d.h. implizite, nicht wörtlich in der Klassifikation explizite Details der Gegenstände zu untersuchen.
Bei historischen (Bild) Dokumenten, die nach gezeigtem Monument klassifiziert sind, ist es so z.B. möglich, die Geschichte eines bestimmten Fensters in einer Wand abzulesen, ohne dass das Fenster explizit Teil der Klassifikationskrite- rien ist.
Generell sind visuelle Detailfragen in dieser Form speziell dann sinnvoll, wenn das übergeordnete Klassifikationskriterium ebenfalls von visueller Art ist.
Vorteil 5: Erleichterung von Datenanalyse und -revision:
Die Bildmatrix erleichtert die Datenanalyse und -revision, da beispielsweise doppelte, aber unterschiedlich benannte sowie unidentifizierte Gegenstände durch Augenschein erkannt und ggf. geraergt oder anderweitig in Beziehung gesetzt werden können. Sind die Klassifizierungskriterien visueller Art, sammeln sich entsprechende Kandidaten automatisch in densel- ben Matrixspalten bzw. -zeilen.
8. Weitere Anwendungen der Erfindung
Als weitere Anwendungen der Erfindung kommen zum Beispiel in Betracht:
(a) Applikationen zur Analyse komplexer Datenmengen;
(b) Verwaltung und Verarbeitung von (visuellen) Zitatedaten (in diesem Zusammenhang erleichtert das Verfahren auch die bibliometrische Qualitätssicherung) ;
(c) Bild- und Kunstwissenschaften, insbesondere im Bereich von Rezeption, Tradierung und Memnosyne. Zusätzlich erweist sich das Verfahren hier auch sehr nützlich bei der relativen Datierung von unscharf eingeordneten Objekten (Barockmalerei, Zeichnungen, Archäologie u. dgl . ) ;
(d) Sicherung des Urheberrechts an Bildern;
(e) Datenverarbeitung bei bildgebenden Verfahren in der Medizin (etwa bei der simultanen Beobachtung der Entwicklung gleichartiger Krebsmetastasen im Kontext mehrerer Patienten und/oder Organe) , der Biologie (Erforschung der Phylogenie der Arten sowie der Evolution im Allgemeinen) , der Kunstwissenschaft (Erschließung visueller Ähnlichkeit von Einzelgegenständen) oder in anderen technischen Bereichen, z. B. der Luftaufklärung (simultane Darstellung von Luftbildsequenzen mehrerer Lokationen) ; und (f) Verwaltung von implizit oder explizit klassifizierten Bilddatenmengen (implizit: Bildsuchmaschinen; explizit z.B. mit Tags und Clustern) .
Die in der vorstehenden Beschreibung, den Zeichnungen und den Ansprüchen offenbarten Merkmale der Erfindung können einzeln oder auch in Kombination für die Verwirklichung der Erfindung in ihren verschiedenen Ausgestaltungen von Bedeutung sein.

Claims

Ansprüche
1. Verfahren zur Herstellung einer Bildmatrix (1), mit den Schritten:
- Bereitstellen eines Netzwerks mit einer Menge von Linkausgangsknoten (2) und einer Menge von Linkzielknoten (3) mit dazwischen liegenden Links (4), - Bilden einer Matrix (5) mit Zeilen und Spalten, wobei die Linkausgangsknoten den Zeilen zugeordnet werden und die Linkzielknoten den Spalten oder umgekehrt, und
- Platzieren von visuellen Repräsentationen (6) der Linksausgangsknoten (2) oder der Linkzielknoten (3) an Stelle der Links in der Matrix, so dass sich die Bildmatrix (1) ergibt.
2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass
- Linkausgangsknoten (2) klassifizierbare Gegenstände und Linkzielknoten (3) Klassifikationskriterien sind oder umge- kehrt.
3. Verfahren nach Anspruch 2, dadurch gekennzeichnet, dass
- Gegenstände und/oder Klassifikationskriterien Gegenstände aus einer Menge von Personen, Örtlichkeiten, Zeitbereichen, physikalischen Objekten, konzeptuellen Objekten, Ereignissen und Perioden sind.
4. Verfahren nach Anspruch 2 oder 3, dadurch gekennzeichnet, dass - Gegenstände und/oder Klassifikationskriterien durch einzelne Knoten oder als Gruppe von Knoten repräsentiert sind.
5. Verfahren nach einem der Ansprüche 2 bis 4, dadurch gekennzeichnet, dass
- bei einem mehrwertigen Link von und/oder zu einem mehrteiligen Gegenstand oder einem mehrteiligen Klassifikationskri- terium eine Detail-Bildmatrix (7) platziert wird.
6. Verfahren nach einem der Ansprüche 2 bis 4, dadurch gekennzeichnet, dass
- bei einem mehrwertigen Link von und/oder zu einem mehrtei- ligen Gegenstand oder einem mehrteiligen Klassifikationskriterium eine eindimensionale Überblickstafel (8) platziert wird.
7. Verfahren nach einem der Ansprüche 2 bis 4, dadurch ge- kennzeichnet, dass
- bei einem mehrwertigen Link von und/oder zu einem mehrteiligen Gegenstand oder einem mehrteiligen Klassifikationskriterium eine Bildmontage (9) platziert wird.
8. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass
- mehrteilige, insbesondere hierarchisch unterteilte Gegenstände oder Klassifikationskriterien in der Matrix bei einem Eingabesignal in mehrere Matrixzeilen oder Matrixspalten auf- gefaltet werden.
9. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass
- mehrteilige, insbesondere hierarchisch unterteilte Gegens- tände oder Klassifikationskriterien in der Matrix bei einem
Eingabesignal in einer Matrixzeile oder Matrixspalte zusam- mengefasst werden.
10. Verfahren nach den Ansprüchen 2 bis 9, dadurch gekennzeichnet, dass
- einzelne Gegenstände und/oder Klassifikationskriterien in der Bildmatrix anhand von genauer spezifizierbaren Beziehun- gen verbunden werden können.
11. Verfahren nach einem der vorhergehenden Ansprüche, gekennzeichnet durch den Schritt:
- Ausgabe mindestens eines Teils der Bildmatrix auf einem Ausgabegerät, insbesondere auf einem Bildschirm oder einem
Drucker, oder in einer Datei.
12. Verfahren nach einem der vorhergehenden Ansprüche, gekennzeichnet durch den Schritt: - Datenbearbeitung der Daten der Bildmatrix, und
- Speicherung der bearbeiteten Daten und/oder Ausgabe einer modifizierten Bildmatrix.
13. Verfahren nach Anspruch 12, bei dem: - die Datenbearbeitung eine Dateneingabe, eine Bilderkennung, eine Korrelation und/oder eine Umordnung von Daten der Bildmatrix umfasst.
14. Verfahren nach Anspruch 13, bei dem: - die Speicherung in einer Datenmenge vorgesehen ist, aus der das Bereitstellen des Netzwerks erfolgt.
15. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass - das Verfahren auf einer elektronischen Datenverarbeitungsanlage abläuft.
16. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass
- an den Matrixelementen der Bildmatrix (1) Zusatzinformationen platziert werden.
17. Elektronische Datenverarbeitungsanlage, umfassend einen Prozessor und ein Speichermedium, wobei das Speichermedium eine Software beinhaltet, welche den Prozessor dazu veran- lasst, das Verfahren nach einem der vorhergehenden Ansprüche auszuführen.
18. Speichermedium umfassend eine Software für eine elektronische Datenverarbeitungsanlage mit einem Prozessor, wobei die Software den Prozessor dazu veranlasst, das Verfahren nach einem der vorhergehenden Ansprüche auszuführen.
EP07786557A 2006-08-07 2007-08-03 Verfahren zur herstellung skalierbarer bildmatrizen Withdrawn EP2050022A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102006036826 2006-08-07
PCT/EP2007/006900 WO2008017430A1 (de) 2006-08-07 2007-08-03 Verfahren zur herstellung skalierbarer bildmatrizen

Publications (1)

Publication Number Publication Date
EP2050022A1 true EP2050022A1 (de) 2009-04-22

Family

ID=38596892

Family Applications (1)

Application Number Title Priority Date Filing Date
EP07786557A Withdrawn EP2050022A1 (de) 2006-08-07 2007-08-03 Verfahren zur herstellung skalierbarer bildmatrizen

Country Status (3)

Country Link
US (1) US20100194756A1 (de)
EP (1) EP2050022A1 (de)
WO (1) WO2008017430A1 (de)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10437999B1 (en) * 2016-08-31 2019-10-08 Symantec Corporation Runtime malware detection
CN109614613B (zh) * 2018-11-30 2020-07-31 北京市商汤科技开发有限公司 图像的描述语句定位方法及装置、电子设备和存储介质

Family Cites Families (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5659626A (en) * 1994-10-20 1997-08-19 Calspan Corporation Fingerprint identification system
US6222939B1 (en) * 1996-06-25 2001-04-24 Eyematic Interfaces, Inc. Labeled bunch graphs for image analysis
US7065253B2 (en) * 1999-09-03 2006-06-20 Intel Corporation Wavelet zerotree coding of ordered bits
US6304898B1 (en) * 1999-10-13 2001-10-16 Datahouse, Inc. Method and system for creating and sending graphical email
WO2001031502A1 (fr) * 1999-10-27 2001-05-03 Fujitsu Limited Dispositif et procede de classement et de rangement d'informations multimedia
US6675158B1 (en) * 1999-11-30 2004-01-06 Sony Corporation Method and apparatus for organizing data pertaining to audiovisual content
US7127087B2 (en) * 2000-03-27 2006-10-24 Microsoft Corporation Pose-invariant face recognition system and process
US7418470B2 (en) * 2000-06-26 2008-08-26 Massively Parallel Technologies, Inc. Parallel processing systems and method
KR20040041082A (ko) * 2000-07-24 2004-05-13 비브콤 인코포레이티드 멀티미디어 북마크와 비디오의 가상 편집을 위한 시스템및 방법
US7003308B1 (en) * 2000-09-12 2006-02-21 At&T Corp. Method and system for handwritten electronic messaging
US7224991B1 (en) * 2000-09-12 2007-05-29 At&T Corp. Method and system for handwritten electronic messaging
US7176921B2 (en) * 2000-10-20 2007-02-13 Sony Corporation Graphical rewriting system for multimedia descriptions
TW569148B (en) * 2002-04-09 2004-01-01 Ind Tech Res Inst Method for locating facial features in an image
US8321470B2 (en) * 2003-06-20 2012-11-27 International Business Machines Corporation Heterogeneous multi-level extendable indexing for general purpose annotation systems
US7711584B2 (en) * 2003-09-04 2010-05-04 Hartford Fire Insurance Company System for reducing the risk associated with an insured building structure through the incorporation of selected technologies
EP1751696A4 (de) * 2004-05-06 2010-05-05 Univ California Verfahren und system zur zuweisung und klassifizierung von bildern
US20050278656A1 (en) * 2004-06-10 2005-12-15 Microsoft Corporation User control for dynamically adjusting the scope of a data set
US8878851B2 (en) * 2004-11-12 2014-11-04 Synchronica Plc Method and system for streaming documents, e-mail attachments and maps to wireless devices
US20060233461A1 (en) * 2005-04-19 2006-10-19 Honeywell International Inc. Systems and methods for transforming 2d image domain data into a 3d dense range map
US20070153731A1 (en) * 2006-01-05 2007-07-05 Nadav Fine Varying size coefficients in a wireless local area network return channel
US8243022B2 (en) * 2006-11-27 2012-08-14 Microsoft Corporation Federated virtual graffiti
US8019167B2 (en) * 2007-01-03 2011-09-13 Human Monitoring Ltd. Compressing high resolution images in a low resolution video
US10235429B2 (en) * 2007-08-20 2019-03-19 Stephen W. Meehan System and method for organizing data in a dynamic user-customizable interface for search and display

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See references of WO2008017430A1 *

Also Published As

Publication number Publication date
US20100194756A1 (en) 2010-08-05
WO2008017430A1 (de) 2008-02-14

Similar Documents

Publication Publication Date Title
EP0910829B1 (de) Datenbanksystem
EP1311989B1 (de) Verfahren zur automatischen recherche
DE112007000053T5 (de) System und Verfahren zur intelligenten Informationsgewinnung und -verarbeitung
DE112005003157T5 (de) Domainspezifisches Datenelement-Mappingverfahren- und System
DE202011110873U1 (de) Skalierbare Wiedergabe von großen räumlichen Datenbanken
DE112020001874T5 (de) Datenextraktionssystem
DE60310881T2 (de) Methode und Benutzerschnittstelle für das Bilden einer Darstellung von Daten mit Meta-morphing
DE69632835T2 (de) Verfahren zur automatischen verarbeitung von information über benutzerdaten
DE112018002626T5 (de) Verfahren und Systeme zur optimierten visuellen Zusammenfassung von Sequenzen mit zeitbezogenen Ereignisdaten
EP1159689A2 (de) Such- und navigationseinrichtung für hypertext-dokumente
EP2050022A1 (de) Verfahren zur herstellung skalierbarer bildmatrizen
DE19908204A1 (de) Fraktales Netz n-ter Ordnung zum Behandeln komplexer Strukturen
EP1224579A2 (de) Verfahren zur behandlung von datenobjekten
WO2011044865A1 (de) Verfahren zum bestimmen einer ähnlichkeit von objekten
DE602005006086T2 (de) Verfahren zum Ausführen einer Modularisierung eines Hypertextes
Rehbein et al. Codicology and Palaeography in the Digital Age
DE10057634A1 (de) Verfahren zur Verarbeitung von Text in einer Rechnereinheit und Rechnereinheit
DE19729911A1 (de) System zur Verbesserung der Organisation von Daten einer Dokumentation
DE19811524A1 (de) Datenverarbeitungssystem
WO2013075745A1 (de) Verfahren und system zum erstellen von nutzermodellen
Carus et al. Rudolf Carnap: Early Writings: The Collected Works of Rudolf Carnap, Volume 1
Eckl et al. Ten years of Soziale Passagen: An empirical analysis of the journal’s topics
Fitzgerald The Continuous Line
Füste Linked Open Library Data
Koenen Digital perspectives in communication and media history: Cognitive potentials and research scenarios for historical press research

Legal Events

Date Code Title Description
PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

17P Request for examination filed

Effective date: 20090112

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HU IE IS IT LI LT LU LV MC MT NL PL PT RO SE SI SK TR

AX Request for extension of the european patent

Extension state: AL BA HR MK RS

17Q First examination report despatched

Effective date: 20100305

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE APPLICATION IS DEEMED TO BE WITHDRAWN

18D Application deemed to be withdrawn

Effective date: 20100916