基于信息熵种子点选取的流线可视化

计算机工程与科学

基于信息熵种子点选取的流线可视化

黄冬梅1，杜艳玲1,2，张律文1

（1.上海海洋大学信息学院，上海 201306;2.国家海洋局东海预报中心，上海 200136）

收稿日期:2016-06-23 修回日期:2017-01-03 出版日期:2018-03-25 发布日期:2018-03-25
基金资助:
国家自然科学基金(61272098,41671431)；国家重点基础研究发展规划(2012CB316200G)

Two information entropybased seeding

methods for 3D flow visualization

HUANG Dongmei1，DU Yanling1,2，ZHANG Lüwen1

（1.College of Information Technology,Shanghai Ocean University，Shanghai 201306;

2.East China Sea Forecast Center of the State Oceanic Administration,Shanghai 200136,China）

Received:2016-06-23 Revised:2017-01-03 Online:2018-03-25 Published:2018-03-25

摘要/Abstract

摘要：

有效的种子点选取方法是影响流线分布洞悉流场特性的关键。在保持流场变化规律与重要特征准确描述前提下，为了解决由过多流线所导致的遮挡与杂乱问题，提出了基于贪婪策略和蒙特卡洛的两种种子点选取方法。基于贪婪策略的种子点选取方法通过流场信息熵的计算，对流场中的关键特征具有高度敏感性。基于蒙特卡洛种子点选取方法根据均匀随机分布函数生成输入，基于信息熵计算输入点影响半径确定流线分布。通过多个数据集对两种选取方法实验，结果表明基于贪婪策略选取方法可高效捕获流场的关键特征，基于蒙特卡洛方法选取流线更加均匀，保持了流场全局变化规律，两种方法的结合得到更优化的流场可视化效果。

关键词: 流场可视化, 信息熵, 种子点, 流线

Abstract:

Effective seeding method is the key to influence the streamline distribution and to understand the underlying properties of flow field. Based on the accurate description of flow field variation and important features, this paper proposes two information entropybased seeding methods to solve the wellknown occlusion and cluttering issue. The first greedy seeding method locates interesting areas through the calculation of entropy values. The greedy seeding method is highly sensitive to the important features. The second Monte Carlo seeding method generates random inputs based on a probability distribution, and then defines the influence areas of input grid points as a circle in 2D and a sphere in 3D. Comprehensive experiments on multiple datasets show that the greedy seeding method can capture the important features efficiently and the Monte Carlo seeding method shows significant ability to obtain global variation. Besides, the combination of both methods can get more optimal flow field visualization.

Key words: flow visualization, information entropy, seeding points, streamline

黄冬梅1，杜艳玲1,2，张律文1. 基于信息熵种子点选取的流线可视化[J]. 计算机工程与科学.

HUANG Dongmei1，DU Yanling1,2，ZHANG Lüwen1.

Two information entropybased seeding

methods for 3D flow visualization

[J]. Computer Engineering & Science.

[1]	吴付坤, 曹轶, 董庆利, . 基于CAD几何模型的曲面流线可视分析方法[J]. 计算机工程与科学, 2023, 45(06): 961-969.
[2]	肖雪,薛善良. 基于改进的OPTICS聚类和LOPW的离群数据检测算法[J]. 计算机工程与科学, 2019, 41(05): 885-892.
[3]	刘国梁，钱晓东. 基于加权网络结构的冷门资源推荐算法[J]. 计算机工程与科学, 2018, 40(05): 916-923.
[4]	高双，桑庆兵，严大卫. 基于非下采样轮廓波变换和多核学习的盲图像质量评价[J]. 计算机工程与科学, 2017, 39(06): 1171-1178.
[5]	陈曦，成韵姿. 一种优化组合相似度的协同过滤推荐算法[J]. 计算机工程与科学, 2017, 39(01): 180-187.
[6]	吴思博，陈志刚，黄瑞. 基于相关系数的ID3优化算法[J]. 计算机工程与科学, 2016, 38(11): 2342-2347.
[7]	李少年，吴良刚. 基于邻域信息熵度量数值属性快速约简算法[J]. J4, 2016, 38(02): 350-355.
[8]	梅松青，周洪建. 基于信息熵的局部线性嵌入[J]. J4, 2014, 36(09): 1806-1811.
[9]	秦立龙1,王振宇2. 改进粒子群算法在调制模式识别中的应用[J]. J4, 2013, 35(7): 102-107.
[10]	朱文杰1,2，王强2，翟献军1. 基于信息熵的SVM入侵检测技术[J]. J4, 2013, 35(6): 47-51.
[11]	史志才，夏永祥. 基于粗糙集的入侵检测方法研究[J]. J4, 2012, 34(2): 13-18.
[12]	赵茜，王新生. 一种动态信任度量与预测方法研究[J]. J4, 2010, 32(9): 20-22.
[13]	陈凤娟，孙静. 粗糙集信息观中的绝对约简[J]. J4, 2010, 32(5): 97-99.
[14]	徐果毅朱宁波朱晓林卢晓阳. 基于颜色直方图熵值及分块主色的图像检索[J]. J4, 2008, 30(9): 44-46.
[15]	唐文胜[1,2] 罗娟[2] 彭宇行[1] 王威[2]. WSN中一种基于联合信息熵的拥塞公平性控制算法[J]. J4, 2008, 30(8): 53-56.