中文摘要：

复杂流场的智能可视化与分析技术是大规模工程与科学计算分析的支撑技术，它在现代工程与科学计算分析中占有重要地位。以往研究主要集中在几何拓扑结构提取、流线（流管、飘带等）可视化和纹理可视化方面，缺乏对复杂流场局部特征（包括涡、激波、分离线和附着线、回流区、边界层等）和时序事件（涡的生成、持续、分裂、融合和耗散）的有效表征以及可视化结果的量化分析与评价。本研究针对复杂流场可视分析的需求，结合申请者已有的流场拓扑特征提取与时序事件程序，采用基于人类视觉感知特性的可视化结果量化评价函数，构建一个基于粒子模型的复杂流场可视化分析框架。通过控制粒子的注入、传播、生存周期和特征布局，同时采用机器学习等人工智能算法，优化可视化过程的参数选择和设置，以求最佳表达复杂流场局部特征和时序事件，从而实现流场关键特征的智能、直观与高效可视化。

结论摘要：

流动可视化一直是科学可视化研究非常活跃的领域，它通常需要处理大量的多元数据。这些数据往往包含大量的采样位置和时间步。如何有效地高质量可视化这些数据一直是可视化研究的难题之一。本项目研究了流体模拟数据的可视化质量评价方法，建立了可视信息的量化评价函数。研究建立流场表征模型，确定模型参数包含种子点选择、布局等。对比了LS（Level Set）算法与PLS（Particle Level Set）算法的优缺点，应用PLS算法到流场中进行可视化表征，显示其较好的效果。提出了一种基于纹理的高质量三维矢量场可视化算法，采用了基于流面的一维高通滤波策略，有效地提高了流线的对比度，改善了纹理质量。同时结合权重显示用户感兴趣区域，避免了因卷积数据过多而导致的流线过于紊乱和相互遮挡的情况。在基于纹理的三维流场可视化算法基础上，提出结合Flow Volume矢量可视化算法。由于Flow Volume是粒子沿流场平流而成，其外表面是真实的流平面，所以绘制纹理能获得更加清晰平滑的流线。算法采用了一种加速策略，即仅对显示相关的纹理单元进行卷积，极大地减少了所需卷积的纹理数量，从而显著提升了算法绘制速度。研究了智能优化算法，实现和完善模拟数据的转换函数自动设计及融合，测试优化算法的性能及影响因素。提出了基于粒子群优化的自动视点选择方法，该方法根据视点信息量来评估视点质量，通过采用PSO迭代生成新视点，较大程度地减少了需要评价的视点数目，从而消除了冗余的视点计算，在保证视点质量的同时提高了视点选择效率。经实验证明，本项目提出的算法能较好地缩短用户可视化操作的工作量，提高了可视化效率, 为智能可视化做出了有益的探索。