基于Canvas的热力图绘制方法

. 介绍

最近参与的一个项目Marmot中需要根据点坐标绘制热力图。

热力图

以特殊高亮的形式显示访客热衷的页面区域或访客所在的地理区域

特点为：

1. 可以显示不可点击区域发生的事情。你将发现用户经常会点击那些不是链接的地方，也许你应该在那个地方放置一个资源链接。比如：如果你发现人们总是在点击某个产品图片，你能想到的是，他们也许想看大图，或者是想了解该产品的更多信息。 同样，他们可能会错误地认为特别的图片就是导航链接。

2. 热力图同时还能告诉你，页面的哪些部分吸引了大多数用户的注意。这对那些对web分析数据没有很多经验的产品人员非常有用。

3. 如果你在一个页面上有多个链接指向同一个URL，例如：如果有不同位置的3个链接指到同一个特定的产品页面 ，那么热力图将会显示你的访客最喜欢点击哪一个链接，这将帮助你提升网页的设计并让它对用户更加友好，不过实现这个功能需要一些设置。

…………

实例如下：

需要注意的是上图实例粒度粗，梯度小，容差大。反映了热力图的一个属性：趋势相关。不过，热力图也可以做到粒度细，梯度大，容差小。这完全是依据采样数据的精确性以及分析需求来做的。给个例子（Google的眼动分析[焦点梯度]图）:

下面介绍热力图绘制的方法，注意，以下代码并没有检测数据有效性，也没有对数据进行过滤，剔除脏数据，同时没有处理异常。实际使用时请不要忽略此类情况，否则会对最终结果造成干扰……

二. 绘制

问题描述：

假设有一块画布，1200px*2000px尺寸，一组坐标数据，格式为[x,y]二维数组，量级为10000~100000，采样粒度为7*7。依据点坐标的分布密度绘制热力图

方法一

思路：使用canvas元素标签将所有点绘制到画布上，每个点给予较低的透明度。然后获取画布每个点的位数据，根据其alpha值(alpha ∈ [0, 255])的大小计算每一位的r，g，b的值，得出所有新的位数据之后，重新绘制。使之呈现为红色↔蓝色渐变。

代码：

 
 


  
  
/*假设点坐标为aXY，二维数组*/  

  
  
var aXY = [[x1, y1], [x2, y2], [x3, y3], [x4, y4]...];  

  
  
//获取canvas的context  

  
  
var context = canvas.getContext('2d');  

  
  
var pi2 = Math.PI * 2;  

  
  
//设置填充样式，透明度为0.1  

  
  
context.fillStyle = 'rgba(255,30,0,0.1)';  

  
  
for (var i = 0, len = aXY.length; i < len; i++) {  

  
  
var x = aXY[i][0], y = aXY[i][1];  

  
  
context.beginPath();  

  
  
//绘制圆点  

  
  
context.arc(x, y, 6, 0, pi2, true);  

  
  
context.closePath();  

  
  
context.fill();  

  
  
}  

  
  
//获取这个画布的位数据  

  
  
var imgd = context.getImageData(0, 0, 1200, 2000);  

  
  
var pix = imgd.data;  

  
  
// 循环计算rgb，使之根据alpha值映射到红蓝渐变  

  
  
for (var i = 0, n = pix.length; i < n; i += 4) {  

  
  
//位数据的格式为[rgbargbargba……]，每个rgba代表了每个点的rgba四个通道的值  

  
  
var a = pix[i+3]; //alpha  

  
  
//red  

  
  
pix[i ] = 128 * Math.sin((1 / 256 * a - 0.5 ) * Math.PI ) + 200;  

  
  
//green  

  
  
pix[i+1] = 128 * Math.sin((1 / 128 * a - 0.5 ) * Math.PI ) + 127;  

  
  
//blue,128之后直接衰减为0  

  
  
pix[i+2] = 256 * Math.sin((1 / 256 * a + 0.5 ) * Math.PI );  

  
  
pix[i+3] = pix[i+3] * 0.8;  

  
  
}  

  
  
context.putImageData(imgd, 0, 0); 
 
 

上面的代码将会呈现：

显而易见，这并不是热力图，但是可以精确反映每个点的分布密度，红色表示在该区域的点数据较多，浅，蓝色表示密度小。那么如何改进?

使用径向渐变代替圆点的绘制，用以表示每一个点向周围的点的辐射，渐变色的叠加可以展现梯度变换的效果。代码如下：

 
 


  
  
var aXY = [[x1, y1], [x2, y2], [x3, y3], [x4, y4]...];  

  
  
var context = canvas.getContext('2d');  

  
  
for (var i = 0, len = aXY.length; i < len; i++) {  

  
  
var x = aXY[i][0], y = aXY[i][1];  

  
  
//绘制径向渐变  

  
  
var radgrad = this.context.createRadialGradient(x, y, 1, x, y, 8);  

  
  
//锚点  

  
  
radgrad.addColorStop( 0, 'rgba(255,30,0,1)');  

  
  
//锚点  

  
  
radgrad.addColorStop( 1, 'rgba(255,30,0,0)');  

  
  
context.fillStyle = radgrad;  

  
  
context.fillRect( x - 8, y - 8, 16, 16);  

  
  
} 
 
 

效果如下:

方案度量：这是比较简单的实现方案，稍微麻烦的地方在于根据alpha值计算红蓝绿值，使得alpha高的地方显示红色，alpha低的显示蓝色，中间部分显示黄/绿色(考虑到效率与简单性，使用了简单的三角函数，如果需要更为精确的色相渐变，可以使用幂次变换)。同时这个方案的缺点也十分明显：在点数据量低的时候效率很高，但是点数据超过10000之后就会有明显的时间延迟>3s，原因在于循环绘制渐变色会消耗资源。其次该方案的性能也会取决于画布的大小。画布大的情况，比如画布尺寸为1200*3000，对其取位数据的时候，将会循环360万次，同时进行3*360万sin运算~~对于客户端性能是个问题。

方法二

思路：对所有点数据进行计算，得出每个点的密度值，然后依据密度值由低到高，绘制点数据。

代码：

 
 


  
  
var points = [[x1, y1], [x2, y2], [x3, y3], [x4, y4]...];  

  
  
var cache = {};  

  
  
//计算每个点的密度  

  
  
for (var i = 0, len = points.length; i < len; i++) {  

  
  
for (var j = 0, len2 = points[i].length; j < len2; j++) {  

  
  
var key = points[i][j][0] + '*' + points[i][j][1];  

  
  
if (cache[key]) {  

  
  
cache[key] ++;  

  
  
} else {  

  
  
cache[key] = 1;  

  
  
}  

  
  
}  

  
  
}  

  
  
//点数据还原  

  
  
var oData = [];  

  
  
for (var m in cache) {  

  
  
if (m == '0*0') continue;  

  
  
var x = parseInt(m.split('*')[0], 10);  

  
  
var y = parseInt(m.split('*')[1], 0);  

  
  
oData.push([x, y, cache[m]]);  

  
  
}  

  
  
//简单排序，使用数组内建的sort  

  
  
oData.sort(function(a, b){  

  
  
return a[2] - b[2];  

  
  
});  

  
  
var max = oData[oData.length - 1][2];  

  
  
var pi2 = Math.PI * 2;  

  
  
//设置阈值，可以过滤掉密度极小的点  

  
  
var threshold = this._points_min_threshold * max;  

  
  
//alpha增强参数  

  
  
var pr = (Math.log(245)-1)/245;  

  
  
for (var i = 0, len = oData.length; i < len; i++) {  

  
  
if (oData[i][2] 0 ? 0 : 1);  

  
  
//q参数用于平衡梯度差，使之符合人的感知曲线log2N，如需要精确梯度，去掉log计算  

  
  
var q = parseInt(Math.log(oData[i][2]) / Math.log(max) * 255);  

  
  
var r = parseInt(128 * Math.sin((1 / 256 * q - 0.5 ) * Math.PI ) + 200);  

  
  
var g = parseInt(128 * Math.sin((1 / 128 * q - 0.5 ) * Math.PI ) + 127);  

  
  
var b = parseInt(256 * Math.sin((1 / 256 * q + 0.5 ) * Math.PI ));  

  
  
var alp = (0.92 * q + 20) / 255;  

  
  
//如果需要灰度增强，则取消此行注释  

  
  
//var alp = (Math.exp(pr * q + 1) + 10) / 255  

  
  
var radgrad = this.context.createRadialGradient(oData[i][0], oData[i][1], 1, oData[i][0], oData[i][1], 8);  

  
  
radgrad.addColorStop( 0, 'rgba(' + r + ',' + g + ','+ b + ',' + alp + ')');  

  
  
radgrad.addColorStop( 1, 'rgba(' + r + ',' + g + ','+ b + ',0)');  

  
  
this.context.fillStyle = radgrad;  

  
  
this.context.fillRect( oData[i][0] - 8, oData[i][1] - 8, 16, 16);  

  
  
} 
 
 

以上代码结果如下：

大约处理了25000个点，用时大约700ms(鄙人的小本性能还行)。属于可接受范围内。

方案度量：此方案性能比方案一有明显优势。目前Marmot采用此方案。