近年来,急剧增长的数据规模导致太多的边拥挤在有限的展示空间中,所谓的视觉混乱(visualclutter)严重阻碍了点线图的可用性。边绑定将视觉上相似的边捆扎在一起形成可辨识的、所谓的边束,从而减少视觉混乱。边绑定能够在仅牺牲部分细节的条件下,揭露出数据中潜在的宏观模式,即骨架或骨干结构。这对于用户认知整体结构至关重要。学术界已经提出了若干种边绑定方法,它们基于不同的范式,例如,力导向模型,几何结构,路径规划,图片骨架提取等。然而,由于强烈的吸引效应,前人结果中表现出锋利且不必要的弯曲,在边束相交的区域形成有害的纠缠,引入误导用户的树枝状模式。因此,本文提出了边绑定的3个主要目标,即揭露骨架,形成可辨别的边束和尽可能让边束可追踪。我们设计了一个参数化的、6步组成的边绑定方法,命名为LEB,即层次边绑定算法。LEB依据边的方向属性,将边分配到不同的方向层次中,并依据穿过的边的数量和方向计算出单元格的权重。之后,在层次中进行基于参数化A*算法的路径规划。方向隔离有效地阻隔了不同方向边之间的相互污染。形成了更少弯曲、可辨识、可追踪的边束。我们也提出了充分利用算法产出、简单且有效的边束识别和着色算法,这使得结果更加清晰地凸显出不同的边束和整体结构。LEB算法中包含7个用户调节参数,我们讨论了各个参数影响的范围,调整方法和合理的初始值设定。我们在浏览器中实现了 LEB算法,基于JavaScript。实现中,利用路径复用技术减少了大量的冗余计算,这让算法复杂度主要依赖于网格粒度,而不是数据规模。表现试验充分支持了 LEB的高效性,在未利用计算优化的情况下,LEB已经都能够支持实时交互。我们在三个公开的、被广泛使用的数据集上,展示了 LEB的效果。结果显示LEB不仅达成了 3点目标,并且不论在固定顶点布局,还是抽象顶点布局场景上都能揭露出数据的整体结构。最后,为了评估和比较,我们设计了用户对比实验。实验要求被试使用固定数量的笔画勾画出绑定结果中的骨架。通过笔画覆盖边的数量之指标,我们量化了任务表现。统计结果充分支持了 LEB的优越性。不管是在哪个数据集中,LEB都具有最好的表现,且是统计上显著地区别(优于)其他边绑定结果。需要指出的是,学术界目前不存在对边绑定方法评估的有效实验。