Python 3.x 柏林噪声理解
我找到了两个教程来解释柏林噪声是如何工作的,但在第一个教程中,我发现了不可理解的梯度之谜,在第二个教程中,我发现了冲浪之谜 第一例 第一个教程位于此处。首先,autor解释了值噪波,这是完全可以理解的,因为我们需要做的只是绘制一个随机颜色的网格,然后在颜色之间进行插值 但是说到柏林噪声,我们必须处理渐变,而不是单色。首先我认为梯度是颜色,所以如果我们有两个梯度,我们想在它们之间进行插值,我们必须取第一个梯度的一个点,然后用第二个梯度的相应点进行插值。但是如果梯度是相同的,我们会得到与梯度相同的结果 在本教程中,作者以另一种方式进行了说明。如果我们有一个由相同渐变填充的列组成的一维网格,每个渐变可以表示为从0到1的过渡(这里0是黑色,1是白色)。然后作者说 现在每个条纹都有相同的渐变,只是它们是偏移的 从一个到另一个。所以对于每一个t0,它右边的梯度是 t1=t0-1。让我们平滑地插值它们 这意味着我们必须在梯度和梯度之间插值,梯度表示为从0到1的过渡,梯度表示为从-1到0的过渡 这意味着每个渐变不会从值为0的位置开始,也不会在值为1的位置停止。它从-1开始,在2结束,或者它没有起点和终点。我们只能看到0到1的范围,我不明白为什么会这样。我们从哪里得到了连续梯度的概念?我以为每个条带只有从0到1的梯度,就这些,不是吗 当我问作者这一切时,他回答说这是显而易见的 右边的渐变是一个视觉参照。这是一个梯度 下一个更高的整数。你是对的,它会变成负数 左边他们都有 t0是在左边晶格点处为零的梯度 两个整数之间区域的边。t1是梯度 在同一区域右侧的晶格点处为零。 梯度噪声是通过在这两者之间插值得到的 晶格点之间的渐变。是的,这可以产生 负面结果,结果为黑色。这就是为什么下一步是 缩放并偏移结果 现在我觉得这对我来说是不可能理解的,所以我必须相信,然后跟着更聪明的人重复。但希望终将消逝,所以我请求你以某种方式向我解释它 第二种情况 第二个教程就在这里,它远没有前一个复杂。 我遇到的唯一问题是,我无法理解下一段以及接下来的内容 因此,我们可以只关注G的方向,并始终使用 单位长度向量。如果我们钳制衰减内核的乘积 在2×2平方之外的所有点上,梯度为0,这给了我们 在那句晦涩的句子中提到的冲浪板 我不确定问题是否出在我糟糕的数学或英语知识上,所以我请你用简单的话解释一下这到底意味着什么 这是我到目前为止写的一些代码,它与第二个案例有关Python 3.x 柏林噪声理解,python-3.x,image-processing,perlin-noise,Python 3.x,Image Processing,Perlin Noise,我找到了两个教程来解释柏林噪声是如何工作的,但在第一个教程中,我发现了不可理解的梯度之谜,在第二个教程中,我发现了冲浪之谜 第一例 第一个教程位于此处。首先,autor解释了值噪波,这是完全可以理解的,因为我们需要做的只是绘制一个随机颜色的网格,然后在颜色之间进行插值 但是说到柏林噪声,我们必须处理渐变,而不是单色。首先我认为梯度是颜色,所以如果我们有两个梯度,我们想在它们之间进行插值,我们必须取第一个梯度的一个点,然后用第二个梯度的相应点进行插值。但是如果梯度是相同的,我们会得到与梯度相同的结
import sys
import random
import math
from PyQt4.QtGui import *
from PyQt4.QtCore import pyqtSlot
class Example(QWidget):
def __init__(self):
super(Example, self).__init__()
self.gx=1
self.gy=0
self.lbl=QLabel()
self.tlb = None
self.image = QImage(512, 512, QImage.Format_RGB32)
self.hbox = QHBoxLayout()
self.pixmap = QPixmap()
self.length = 1
self.initUI()
def mousePressEvent(self, QMouseEvent):
px = QMouseEvent.pos().x()
py = QMouseEvent.pos().y()
size = self.frameSize()
self.gx = px-size.width()/2
self.gy = py-size.height()/2
h = (self.gx**2+self.gy**2)**0.5
self.gx/=h
self.gy/=h
self.fillImage()
def wheelEvent(self,event):
self.length+=(event.delta()*0.001)
print(self.length)
def initUI(self):
self.hbox = QHBoxLayout(self)
self.pixmap = QPixmap()
self.move(300, 200)
self.setWindowTitle('Red Rock')
self.addedWidget = None
self.fillImage()
self.setLayout(self.hbox)
self.show()
def fillImage(self):
step = 128
for x in range(0, 512, step):
for y in range(0, 512, step):
rn = random.randrange(0, 360)
self.gx = math.cos(math.radians(rn))
self.gy = math.sin(math.radians(rn))
for x1 in range(0, step):
t = -1+(x1/step)*2
color = (1 - (3 - 2*abs(t))*t**2)
for y1 in range(0, step):
t1 = -1+(y1/step)*2
color1 = (1 - (3 - 2*abs(t1))*t1**2)
result = (255/2)+(color * color1 * (t*self.gx+t1*self.gy) )*(255/2)
self.image.setPixel(x+x1, y+y1, qRgb(result, result, result))
self.pixmap = self.pixmap.fromImage(self.image)
if self.lbl == None:
self.lbl = QLabel(self)
else:
self.lbl.setPixmap(self.pixmap)
if self.addedWidget == None:
self.hbox.addWidget(self.lbl)
self.addedWidget = True
self.repaint()
self.update()
def main():
app = QApplication(sys.argv)
ex = Example()
sys.exit(app.exec_())
if __name__ == '__main__':
main()
float Noise::perlin1D(glm::vec3点,浮点频率)
{
//将点映射到频率空间
点*=频率;
//获取点所在的基整数
int i0=静态施法(地板(点x));
//从左整数到点的距离
浮点数t0=点x-静态_铸造(i0);
//从右整数到点的距离
浮点数t1=t0-1.f;
//确保基整数在哈希函数的范围内
i0&=hashMask;
//获取正确的整数(已在哈希函数的范围内)
int i1=i0+1;
//为左整数和右整数选择伪随机渐变
float g0=gradients1D[hash[i0]&gradientsMask1D];
float g1=gradients1D[hash[i1]&gradientsMask1D];
//取梯度和距离之间的点积
//获取影响值。(渐变越靠近点影响越大)
浮子v0=g0*t0;
浮点数v1=g1*t1;
//将该点映射到具有0的一阶导数和二阶导数的平滑曲线
浮动t=平滑(t0);
//沿平滑曲线插值我们的影响值
返回glm::混合物(v0,v1,t)*2.f;
}
下面是有问题的代码的注释版本。但改写C++。很明显,所有的功劳都归他所有
我们给了函数一个点p。假设点p是分数的,例如,如果p是.25,那么p左边的整数是0,p右边的整数是1。让我们分别称这些整数为l和r
t0是从l到p的距离,t1是从r到p的距离。t1的距离为负,因为从r到p必须朝负方向移动
如果我们继续讨论perlin噪声部分,那么g0和g1是一维的伪随机梯度。再一次,梯度在这里可能会混淆,因为g0和g1是浮点数,但梯度只是一个方向,在一维中只能为正或负,所以这些梯度是+1和-1。我们取梯度和距离之间的点积,但在一维中这只是乘法。点积的结果是两个浮点数v0和v1。这些是柏林噪声实施的影响值。最后,我们平滑地在
float Noise::perlin1D(glm::vec3 point, float frequency)
{
// map the point to the frequency space
point *= frequency;
// get the base integer the point exists on
int i0 = static_cast<int>(floorf(point.x));
// distance from the left integer to the point
float t0 = point.x - static_cast<float>(i0);
// distance from the right integer to the point
float t1 = t0 - 1.f;
// make sure the base integer is in the range of the hash function
i0 &= hashMask;
// get the right integer (already in range of the hash function)
int i1 = i0 + 1;
// choose a pseudorandom gradient for the left and the right integers
float g0 = gradients1D[hash[i0] & gradientsMask1D];
float g1 = gradients1D[hash[i1] & gradientsMask1D];
// take the dot product between our gradients and our distances to
// get the influence values. (gradients are more influential the closer they are to the point)
float v0 = g0 * t0;
float v1 = g1 * t1;
// map the point to a smooth curve with first and second derivatives of 0
float t = smooth(t0);
// interpolate our influence values along the smooth curve
return glm::mix(v0, v1, t) * 2.f;
}