Python的随机性'；这是随机的

我正在使用Python生成使用虚线点画的图像。破折号的周期是恒定的，变化的是破折号/间距比。这会产生如下结果：

但是，在该图像中，虚线具有统一的原点，这会创建难看的垂直排水沟。所以我尝试将原点随机化以移除排水沟。这类方法可行，但有一个明显的模式：

想知道这是从哪里来的，我用堆叠的虚线做了一个非常简单的测试用例：

• 破折号比率：50%
• 短跑周期20px
• 使用

  random.uniform（-10.，+10.）

  （*）（在初始

  random.seed（）之后）将原点从-10px移动到+10px

增加了随机性：

所以还是有规律的。我不明白的是，要得到一个可见的排水沟，你需要有6到7个连续的值落在相同的范围内（比如说，总范围的一半），这应该是1/64的概率，但似乎在生成的200行中发生得更多

我是不是误解了什么？只是我们的大脑在看没有模式的模式吗？有没有更好的方法来生成更“视觉随机”的模式（python 2.7，最好不安装任何东西）

（*）部分像素在该上下文中有效

附件：我使用的代码（这是一个Gimp脚本）：

！/usr/bin/env python
#-*-编码：iso-8859-15-*-
#Gimp的Python脚本（需要Gimp 2.10）
#在400x400图像上运行以查看内容，而无需等待太久
#菜单项位于图像菜单栏的“测试”子菜单中
导入随机、回溯
从gimpfu进口*
def常数（最小换档、最大换档）：
返回0
def三角（minShift、maxShift）：
返回随机三角形（minShift、maxShift）
def均匀（最小换档、最大换档）：
返回随机均匀（minShift、maxShift）
def高斯（最小移位、最大移位）：
返回random.gauss（（minShift+maxShift）/2，（maxShift-minShift）/2）
变量=[（‘常数’、常数）、（‘三角形’、三角形）、（‘均匀’、均匀）、（‘高斯’、高斯）]
def生成（图像、名称、生成器）：
random.seed（）
layer=gimp.layer（图像、名称、图像.宽度、图像.高度、RGB_图像、100、层模式\u正常）
图像。添加_层（层，0）
图层填充（填充为白色）
path=pdb.gimp\u vectors\u new（图像，名称）
#生成路径，水平线相隔2倍，
#从左开始有一个随机偏移，从右到右结束
对于范围内的i（1，image.height，2）：
班次=发电机（-10,10.）
点数=[shift，i]*3+[image.width，i]*3
pdb.gimp_向量_笔划_新_自_点（路径，0，len（点），点，假）
pdb.gimp_image_add_向量（图像，路径，0）
#轻描淡写
pdb.gimp\u上下文\u集合\u前景（gimpcolor.RGB（0,0,0255））
pdb.gimp_上下文_集合_笔划_方法（笔划线）
pdb.gimp\u上下文\u集合\u线\u帽\u样式（0）
pdb.gimp\u上下文\u集\u线\u连接\u样式（0）
pdb.gimp\u上下文\u设置\u线\u斜接\u限制（0）
pdb.gimp_上下文_集合_线_宽度（2）
pdb.gimp\u上下文\u集合\u线\u破折号\u模式（2，[5,5]）
pdb.gimp\u可绘制\u编辑\u笔划\u项目（图层、路径）
def随机测试（图像）：
image.undo_group_start（）
gimp.context_push（）
尝试：
对于名称，生成器的变体为：
生成（图像、名称、生成器）
例外情况除外，如e：
打印e.args[0]
pdb.gimp_消息（e.args[0]）
traceback.print_exc（）
gimp.context_pop（）
image.undo_group_end（）
返回；
###登记
desc=“Python随机测试”
登记册(
“随机试验”，描述，，，，，，，，，描述，*，
[（PF_图像，“图像”，“输入图像”，无），]，[]，
随机测试，菜单=“/Test”，
)
main（）

这有点违反直觉，但当你将随机元素添加到一起时，随机性会变小。如果我正确地遵循，每个元素的范围是10px-30px。因此，10个元素的总大小是100px到300px，但分布并不均匀。极端情况是非常不可能的，平均而言，它将非常复杂ose到200px，这样基本的20px模式就会出现。你的随机分布需要避免这种情况

---

编辑：我发现我有点误解了，所有的破折号都是20px，带有随机偏移量。因此，我认为查看任何一组垂直破折号都会显得随机，但相同的随机集在页面上重复出现，给出了模式。

这样想：排水沟在被阻塞（或几乎如此）之前是可以感知的。只有当两条连续线路几乎完全不同步时才会发生这种情况（第一条线路中的黑色线段几乎位于下一条线路中的白色线段的上方）。这种极端情况仅发生在每10行中的一行，因此可见的排水沟似乎在被阻塞之前延伸了约10行

从另一个角度来看——如果你打印出图像，确实有一些长长的白色通道，你可以通过这些通道用钢笔很容易地画出一条线。为什么你的大脑不能感知它们

---

为了获得更好的视觉随机性，找到一种方法使连续的线条相互依赖，而不是相互独立，从而使几乎不同步的行为更频繁地出现。

我们在“随机”图片中看到图案至少有一个明显的原因：400x400像素只是相同的20x400像素重复20次

因此，每一个明显的动作都会平行重复20次，这确实有助于大脑分析图像

实际上，相同的10px宽图案重复40次，黑白交替：

您可以为每一行分别随机化破折号周期（例如，介于12和28之间）：

以下是相应的代码：

import numpy as np
import random

from matplotlib import pyplot as plt
%matplotlib inline
plt.rcParams['figure.figsize'] = [13, 13]

N = 400

def random_pixels(width, height):
    return np.random.rand(height, width) < 0.5

def display(table):
    plt.imshow(table, cmap='Greys', interpolation='none')
    plt.show()

display(random_pixels(N, N))

def stripes(width, height, stripe_width):
    table = np.zeros((height, width))
    cycles = width // (stripe_width * 2) + 1
    pattern = np.concatenate([np.zeros(stripe_width), np.ones(stripe_width)])
    for i in range(height):
        table[i] = np.tile(pattern, cycles)[:width]
    return table

display(stripes(N, N, 10))

def shifted_stripes(width, height, stripe_width):
    table = np.zeros((height, width))
    period = stripe_width * 2
    cycles = width // period + 1
    pattern = np.concatenate([np.zeros(stripe_width), np.ones(stripe_width)])
    for i in range(height):
        table[i] = np.roll(np.tile(pattern, cycles), random.randrange(0, period))[:width]
    return table

display(shifted_stripes(N, N, 10))

def flexible_stripes(width, height, average_width, delta):
    table = np.zeros((height, width))
    for i in range(height):
        stripe_width = random.randint(average_width - delta, average_width + delta)
        period = stripe_width * 2
        cycles = width // period + 1
        pattern = np.concatenate([np.zeros(stripe_width), np.ones(stripe_width)])
        table[i] = np.roll(np.tile(pattern, cycles), random.randrange(0, period))[:width]
    return table

display(flexible_stripes(N, N, 10, 4))

将numpy导入为np
随机输入
从matplotlib导入pyplot作为plt
%matplotlib内联
plt.rcParams['figure.figsize']=[13,13]
N=400
def随机_像素（宽度、高度）：
返回np.rand.rand（高度、宽度）<0.5
def显示（表格）：
plt.imshow（表，
import numpy as np
import random

from matplotlib import pyplot as plt
%matplotlib inline
plt.rcParams['figure.figsize'] = [13, 13]

N = 400

def random_pixels(width, height):
    return np.random.rand(height, width) < 0.5

def display(table):
    plt.imshow(table, cmap='Greys', interpolation='none')
    plt.show()

display(random_pixels(N, N))

def stripes(width, height, stripe_width):
    table = np.zeros((height, width))
    cycles = width // (stripe_width * 2) + 1
    pattern = np.concatenate([np.zeros(stripe_width), np.ones(stripe_width)])
    for i in range(height):
        table[i] = np.tile(pattern, cycles)[:width]
    return table

display(stripes(N, N, 10))

def shifted_stripes(width, height, stripe_width):
    table = np.zeros((height, width))
    period = stripe_width * 2
    cycles = width // period + 1
    pattern = np.concatenate([np.zeros(stripe_width), np.ones(stripe_width)])
    for i in range(height):
        table[i] = np.roll(np.tile(pattern, cycles), random.randrange(0, period))[:width]
    return table

display(shifted_stripes(N, N, 10))

def flexible_stripes(width, height, average_width, delta):
    table = np.zeros((height, width))
    for i in range(height):
        stripe_width = random.randint(average_width - delta, average_width + delta)
        period = stripe_width * 2
        cycles = width // period + 1
        pattern = np.concatenate([np.zeros(stripe_width), np.ones(stripe_width)])
        table[i] = np.roll(np.tile(pattern, cycles), random.randrange(0, period))[:width]
    return table

display(flexible_stripes(N, N, 10, 4))