Q96:PT(3.2):包裹的基于噪声的纹理(Wrapped Noise-Based Textures)
标题中的“PT”表示:Procedural Texture(过程纹理)。表示该章节属于“过程纹理”的内容。
当前章节在“过程纹理”内容中的位置:
过程纹理(0)——概述
过程纹理(1)——方格纹理(1)——3D方格纹理
过程纹理(1)——方格纹理(2)——2D方格纹理(1)——平面2D方格纹理
过程纹理(1)——方格纹理(2)——2D方格纹理(2)——球面2D方格纹理
过程纹理(1)——方格纹理(2)——2D方格纹理(3)——圆柱2D方格纹理
过程纹理(2)——纹理的仿射变换
过程纹理(3)——基于噪声的纹理(0)——概述
过程纹理(3)——基于噪声的纹理(1)——Basic Noise Texture
过程纹理(3)——基于噪声的纹理(2)——Wrapped Noise Texture
1,理论
所谓“包裹的噪声纹理”,相对于基本的噪声纹理,其实就是:对其get_color()返回的结果(即“求和”的结果)进行放大(即乘以一个大于1的系数),然后将乘积的结果包裹到[0,1]之间(即换算到[0,1]之间)。
下面我们以FBmTexture为例进行说明。
定义一个相对应的“包裹的噪声纹理”FBmTextureWrapped。
FBmTextureWrapped和FBmTexture唯一差异的地方在get_color():
2,测试图形
2.1 测试代码
相对于基本噪声纹理测试是的测试代码,只需将FBmTexture换成FBmTextureWrapped即可。
2.2 输出图形
求和项数2,求和幅值0.25,求和频率2;前边的是放大系数为2,后面的是放大系数为8。
求和项数2,求和幅值0.75,求和频率2;前边的是放大系数为2,后面的是放大系数为8。
求和项数2,求和幅值0.75,求和频率8;前边的是放大系数为2,后面的是放大系数为8。
求和项数2,求和幅值0.25,求和频率8;前边的是放大系数为2,后面的是放大系数为8。
求和项数8,求和幅值0.25,求和频率8;前边的是放大系数为2,后面的是放大系数为8。
求和项数8,求和幅值0.75,求和频率8;前边的是放大系数为2,后面的是放大系数为8。
求和项数8,求和幅值0.75,求和频率2;前边的是放大系数为2,后面的是放大系数为8。
求和项数8,求和幅值0.25,求和频率2;前边的是放大系数为2,后面的是放大系数为8。
3,其他说明
完整代码下载路径:http://download.csdn.net/detail/libing_zeng/9798147
Referrance:
[1]. Kevin Suffern, Ray Tracing from theGround Up, A K PetersLtd, 2007.
Q96:PT(3.2):包裹的基于噪声的纹理(Wrapped Noise-Based Textures)相关推荐
- Q96:PT(3.1):基本的基于噪声的纹理(Basic Noise-Based Textures)
标题中的"PT"表示:Procedural Texture(过程纹理).表示该章节属于"过程纹理"的内容. 当前章节在"过程纹理"内容中的位 ...
- Q96:PT(3):基于噪声的纹理(Noise-Based Textures)(0)——概述
标题中的"PT"表示:Procedural Texture(过程纹理).表示该章节属于"过程纹理"的内容. 当前章节在"过程纹理"内容中的位 ...
- 基于噪声学习的卷积降噪自动编码器用于图像去噪
python tensorflow1.14实现 卷积降噪自动编码器用于图像去噪,这个博客主要是借鉴了DnCNN用于图像去噪的方式,论文可以直接搜到(https://arxiv.org/pdf/1608 ...
- python cnn 实例_基于CNN的纹理合成实践【附python实现】
Q0: Preliminary knowledge of Texture Synthesis Baseline请见此处,下文所有的代码修改均建立此代码基础之上. 1. 纹理合成简述 纹理合成(Tex ...
- 基于块的纹理合成 matlab程序,基于块的纹理合成方法和装置制造方法
基于块的纹理合成方法和装置制造方法 [专利摘要]本发明公开了一种基于块的纹理合成方法和装置.其中,该方法包括:查找候选纹理块集合中的每个候选纹理块与在目标纹理图中已合成纹理块的重叠区:将已合成纹理块中 ...
- Glcm 灰度共生矩阵,保姆级别教程,获取图片的Glcm和基于Glcm的纹理特征,附讲解思路,python代码的实现
保姆级别教程,获取图片的Glcm和基于Glcm的纹理特征,附讲解思路,python代码的实现 网络上Glcm的原理很多,但是实现的python代码我确实没找到,讲的也不是很清楚 此文介绍了如何在一张图 ...
- CVPR 2019 论文解读 | 基于多级神经纹理迁移的图像超分辨方法 (Adobe Research)
基于多级神经纹理迁移的图像超分辨方法 超分辨(Super-Resolution)图像恢复旨在从低分辨模糊图像中恢复出高分辨的清晰图像,是计算机视觉中的一个重要任务,在工业界有非常强的应用前景.CVPR ...
- matlab 除噪点,MATLAB应用在基于噪声检测的图像均值去噪法
引言 图像是用各种观测系统以不同形式和手段观测客观世界而获得的,可以直接或间接作用于人眼并进而产生视知觉的实体,是人类感知世界的视觉基础,是人类获取信息.表达信息和传递信息的重要手段.研究表明,人类获 ...
- 基于噪声伪标签和对抗学习的医学图像分割标注高效学习
目录 背景: 面临问题: 解决方案: 一 没有图像标注对的学习 二 为训练图像生成伪标签 2.1 为训练图像生成伪标签 2.2 VAE-Based鉴别器 2.3 鉴别器引导的发生器信道校准 这里有 ...
最新文章
- 第四节 莎士比亚模板
- FineReport中以jws方式调用WebService数据源方案
- 【CyberSecurityLearning 75】DC系列之DC-6渗透测试(WordPress)
- 【问链财经-区块链基础知识系列】 第二十六课 隐私保护方法:多方安全计算和区块链
- 电话聊天狂人 (25 分)【简便解法】
- 计算机演示文稿教学实例课件,计算机图形学的教学演示文稿ppt课件.ppt
- primefaces教程_Primefaces BlockUI组件示例教程
- asp.net core的TagHelper简单使用
- 2月18日 Ubuntu 14.04下安装Gazebo(用于仿真)
- JAVAEE智慧树第二次作业
- Open Inventor:Windows下编译安装Coin3D
- 2020-03-13 MySQL 8 绿色安装
- 投影矩阵(投影变换)解惑
- 深圳市专精特新中小企业认定补贴政策及申报条件重点,补贴20-100万
- html中 videojs 播放m3u8文件【方式一】
- 《华为数据之道》-第7章 打造“数字孪生”的数据全量感知能力
- 微软 crm开发笔记 创建查询条件,生成Fetch.XML文件
- 如何解决:“Avoid hardcoding the debug mode
- unity 3d 中如何实现以物体的表面作为播放视频的位置,例如 立方体一个面上
- 嵌入式开发培训哪里找?学嵌入式培训课程就业怎么样