LOST OF DETAIL!!!的数学原理
主要是这两个公式:
L/D<C;
f=L/(D*C*D2*(max(c*d2,1));
f<1;
基本上看不懂!!
但是从原理上来思考的话,应该归结为以下两点:
1.所有的长度的方块经过投影之后应该是同一个长度或者比它更大。
(保证一个屏幕上没有过多的三角形)
2.垂直方向上,要么,我们的分解后,产生的高度误差,经过投影之后,产生的像素误差小于某一个阀值k;
第一个:
D1为它的实际边长,那么它经过投影之后的长度为:
D12=D1×(NearH/L);
L为距离,NearH为近裁剪面高度的一般。
如果D12比较大,说明不够精细!!!!!
D12>MAX
这个时候,进行分解。
L/D<NearH/MAX;
把这个值设为C ,那么C×C就是我们能容忍的最少数量。
如过一个每一个小方块没有达到那个不等式标准,正方形的数量就会过少而失真。
只要这个成立就一直分解么!!!
非也!!!!!!!!!!!
因为分解到不能再分解,也就是说:还有个条件:
!!!!!!
D>1;好,现在一切OK!!
现在说第二个问题:
如果失真过多怎么办,也就是在高度上产生的误差很大!!!!!!!!
比如说一个边长为D的正方形,5个点的添加,增加了图像的质量,但是在高度上产生的最大差为D2;
那么,
D2的投影如果比一个定值小,说明不用分解!!因为足够精细了,,,,
但是如果D2的投影比一个定值大,说明必须分解!!因为不够精细了!!!!
MAX 为屏幕视觉上容忍的最大误差。
D2×(NearH/L)>MAX;
联合以上两种情况,可以得出以下方程:
L/D<NearH/MAX;
D2×(NearH/L)>MAX2;
好了,考察L:
L<D*NearH/MAX;
L<D2*NearH/MAX2;
我们发现了什么哈哈!!!!!!!!!!!!很经典吧!!!!!!!!!!!
只要满足其中之一,我们就可以说它可以不用分解了!!!!!!!!!
继续推导!!!
改写为:
D*NearH/(L*MAX)>1;
D2*NearH/(MAX2*L)>L;
设 c=D×MAX2/(D2×MAX)
现在看看多么漂亮吧!!!!!
D/MAX是什么,比值!!它表明了实际的边长和期待的最大边长的比,这个是水平方向
D2/MAX2是什么比值!!它表明了实际的误差和期待的误差的比,这个是垂直方向
逻辑应该是这样:
如果垂直方向比较大,说明实际误差大。。。
如果水平方向比较大,说明水平边长比较大。。。
他们当中我们取最大那一个,如果最大的实际误差都能满足我们的不等式!!!!!!,那么,我们可以肯定的说:
它符合我们的条件!!!!!!!!!!!!!!!!!!!!!
好了!!!!!!!!!!!!!!!c的值说明了我们的期待。。。。。。。。。。
c的值越大,说明了我们对于垂直方向的一个要求精度越高!!!!!!!!!!!!!!!!!!!!!!!!!
- 大小: 27 KB
- 大小: 5.5 KB
- 大小: 6 KB
- 大小: 2.9 KB
- 大小: 2.9 KB
- 大小: 2.7 KB
- 大小: 2.8 KB
- 大小: 2.7 KB
- 查看图片附件
LOST OF DETAIL!!!的数学原理相关推荐
- 机器学习数学原理(8)——霍夫丁不等式
机器学习数学原理(8)--霍夫丁不等式 这一篇博文主要是为后面的介绍学习理论(Learning Theory)的博文做铺垫.在学习理论中将会使用到霍夫丁不等式作为其引论之一.当然也可以选择直接接受引论 ...
- 卡尔曼滤波器(THE KALMAN FILTER)的数学原理
0.内容提要 这篇博客想试图证明卡尔曼滤波器(KALMAN FILTER),即就是说明KF(KALMAN FILTER)和EKF(EXTENDED KALMAN FILTER)算法中的步奏是怎么来的, ...
- 深入卷积神经网络背后的数学原理 | 技术头条
参加「CTA 核心技术及应用峰会」,请扫码报名 ↑↑↑ 作者 | Piotr Skalski 译者 | Monanfei 编辑 | 十月Rachel.Jane 出品 | AI科技大本营(id:rgzn ...
- 解析深度神经网络背后的数学原理!
作者 | Piotr Skalski 译者 | 巧克力 编辑 | Jane 出品 | AI科技大本营 [导读]为了更好地理解神经网络的运作,今天只为大家解读神经网络背后的数学原理.而作者写这篇文章的目 ...
- 技术干货 | 如何选择上班路线最省时间?从A/B测试数学原理说起
作者 | 陈运文 当面对众多选择时,如何选才能最大化收益(或者说最小化我们的开销)?比如,怎么选择最优的上班的路线才能使途中花费的时间最少?假设每天上下班路线是确定的,我们便可以在账本中记下往返路线的 ...
- 深度学习最常用的10个激活函数!(数学原理+优缺点)
↑↑↑关注后"星标"Datawhale 每日干货 & 每月组队学习,不错过 Datawhale干货 作者:Sukanya Bag,来源:机器之心 激活函数是神经网络模型重要 ...
- 人工神经网络背后的数学原理!
↑↑↑关注后"星标"Datawhale 每日干货 & 每月组队学习,不错过 Datawhale干货 作者:贾博文,浙江大学,Datawhale原创作者 本文约8000字,建 ...
- 梯度下降背后的数学原理几何?
来自 | 深度学习这件小事 编辑 | Datawhale 对于诸位"机器学习儿"而言,梯度下降这个概念一定不陌生,然而从直观上来看,梯度下降的复杂性无疑也会让人"敬而 ...
- 高效“炼丹”必备技能:一文实现深度学习数学原理入门,还有吴恩达老师亲授课程...
贾浩楠 发自 凹非寺 量子位 报道 | 公众号 QbitAI 哪个程序员不想高效"炼丹"? 尤其是深度学习算法开发人员,追求模型结构优化和提高编程效率是永远的目标. 但是,如果只做 ...
最新文章
- The Six Best Practices(1~3)
- 西数硬盘固件刷新工具_鲁大师Q2季度硬盘排行:三星、西数上榜产品最多
- linux跨服务器复制文件夹,linux下跨服务器文件文件夹的复制
- MyBatis -- 结果集映射
- Apache Cassandra和Apache Ignite:关系并置和分布式SQL
- java web 静态_「Java Web」主页静态化的实现
- WinCE6.0的EBOOT概要
- SharePoint 开发TimerJob 介绍
- 2018-2019-2 20165222《网络对抗技术》Exp9 Web安全基础
- dialog对话框初始化 mfc_MFC添加子对话框及如何初始化
- 如何保持最佳 MacBook 温度?
- 【上采样问题】将浮点运算转换成整数运算
- 2020最新Java常见面试题及答案
- 松翰单片机 c语言例程 宏定义出错,求助.松翰单片机 2714 用仿真器可以 , 但是烧到单片机不行. (amobbs.com 阿莫电子论坛)...
- TIBCO.Rendezvous简单的发消息的过程
- HTML新特性-网页排版
- 拓嘉启远:拼多多前期没有流量如何补充
- CSS3中的transition和transform属性
- Vim常用操作,normal模式、insert模式和visual模式
- MusicTools下载 v3.4.0 全网免费无损音乐下载器
热门文章
- 英特尔的指令集体系结构_对标英特尔的RISC-V大有可为,CPU三分天下格局可期
- QtCreater的安装路径
- 数电实验报告实验一_大二下学期的两三事之数电实验amp;课设
- sql 排序_SQL聚合与排序
- java B2B2C Springcloud多租户电子商城系统-spring-cloud-eureka
- Kafka 安装配置及快速入门
- MySQL中字段类型与合理的选择字段类型;int(11)最大长度是多少?varchar最大长度是多少?...
- jmeter名词解释之聚合报告
- Python 结巴分词(1)分词
- 【整理】OC中常用的关于时间格式的转换