图形学初识--纹理采样和Wrap方式

文章目录

  • 前言
  • 正文
    • 1、为什么需要纹理采样?
    • 2、什么是纹理采样?
    • 3、如何进行纹理采样?
        • (1)假设绘制区域为矩形
        • (2)假设绘制区域为三角形
    • 4、什么是纹理的Wrap方式?
    • 5、有哪些纹理的Wrap方式?
        • (1)Repeat
        • (2)Mirror_Repeat
        • (3)Clamp_To_Edge
        • (4)Clamp_To_Border
    • 6、如何实现纹理的Wrap方式?
        • (1)Repeat
        • (2)Mirror_Repeat
  • 结尾:喜欢的小伙伴可以点点关注+赞哦

前言

上节讲述了双线性插值算法,虽然也有提到主要应用的点就是纹理采样,但是对于这一块有些小小白可能还不了解,所以这一节补充一下纹理采样的内容!

请叫我贴心航火火!梦想为小白而生!

正文

1、为什么需要纹理采样?

想象一个场景: 如果有这么一个需求,需要在屏幕的一块400x400目标区域显示一张图片,正好这张图片的尺寸也是400x400像素,怎么做?

答: 啥都不需要做,是的,根本不需要做什么处理,直接一一对应像素显示即可!

但是,实际情况中,往往几乎不可能这么巧合的一一对应,要么纹理图片过大,要么纹理图片过小,没法一一对应,怎么办呢?

答: 通过引入一种机制,进行等比例对应,这就是uv坐标的由来,它本质上就表示百分比,一般地,uv坐标的标准取值范围是:0.0 - 1.0。

举个纹理图片过小的例子,如下图: 当我们需要绘制 400x400 窗口区域图片纹理大小是 200x200,如果要在窗口 (20, 20) 位置绘制,那么我们就相当于取纹理图片的 ( 20 / 400 , 20 / 400 ) = ( 0.05 , 0.05 ) (20 / 400 , 20 / 400) = (0.05, 0.05) (20/400,20/400)=(0.05,0.05) 比例位置的像素数据,也就是 ( 0.05 ∗ 200 , 0.05 ∗ 200 ) = ( 10 , 10 ) (0.05 * 200,0.05 * 200) = (10, 10) (0.052000.05200)=(10,10) 位置的数据!这里的 ( 0.05 , 0.05 ) (0.05, 0.05) (0.05,0.05)​ 其实就是uv坐标!

在这里插入图片描述

这里引申一下,由于上述举的例子是绘制区域大,纹理图片小。所以自然而然会存在多个绘制区域对应一个纹理像素位置的情况。这时候就应用到上节的内容。是直接采用最邻近的采样方式,还是双线性插值的方式,来缓解像素化的情况,取决于自身的需求!

2、什么是纹理采样?

在屏幕上某一像素绘制时,根据像素所在位置,去图片上寻找对应像素值的过程,这个过程就是纹理采样!如下图所示:

在这里插入图片描述

3、如何进行纹理采样?

其实需要采样的情形无非就是两种情况,上面也说了!纹理太大或太大。这里咱们只说纹理太小的情况,需要用到上一节的双线性插值的知识。

纹理太大的时,解决的思路无非就是让纹理变小,变到一个最适合绘制窗口的大小。如果想要适应各种绘制窗口大小,就需要利用MipMap的知识,后面章节有空的话,会把这部分给补上哦,童鞋们!

(1)假设绘制区域为矩形

需要在一个分辨率为 screen_width X screen_height 的矩形窗口区域绘制一张图片,这张图片分辨率为picture_width X picture_height,假设绘制区域左下角的uv坐标为 ( u x 0 , u y 0 ) (u_{x0}, u_{y0}) (ux0,uy0),右上角的uv坐标为 ( u x 1 , u y 1 ) (u_{x1}, u_{y1}) (ux1,uy1) ,且满足 0 = < u x 0 、 u x 1 、 u y 0 、 u y 1 < = 1.0 0 =< u_{x0}、u_{x1}、u_{y0}、u_{y1} <= 1.0 0=<ux0ux1uy0uy1<=1.0 ,则对于任何绘制区域坐标为 ( x , y ) (x,y) (x,y)​ 的uv坐标为
u x = x s c r e e n _ w i d t h ∗ u x 1 + ( 1 − x s c r e e n _ w i d t h ) ∗ u x 0 u y = y s c r e e n _ h e i g h t ∗ u y 1 + ( 1 − y s c r e e n _ h e i g h t ) ∗ u y 1 u_x = \frac{x}{screen\_width} *u_{x1} + (1 - \frac{x}{screen\_width}) * u_{x0}\\ u_y = \frac{y}{screen\_height} *u_{y1} + (1 - \frac{y}{screen\_height}) * u_{y1}\\ ux=screen_widthxux1+(1screen_widthx)ux0uy=screen_heightyuy1+(1screen_heighty)uy1
既然已经有了绘制区域每一个位置的uv坐标,咱么只需要根据uv坐标,去纹理图片进行采样像素值即可,至于采取何种采样方法,可以参考上一片文章,既可以采用最邻近取整的方式,也可以采取双线性插值的方式!这里根据用户需求,自行决定,不多赘述!

(2)假设绘制区域为三角形

给定三个顶点 p 1 = ( x 1 , y 1 ) 、 p 2 = ( x 2 , y 2 ) 、 p 3 = ( x 3 , y 3 ) p1 = (x_1,y_1)、p2 = (x_2,y_2)、p3 = (x_3,y_3) p1=(x1,y1)p2=(x2,y2)p3=(x3,y3) 并且给定三个顶点的uv坐标分别为 u 1 = ( u x 1 , u y 1 ) , u 2 = ( u x 2 , u y 2 ) , u 3 = ( u x 3 , u y 3 ) u_1 = (u_{x1},u_{y1}),u_2 = (u_{x2},u_{y2}),u_3 = (u_{x3},u_{y3}) u1=(ux1,uy1),u2=(ux2,uy2),u3=(ux3,uy3),如何得知三角形内每一个顶点 p ( x , y ) p(x,y) p(x,y) 的uv坐标呢?

这时候重心坐标插值公式,又派上用上了,之前的章节已经介绍过,就不过多阐释了!

这时候 每一个三角形内的顶点 p ( x , y ) p(x,y) p(x,y) 的uv坐标 u p = α u 1 + β u 2 + γ u 3 u_p = \alpha u_1 + \beta u_2 +\gamma u_3 up=αu1+βu2+γu3 ,三个系数根据重心坐标公式即可算得!这时候同样,根据uv坐标去纹理图片进行采样像素值即可!

简单给个参考图:

在这里插入图片描述

4、什么是纹理的Wrap方式?

虽然标准规定的uv坐标范围为: ( 0.0 , 1.0 ) (0.0, 1.0) (0.0,1.0) ,但是如果越界了,对应的uv坐标的采样值如何取呢?这个问题的答案就是纹理的Wrap属性!

5、有哪些纹理的Wrap方式?

常见的Wrap方式有四种:

  • Repeat
  • Mirror_Repeat
  • Clamp_To_Edge
  • Clamp_To_Border

这里分别简单介绍并给出示例图:

(1)Repeat

超出部分,不断循环重复

在这里插入图片描述

(2)Mirror_Repeat

超出部分,不断循环镜像重复

在这里插入图片描述

(3)Clamp_To_Edge

纹理坐标会被约束在0到1之间,超出的部分会重复纹理坐标的边缘,产生一种边缘被拉伸的效果

在这里插入图片描述

(4)Clamp_To_Border

超出的坐标为用户指定的边缘颜色

在这里插入图片描述

6、如何实现纹理的Wrap方式?

上述的第(3)和第(4)很好理解,咱们就讨论下第(1)种和第(2)种的计算方式吧!

(1)Repeat

计算公式:
记 f ( x ) 函数表示取浮点数 x 的小数部分 , 则坐标 ( u x , u y ) 的最终坐标为 u x = f (   f ( u x ) + 1   ) u y = f (   f ( u y ) + 1   ) 记f(x)函数表示取浮点数x的小数部分,则坐标(u_x, u_y)的最终坐标为\\ u_x = f(\ f(u_x) + 1\ )\\ u_y = f(\ f(u_y) + 1\ ) f(x)函数表示取浮点数x的小数部分,则坐标(ux,uy)的最终坐标为ux=f( f(ux)+1 )uy=f( f(uy)+1 )

举例佐证:

  • ( 1.2 , 2.2 ) = > (   f ( 0.2 + 1 ) , f ( 0.2 + 1 )   ) = > ( 0.2 , 0.2 ) (1.2, 2.2) => (\ f(0.2 + 1),f(0.2 + 1)\ ) => (0.2, 0.2) (1.2,2.2)=>( f(0.2+1),f(0.2+1) )=>(0.2,0.2) ok

  • ( 0.3 , 0.8 ) = > (   f ( 0.3 + 1 ) , f ( 0.8 + 1 )   ) = > ( 0.3 , 0.8 ) (0.3, 0.8) => (\ f(0.3 + 1),f(0.8 + 1)\ ) => (0.3, 0.8) (0.3,0.8)=>( f(0.3+1),f(0.8+1) )=>(0.3,0.8) ok

  • ( − 0.5 , − 2.2 ) = > (   f ( − 0.5 + 1 ) , f ( − 0.2 + 1 )   ) = > ( 0.5 , 0.8 ) (-0.5, -2.2) => (\ f(-0.5 + 1),f(-0.2 + 1)\ ) => (0.5, 0.8) (0.5,2.2)=>( f(0.5+1),f(0.2+1) )=>(0.5,0.8) ok

(2)Mirror_Repeat

计算公式:
记 f ( x ) 函数表示取浮点数 x 的小数部分 , 则坐标 ( u x , u y ) 的最终坐标为 u x = 1 − f (   f ( u x ) + 1   ) u y = 1 − f (   f ( u y ) + 1   ) 记f(x)函数表示取浮点数x的小数部分,则坐标(u_x, u_y)的最终坐标为\\ u_x = 1 - f(\ f(u_x) + 1\ )\\ u_y = 1 - f(\ f(u_y) + 1\ ) f(x)函数表示取浮点数x的小数部分,则坐标(ux,uy)的最终坐标为ux=1f( f(ux)+1 )uy=1f( f(uy)+1 )

举例佐证:

  • ( 1.2 , 2.2 ) = > (   1 − f ( 0.2 + 1 ) , 1 − f ( 0.2 + 1 )   ) = > ( 1 − 0.2 , 1 − 0.2 ) = > ( 0.8 , 0.8 ) (1.2, 2.2) => (\ 1 - f(0.2 + 1),1 - f(0.2 + 1)\ ) => (1 - 0.2, 1 - 0.2) => (0.8,0.8) (1.2,2.2)=>( 1f(0.2+1),1f(0.2+1) )=>(10.2,10.2)=>(0.8,0.8) ok
  • ( 0.3 , 0.8 ) = > (   1 − f ( 0.3 + 1 ) , 1 − f ( 0.8 + 1 )   ) = > ( 1 − 0.3 , 1 − 0.8 ) = > ( 0.7 , 0.2 ) (0.3, 0.8) => (\ 1 - f(0.3 + 1),1 - f(0.8 + 1)\ ) => (1 - 0.3, 1 - 0.8) => (0.7, 0.2) (0.3,0.8)=>( 1f(0.3+1),1f(0.8+1) )=>(10.3,10.8)=>(0.7,0.2) ok
  • ( − 0.5 , − 2.2 ) = > (   1 − f ( − 0.5 + 1 ) , 1 − f ( − 0.2 + 1 )   ) = > ( 1 − 0.5 , 1 − 0.8 ) = > ( 0.5 , 0.2 ) (-0.5, -2.2) => (\ 1 - f(-0.5 + 1),1 - f(-0.2 + 1)\ ) => (1 - 0.5, 1 - 0.8) => (0.5, 0.2) (0.5,2.2)=>( 1f(0.5+1),1f(0.2+1) )=>(10.5,10.8)=>(0.5,0.2) ok

结尾:喜欢的小伙伴可以点点关注+赞哦

希望对各位小伙伴能够有所帮助哦,永远在学习的道路上伴你而行, 我是航火火,火一般的男人!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:/a/652301.html

如若内容造成侵权/违法违规/事实不符,请联系我们进行投诉反馈qq邮箱809451989@qq.com,一经查实,立即删除!

相关文章

Facebook之魅:数字社交的体验

在当今数字化时代&#xff0c;Facebook作为全球最大的社交平台之一&#xff0c;承载着数十亿用户的社交需求和期待。它不仅仅是一个简单的网站或应用程序&#xff0c;更是一个将世界各地的人们连接在一起的社交网络&#xff0c;为用户提供了丰富多彩、无与伦比的数字社交体验。…

云原生|为什么服务网格能够轻松重塑微服务?一文讲清楚!

目录 一、概述 二、 设计 三、服务网格 四、总结 一、概述 容器化技术与容器编排推动了微服务架构应用的演进&#xff0c;于是应用的扩展与微服务的数量日益增加&#xff0c;新的问题随之而来&#xff0c;监控服务的性能变得越来越困难&#xff0c;微服务与微服务之间相互通…

深度学习实战-yolox训练ExDark数据集所遇到的错误合集

跳转深度学习实战-yolox训练ExDark数据集(附全过程代码,超详细教程,无坑!) 一、 训练时出现ap为零 情况1.数据集没导进去 修改exps/example/yolox_voc/yolox_voc_s.py 当然由于image_sets只有一个元素因此修改yolox/data/datasets/voc.py 情况2.iou设置过高 修改yolo…

【全开源】在线题库微信小程序系统源码(ThinkPHP+FastAdmin+UniApp)

打造个性化学习平台 一、引言&#xff1a;在线学习的未来趋势 在数字化时代&#xff0c;线上学习已逐渐成为主流。随着移动互联网的普及&#xff0c;小程序以其轻便、快捷、无需安装的特点&#xff0c;成为用户日常学习的新选择。为了满足广大用户对于在线学习的需求&#xf…

深度学习模型在OCR中的可解释性问题与提升探讨

摘要&#xff1a; 随着深度学习技术在光学字符识别&#xff08;OCR&#xff09;领域的广泛应用&#xff0c;人们对深度学习模型的可解释性问题日益关注。本文将探讨OCR中深度学习模型的可解释性概念及其作用&#xff0c;以及如何提高可解释性&#xff0c;使其在实际应用中更可…

SqlServer 2016 2017 2019安装失败-无法找到数据库引擎启动句柄

SqlServer 2016 2017 2019安装失败-无法找到数据库引擎启动句柄 出现以上问题的原因是因为系统账户无法操作数据库引擎服务。需要调整权限。 按照以下步骤解决&#xff0c;成功完成安装&#xff0c;已亲测&#xff1a; 1、如果您已经安装了相同版本的SQL Server&#xff0c;…

Net快速开发-创建和使用项目模板(多个项目(解决方案)打包)

1.从nuget安装模版包 下载安装官方模版 从 NuGet 包源安装 Microsoft.TemplateEngine.Authoring.Templates 模板。 从终端运行 dotnet new install Microsoft.TemplateEngine.Authoring.Templates 命令。2.创建模版 Microsoft.TemplateEngine.Authoring.Templates 包含可用于…

TiDB-从0到1-分布式事务

TiDB从0到1系列 TiDB-从0到1-体系结构TiDB-从0到1-分布式存储TiDB-从0到1-分布式事务TiDB-从0到1-MVCC 一、事务定义 这属于老生常谈了&#xff0c;无论不管是传统事务还是分布式事务都离不开ACID A&#xff1a;原子性C&#xff1a;一致性I&#xff1a;隔离性D&#xff1a;…

智能工厂:ThingsBoard网关在工业物联网中的桥梁作用

自动化及工业物联网 解放生产力的未来之路 在当今高度信息化的时代&#xff0c;工业自动化及工业物联网&#xff08;IIoT&#xff09;已成为工业制造领域的核心驱动力。随着人工智能、大数据和云计算等技术的持续发展&#xff0c;自动化及工业物联网正在以前所未有的速度改变…

shell脚本-函数

一、函数 1.函数的定义和格式 函数定义&#xff1a;封装的可重复利用的具有特定功能的代码 先定义函数&#xff0c;再调用函数&#xff0c;注意顺序 函数类似于命令的别名&#xff0c;别名一些简单的小命令 函数是某一个脚本的别名&#xff0c;有些脚本会重复使用 函数格…

音视频开发—音频相关概念:数模转换、PCM数据与WAV文件详解

文章目录 前言1.模拟数字转换&#xff08;ADC&#xff09;1.1ADC的关键步骤&#xff1a; 2.数字模拟转换&#xff08;DAC&#xff09;2.1DAC 的基本流程包括&#xff1a; 3.PCM数据3.1PCM 数据的关键要素包括&#xff1a; 4.WAV文件4.1 WAV的构成4.2WAV文件的标准块结构4.3WAV的…

浙江大学数据结构MOOC-课后习题-第六讲-图3 六度空间

题目汇总 浙江大学数据结构MOOC-课后习题-拼题A-代码分享-2024 题目描述 心路历程 当我看到慕课上对这题的简介写的是&#xff1a; 不过实现起来还是颇有码量的&#xff0c;有时间就尝试一下。 我甚至在想要不要在距离图书馆闭馆仅2个小时的时候&#xff0c;挑战这道题&#x…

Linux: network: TCP: zero window size/window full 示例

最近遇到一个问题,当前机器的CPU使用率非常高,然后导致其中一个程序处理socket的数据过慢,然后出现下面的zero的示例。 下面是在接收buff用光的时候,发出的 TCP zeroWindows的消息 这种问题就是内存,CPU,网速之间的性能取舍。具体解决的话,需要看具体的需要是什么样的?…

Monocular Model-Based 3D Tracking of Rigid Objects:2005年综述

1 Introduction 在视频序列中跟踪一个物体意味着在物体或摄像机移动时&#xff0c;持续识别其位置。根据物体类型、物体和摄像机的自由度以及目标应用的不同&#xff0c;有多种方法可供选择。二维跟踪通常旨在跟踪物体或物体部分的图像投影&#xff0c;这些物体的三维位移会导…

(十二)统计学基础练习题六(选择题T251-300)

本文整理了统计学基础知识相关的练习题&#xff0c;共50道&#xff0c;适用于想巩固统计学基础或备考的同学。来源&#xff1a;如荷学数据科学题库&#xff08;技术专项-统计学二&#xff09;。序号之前的题请看往期文章。 251&#xff09; 252&#xff09; 253&#xff09; 2…

测试驱动编程(4)模拟消除依赖

文章目录 测试驱动编程(4)模拟消除依赖模拟框架Mockito什么要模拟名词解释Mockito常用注解Mockito常用静态方法Mockito测试流程三部曲基础用法可变返回结果验证verfily对象监视spy 示例实战升级版井字游戏需求一需求二需求三 总结 测试驱动编程(4)模拟消除依赖 模拟框架Mockit…

硬盘文件可以直接剪切到另一个盘吗?分享方法与注意事项

在数字化时代&#xff0c;硬盘成为了我们存储和管理文件的重要设备。随着数据量的不断增长&#xff0c;我们有时需要将文件从一个硬盘盘符转移到另一个盘符&#xff0c;以便更好地组织和利用存储空间。硬盘文件剪切操作就是实现这一目标的有效方式之一。本文将详细介绍如何直接…

医疗小程序源码SpringBoot2.X + Vue + UniAPP全栈开发

源码说明&#xff1a; 看到好多坛友都在求SpringBoot2.X Vue UniAPP&#xff0c;全栈开发医疗小程序 – 带源码课件&#xff0c;我看了一下&#xff0c;要么链接过期&#xff0c;要么课件有压缩密码。 特意整理了一份分享给大家&#xff0c;个人认为还是比较全面的。 希望…

day16--集合进阶(Set、Map集合)

day16——集合进阶&#xff08;Set、Map集合&#xff09; 一、Set系列集合 1.1 认识Set集合的特点 Set集合是属于Collection体系下的另一个分支&#xff0c;它的特点如下图所示 下面我们用代码简单演示一下&#xff0c;每一种Set集合的特点。 //Set<Integer> set ne…

深度解析Nginx配置文件:从全局块到upstream块的探索之旅

Nginx配置文件的简介 在浩瀚的互联网世界中&#xff0c;Nginx就如同一座大型交通枢纽&#xff0c;将访问者的请求精准地引导到正确的服务终点。而这一切&#xff0c;都离不开一个神秘而重要的角色——Nginx配置文件。这个文件&#xff0c;就像是一份详尽的路线图&#xff0c;为…