cocos2dx-3.0中的物理引擎Box2D

本文详细记录了解决Cocos2d-x项目中启用Box2D物理引擎所遇到的问题,包括修改预处理器定义、理解libExtensions库限制以及最终正确配置以实现Box2D引擎的正常运行。

~~~~我的生活,我的点点滴滴!!


        这几天学了点Box2D的皮毛,自以为掌握了点毛皮就想来用用,展示一下成果,殊不知困难重重,运行cocos2dx中的例子cpp-tests找到Box2D,

发现提示CC_ENABLE_BOX2D_INTEGRATION没定义,这一看就是宏开头没有打开。于是我找到源码后确实看到一个CC_ENABLE_BOX2D_INTEGRATION的宏

条件语句,于是我在cpp-test的【属性】--->【C++】--->【预处理器】预处理器定义,打开发现里面只chipmunk引擎的宏定义,于是我把他的值

改成0,添加了CC_ENABLE_BOX2D_INTEGRATION=1如下图:




改完后,美美的等着运行看效果,尼吗运行到那的时候崩溃,不过不是没有定义而是个断言,仔细看内容在工程中搜索,在下面的地方找到了:


void PhysicsSprite::setB2Body(b2Body *pBody)
{
#if CC_ENABLE_BOX2D_INTEGRATION
    _pB2Body = pBody;
#else
    CCASSERT(false, "Can't call box2d methods when Box2d is disabled");
#endif
}

运行跑到了这里:CCASSERT(false, "Can't call box2d methods when Box2d is disabled");才发现,在libExtensions中也有CC_ENABLE_BOX2D_INTEGRATION 这个启动Box2d的宏开关。我看了看CCPhysicsSprite.cpp这个文件,在文件的头部,有行注释:

#include "CCPhysicsSprite.h"

#if (CC_ENABLE_CHIPMUNK_INTEGRATION && CC_ENABLE_BOX2D_INTEGRATION)
#error "Either Chipmunk or Box2d should be enabled, but not both at the same time"
#endif

#if CC_ENABLE_CHIPMUNK_INTEGRATION
#include "chipmunk.h"
#elif CC_ENABLE_BOX2D_INTEGRATION
#include "Box2D/Box2D.h"
#endif

发现libExtensions库,只能同时支持一个物理引擎,要么是Chipmunk要么就是Box2d,默认是支持Chipmunk的,而我们需要使用Box2D,

当然并不是chipmunk不好,一个是C语言的物理引擎,一个是C++语言的引擎,那个资料多就学哪个。到此处,才真正找到根源,解决的

办法就是给libExtensions工程添加CC_ENABLE_BOX2D_INTEGRATION标记,并且让其=1,并让CC_ENABLE_CHIPMUNK_INTEGRATION=0。然后

编译,漫长的等待......





### Box Filter 的定义与应用 Box Filter 是一种常见的滤波器,在计算机视觉和图像处理领域被广泛应用于平滑化操作以及降噪。它通过计算局部区域像素值的平均来达到模糊效果,其核心思想是对输入图像中的每一个像素点取一个固定大小的邻域窗口,并对该窗口内的所有像素求均值。 在实际实现中,Box Filter 可以看作是一种特殊的卷积核(Convolutional Kernel),其中所有的权重均为相等的常数[^1]。这种特性使得它的计算非常高效,尤其适合实时应用场景下的快速预处理需求。 #### 使用 TensorFlow/Keras 实现 Box Filter 基于 Keras 提供的功能可以轻松构建并应用 Box Filter 到图像数据上。下面是一个简单的例子展示如何利用 `Keras` 中的 `Conv2D` 层模拟 Box Filter: ```python import numpy as np from tensorflow import keras def create_box_filter(size): """ 创建一个指定尺寸的盒状滤波器 """ filter_weights = np.ones((size, size)) / (size * size) return filter_weights[..., None] box_kernel = create_box_filter(3) # 定义一个 3x3 大小的 box filter input_shape = (None, 64, 64, 1) # 假设输入图片为灰度图,分辨率为 64x64 model = keras.models.Sequential([ keras.layers.InputLayer(input_shape=input_shape[1:]), keras.layers.DepthwiseConv2D( kernel_size=3, depth_multiplier=1, strides=1, padding="same", use_bias=False, weights=[box_kernel], name="box_filter_layer" ) ]) # 测试模型 test_image = np.random.rand(*input_shape).astype(np.float32) output = model.predict(test_image) print("Input shape:", test_image.shape) print("Output shape:", output.shape) ``` 上述代码片段展示了如何创建一个自定义的 Box Filter 并将其作为卷积层的一部分嵌入到神经网络架构之中[^2]。这里需要注意的是,我们手动设置了卷积核参数而不是让它们成为可训练变量,这正是为了保持 Box Filter 的原始功能不变形。 #### 总结 Box Filters 虽然简单却十分有效,尤其是在需要降低噪声或者减少高频细节的时候尤为适用。然而由于缺乏方向性和频率选择能力,对于更复杂的特征提取任务来说可能不够灵活,因此通常会与其他类型的滤波器配合使用,比如高斯滤波器(Gaussian Blur) 或者 Sobel 边缘检测算子等等。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值