光栅图形学之直线段扫描算法(中点画线法)

计算机图形学-光栅图形学算法 光栅图形学算法 阅读详情

说明:本文章系作者学习资料整理,不完善的地方请大家指正,谢谢!

摘自《计算机图形学基础教程》清华大学出版社 孙家广 胡事民

 

 

我们知道利用任何画图工具,知道两个点之后,便可以在窗口画出一条直线,其计算机内部原理,便是利用了光栅化。计算机屏幕可以看作是有几行几列的单位正方形组成,在数学中线是没有宽度的。当线与正方形的边有交点时,我们需要判定选取正方形的哪个顶点作为线上的一个点。这便引出了图形扫描转换的算法。

 

中点画线法

我们知道直线y=k*x+b  可以写成y-k*x-b=0的形式;进而写成函数F(x,y)=y-k*x-b;注意在此我们要使得y的系数一定为正,这和我们以下讨论的直线和点的位置关系息息相关。只有y的系数是正的时候,以下关系式才成立;如果y的系数是负的话,下面的关系式是相反的;

当点在直线上方时,点的坐标带入函数,F(x,y)>0;

当点在直线下方时,点的坐标带入函数,F(x,y)<0;

当点在直线上时,点的坐标带入函数,F(x,y)=0;

已知点P1(x0,y0),P(x1,y1)并且都是整数坐标对。令dx=x1-x0; dy=y1-y0 ; 并且x1>x0恒成立,那么dx恒大于0; 且k=dy/dx;方程y-k*x-b=0改写成y-(dy/dx)*x-b=0;

最终函数F(x,y)=y*dx-x*dy-B;其中B=b*dx;

我们讨论

(1)0<k<=1的情况

沿着x轴的方向,x的值每次加一个单位,我们需要判断的就是纵坐标是加1还是保持原值。我们判断的依据是,当中点(直线与小正方形边点的交点所在边的中点)与直线的关系,通过上面讨论的关系式进行判断。

我们知道点(x0,y0)在直线上,带入函数,函数值等于0;我们将中点(x0+1,y0+0.5)带入函数F(x,y)中,

F(x0+1,y0+0.5)=(y0+0.5)*dx-(x0+1)*dy-B=F(x0,y0)+0.5*dx-dy;其中F(x0,y0)=0;

由于浮点数的出现会导致运算量的增大,我们令d=2*F(x,y),所以d0=dx-2*dy;

当d0>0时,中点在直线的上方,我们选取中点下方的整数坐标对,即点(x0+1,y0),也就是x++,而y的值不变。我们继续判断下一个中点(x0+2,y0+0.5),带入函数,d=2*F(x0+2,y0+0.5)=d0+(-2*dy);

其中d1=-2*dy看作是增量;

当d0<=0时,中点在直线的下方,我们选取中点上方的整数坐标对,即点(x0+1,y0+1);也就是x++,y++。我们继续判断下一个中点(x0+2,y0+1.5),带入函数,d=2*F(x0+2,y0+0.5)=d0+2*(dx-dy)

其中d2=2*(dx-dy)看作是增量;

(2)0>k>=-1的情况

 

 此时,情况有所不同,当沿着x轴,横坐标加单位1时,纵坐标在递减;所以d0=-dx-2*dy;

当d0>0时,中点在直线上方,取中点下方的点,即x++,y- -; d1=-2*(dx+dy);

当d0<=0时,中点在直线下方,取中点上方的点,即x++,纵坐标的值保持不变; d2=-2*dy;

(3)k>1的情况

此时,我们需要沿着y轴的方向,纵坐标加单位1,而横坐标在递增;我们需要判断的就是横坐标是加1还是保持原值。我们判断的依据是,当中点(直线与小正方形边点的交点所在边的中点)与直线的关系,通过上面讨论的关系式进行判断。

 

 

 

 

 

 

我们知道点(x0,y0)在直线上,带入函数,函数值等于0;我们将中点(x0+0.5,y0+1)带入函数F(x,y)中,

F(x0+0.5,y0+1)=(y0+1)*dx-(x0+0.5)*dy-B=F(x0,y0)+dx-0.5*dy;其中F(x0,y0)=0;

由于浮点数的出现会导致运算量的增大,我们令d=2*F(x,y),所以d0=2*dx-dy;

当d0>0时,中点在直线的上方,我们选取中点右方的整数坐标对,即点(x0+1,y0+1),也就是x++,y++。我们继续判断下一个中点(x0+1.5,y0+2),带入函数,d=2*F(x0+1.5,y0+2)=d0+2*(dx-dy);   其中d1=2*(dx-dy)看作是增量;

当d0<=0时,中点在直线的下方,我们选取中点左方的整数坐标对,即点(x0,y0+1),也就是y++,横坐标保持不变。我们继续判断下一个中点(x0+0.5,y0+2),带入函数,d=2*F(x0+0.5,y0+2)=d0+2*dx;

 

其中d2=2*dx看作是增量;

(4)k<-1的情况

此时,当沿着y轴,纵坐标减去单位1,而横坐标递增。所以d0=-2*dx-dy;

当d0>0时,中点在直线上方,取中点左方的点,即y- -,而横坐标的值保持不变;增量d1=-2*dx;

当d0<=0时,中点在直线下方,取中点右方的点,即y- -,x++;增量d2= -2*(dx+dy);

光栅图形学——直线段的扫描转换算法    数学上的直线是没有宽度、由无数个点构成的集合,显然,光栅显示器只能近地似显示直线。当我们对直线进行光栅化时,需要在显示器有限个象素中,确定最佳逼近该直线的一组象素,并且按扫描线顺序,对这些象素进行写操作,这个过程称为用显示器绘制直线或直线的扫描转换。 一、数值微分(DDA)算法1、算法原理     根据直线方程y=kx+b,由两个直线的端点(x0,y)(x1y1)可求得斜率k 阅读详情

相关推荐

光栅图形学(一)——直线段的扫描转换算法

1. 数值微分法   已知过端点P0(x0,y0)P_0(x_0,y_0)P0​(x0​,y0​),P1(x1,y1)P_1(x_1,y_1)P1​(x1​,y1​)的直线段L(P0,P1)L(P_0,P_1)L(P0​,P1​);直线斜率k=y1−y0x1−x0k = \frac{y_1 - y_0}{x_1 - x_0}k=x1​−x0​y1​−y0​​。画线的过程为:从xxx的左端点x0x_...

HachiLin的博客 1122

中点画线法|计算机图形学.直线段的扫描转换算法

若有直线(x1,y1)(x2,y2),其一般式为Ax+By+C=0,斜率为K。当0< K=0,y加1;若d

m0_61546943的博客 973

多边形的扫描转换算法——扫描线算法(计算机图形学)

扫描线算法是扫描转换多边形的常用算法,它充分利用了相邻像素之间的连贯性,避免了逐点判断和反复求交计算,达到了减少计算量和提高算法效率的目的。 处理对象:非自交多边形 (边与边之间除了顶点外无其它交点)。开发和利用相邻象素之间的连贯性是光栅图形学算法的重要技巧。 扫描线算法综合利用了区域的连贯性、扫描线的连贯性和边的连贯性等三种形式的连贯性。 **区域的连贯性:**相邻两条扫描线构成...

八爪鱼的博客 1万+

直线扫描转换(DDA画线算法)

直线的斜截式为 y=kx+b。 当 x=x+dx 时, y=y+k(dx)。 所以在描绘像素点的时候当x每+1的时候,y的增量为k。(|k|1的时候只需要交换 x y即可) 比如 (0,0) 到 (5,3) k=0.6。 x y int(y+0.5) 1 0.6 1 2 1.2 1 3 1.8 2 4

自己选择的路,跪着也要走完。 3768

02 光栅图形学算法-- 扫描转换、区域填充、反走样

💖💖感谢各位观看这篇文章,💖💖点赞💖💖、收藏💖💖、你的支持是我前进的动力!💖💖 💖💖感谢你的阅读💖,专栏文章💖持续更新!💖关注不迷路!!💖

炫云云 511

运用中点算法直线光栅化

运用中点算法对直线进行光栅化,直接输入直线的参数值。

直线绘制算法-中点画线法

之前讲过用数值积分法(DDA)进行直线逼近,通过向下取整获取目标像素点。计算过程中每一次都需要加0.5这一浮点数,浮点数运算效率相比整数运算效率低的多,因此需要对此进行改进。 一.中点画线法 直线方程式通过一般式表示:,调整A、B参数为整数。 点在直线上方则,点在直线直线下方则,点在直线上则 前提条件k∈[0,1],且坐标已经确定。接下来需要判断下一个点是取点还是取点。判断的依据是看和的中点位于直线上方还是下方,若位于直线上方则取点,位于直线下方则取点,正好位于直线上则任取均可。

SX2101111的博客 9896

envi反演水质参数_遥感水质反演之反演模型

水质反演的框架图此为反演模型的章节第一部分,统计学基础:概率论、矩阵和数理统计的知识统计学知识框架# 1 基本统计概念知识在于应用,而非记忆!我们都是在样本的层面去操作数据的,以达到对总体性质的估计和推断,拿到一组数据首先进行基本的统计描述,常用的有:样本均值: 样本方差(调整方差)不是除以n,而是n-1, 标准差为样本方差开方即可皮尔逊积矩相关系数(简称相关系数): 相关系数范围在[-1,...

weixin_35275922的博客 3229

计算机图形学中点画线法(MFC)

函数:F(x,y)=ax+by+c=0; a=y0-y1 b=x1-x0 c=x0y1-x1y0; (x0,y0)起点,(x1,y1)终点 1.当K>1时,y作为自变量,求x,则: 从起点开始:每次y++ d0=2b+a; 若d0>0,则取中点左边的点,下一个点的d=d0+2(a+b); d0<0,则取中点右边的点,下一个点的d=d0+2b; 重复直到终点。(PS:竖着看图) 例子: 从(1,0)—>(4,7),a=-7,b=3,c=7;d0=-1,则终点在直线下方,所以取左边点。

qq_46877697的博客 4691

深信服aCloud虚拟存储VS3.0实战:从数据分片到仲裁机制的全流程解析

本文深度解析了深信服aCloud虚拟存储VS3.0的核心架构与生产级实践。从数据分片、条带化写入、多副本机制到智能缓存分层,详细阐述了其如何实现高性能与高可靠性的平衡。同时,深入剖析了动态均衡、平滑扩容以及故障恢复与仲裁机制,为运维人员和技术决策者提供了在超融合基础架构(HCI)中部署和管理虚拟存储的实战指南。

net55的博客 588

VMware虚拟机的安装教程

VMware 虚拟机的备份与恢复是保障数据安全和业务连续性的重要措施。综上所述,VMware 虚拟机的备份与恢复策略有多种选择,企业和用户可以根据实际需求和资源情况选择适合自己的方案,以确保虚拟机数据的安全和业务的连续性。

huanghm88的专栏 3019

XJTUSE 计算机图形学 理论作业

XJTUSE 计算机图形学 理论作业

阿林爱吃大米饭的博客 1643

30分钟搭建AI科研写作工作台:基于WorkBuddy的论文全流程加速实践

在人工智能技术日益普及的今天,如何利用智能工具提升专业领域工作效率成为关键课题。其核心原理在于通过模块化设计,将复杂的任务流程拆解为可复用、可编排的标准化技能单元,并结合精准的指令控制,实现从通用对话到深度任务执行的转变。这一技术价值在于显著降低重复性劳动强度,将人的创造力聚焦于核心决策与创新环节。在科研写作、数据分析、代码开发等场景中,这类智能工作台能有效辅助完成文献调研、内容生成、格式校验等繁琐步骤。本文以科研论文写作为具体应用场景,深入探讨如何利用WorkBuddy这一智能工作台,通过配置核心科研技能

weixin_29032489的博客 1577

光栅图形学之直线段扫描算法(中点画线法之matlab代码)

说明:本文章系作者学习资料整理,不完善的地方请大家指正,谢谢!function  midpointline(x0,x1,y0,y1)  % MIDPOINTLINE函数利用中点画线法进行直线段的扫描。% MIDPOINTLINE函数根据给定的两个整数点坐标(X0,Y0)和% (X1,Y1),确定在这两点之间应选取的整数坐标点。% 输出的是一个画出了各整数点的图像。DY=Y1-Y0;

shenlongenjoyjava的专栏 4388

电荷灵敏前置放大器噪声优化策略:从理论到实践

本文深入探讨了电荷灵敏前置放大器的噪声优化策略,从理论分析到实践应用。文章系统解析了并联电流噪声与串联电压噪声的来源,并引入噪声等效原理与“冷电容”模型作为统一分析工具。通过详解a、b、c三类噪声的频谱特性,为实战优化提供了清晰指导。核心策略包括选用高跨导、低漏电流FET,优化静态工作点,采用共源-共基结构,精心设计反馈网络,以及实施严格的PCB布局、屏蔽与接地,旨在全面提升微弱信号检测系统的信噪比。

weixin_29292431的博客 470

基于Lora的一主多从监测与控制系统

题目:基于Lora的远程农业监测与控制系统 目的:通过Lora子节点采集好各种传感器的信息,发送给汇聚节点,汇聚节点将数据通过ESP8266上传至云端,使用了微信小程序进行监测与控制

热爱生活、奋斗前行 7844

光栅图形学之直线段扫描算法(中点画线法之代码)

 说明:本文章系作者学习资料整理,不完善的地方请大家指正,谢谢!      在前一篇文章中,我将直线斜率的任何一种情况都进行了讨论,包括了k在0和1之间,k在-1和0之间,以及k大于0,还有k小于-1,一共四种情况。现在给出代码如下:    void  MidpointLine(int x0,int x1,int y0,int y1) {    //我在次讨论的前提是x1>x0

shenlongenjoyjava的专栏 2460

Ubuntu 系统下安装 OpenClaw(原 Clawdbot)的详细指南

Ubuntu 系统下安装 OpenClaw(原 Clawdbot)的详细指南

Science prince的博客 3535

光栅图形学之直线段扫描算法(中点画线法之java代码)

说明:本文章系作者学习资料整理,不完善的地方请大家指正,谢谢!//DrawLine.javaimport javax.swing.*;import java.awt.*;public class  DrawLineDemo{ public static void main(String[] args)  {    CheckJFrame cjf = new CheckJ

shenlongenjoyjava的专栏 2996

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

计算机图形学完整笔记(二):光栅图形学算法

文章目录第二章 光栅图形学算法2.1 直线段的扫描转换算法2.1.1 直线段扫描转换算法概述2.1.2 数值微分法 (DDA)2.1.3 中点画线法2.1.4 Bresenham 算法2.2 多边形的扫描转换2.2.1 多边形表示方法2.2.2 X-扫描线算法2.2.3 边缘填充算法2.2.4 栅栏填充算法2.2.5 边界标志算法2.3 区域填充2.3.1 区域填充基础概念2.3.2 简单四连通种子填充算法2.3.3 区域填充与多边形扫描转化对比2.4 反走样2.4.1 走样现象2.4.2 反走样技术 第二

lucius-liu.cn 3433

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain&#39;s apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath(&#39;DeepLearnToolbox&#39;));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand(&#39;state&#39;,0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W&#39;); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand(&#39;state&#39;,0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = &#39;sigm&#39;;%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, &#39;Too big error&#39;);```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand(&#39;state&#39;,0)sae = saesetup([784 100]);sae.ae{1}.activation_function = &#39;sigm&#39;;sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)&#39;)% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;;nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, &#39;Too big error&#39;);```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x&#39;,28,28,60000))/255;test_x = double(reshape(test_x&#39;,28,28,10000))/255;train_y = double(train_y&#39;);test_y = double(test_y&#39;);%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you&#39;ll get around 1.2% errorrand(&#39;state&#39;,0)cnn.layers = { struct(&#39;type&#39;, &#39;i&#39;) %input layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 6, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 2) %sub sampling layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 12, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, &#39;Too big error&#39;);```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, &#39;Too big error&#39;);%% ex2 neural net with L2 weight decayrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);%% ex3 neural net with dropoutrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);%% ex4 neural net with sigmoid activation functionrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);%% ex5 plotting functionalityrand(&#39;state&#39;,0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = &#39;softmax&#39;; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand(&#39;state&#39;,0)nn = nnsetup([784 20 10]); nn.output = &#39;softmax&#39;; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

光栅图形学算法(一)

前言   随着光栅显示器的出现,为了在计算机上处理、显示图形,需要发展一套与之相适应的算法:光栅图形学算法 光栅图形学算法的研究内容 直线段的扫描转换算法 多边形的扫描转换与区域填充算法 裁剪算法 反走样算法 消隐算法 直线段的扫描转换算法   在数学上,直线上的点有无穷多个。但要在计算机光栅显示器屏幕上表示这条直线,用有限的点来表示无限的点

1万+

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白

计算机图形学(二)

光栅图形学算法现在主流显示器是光栅显示器,因此发展一套与之相关的算法 光栅图形算法多数属于计算机图形的底层算法 光栅图形学算法的研究内容: 1. 直线段的扫描转换算法 2. 多边形的扫描转换与区域填充算法 3. 裁剪算法 4. 反走样算法 5. 消隐算法1. 直线段的扫描转换算法在数学上,直线上的点有无穷多个。但在光栅扫描显示器上,像素点是有限的,要用有限的像素逼近直线上无

flamingobaby的博客 1236

计算机图形学知识点(未更新完)

计算机图形学笔记: 第一章 --图形显示设备 图形显示和图形绘制 显示器,打印机,绘图仪等 对于显示器: CRT:阴极射线管 利用电磁场产生高速的电子束,轰击荧光材料,产生可见图形。 刷新频率:刷新一次是指电子束从上到下烧苗一次的过程。 刷新频率高到一定值时,图像才能稳定显示(60hz)。 彩色显示:荧光屏上有三种荧光物质,电子枪发射三束电子束。 缺点:---屏幕加大要求长的...

luoshiyong123的博客 1849

计算机图形学 学习笔记(一):概述,直线扫描转换算法:DDA,中点画线算法,Bresenham算法

前言本笔记基于 http://www.icourse163.org/learn/CAU-45006?tid=1001746004#/learn/announce感谢中国农大 赵明老师的分享~现在我要为我自己走向游戏编程打下基石~1 计算机图形学概论1.1 计算机图形学课程简介《计算机图形学》是计算机、地理信息系统、应用数学、机械、建筑等专业本科教学中的一门重要的专业基础课如图像处理、模式识别、多媒

学愈进而愈惘 2万+

计算机图形学 第四章 光栅图形学

计算机图形学 第四章 光栅图形学的相关内容,包括:直线段的扫描转换算法、圆弧的扫描转换算法、多边形区域填充、字符的生成、裁剪、反走样 等

airhaohan 的博客 1031
上一篇: 初学者
下一篇: 光栅图形学之直线段扫描算法(中点画线法之代码)
shenlongenjoyjava
博客等级 码龄17年 25粉丝 13原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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