AGG第十四课 agg::conv_dash 渲染虚线

本文介绍使用AGG库中的conv_dash类实现虚线绘制的方法。重点讲解如何通过调整实线长度和间隔来达到不同虚线效果,并展示了取消抗锯齿以提高渲染速度的技术。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

1文件引用和参数描述

文件定义:include/agg_conv_dash.h

类定义:

  template<class VertexSource, class Markers=null_markers>

      conv_dash(VertexSource& vs) :

          conv_adaptor_vcgen<VertexSource, vcgen_dash, Markers>(vs)

注意:需要传递顶点源作为构造参数。

      void add_dash(double dash_len, double gap_len)

第一个参数是实线的长度,第二个参数是两条实线之间的距离,通过构建若干条相距gap_len的实线,达到虚线的效果

使用经验

刚开始的时候,认为agg::conv_strokeagg::conv_dash是互相冲突的,认为前者是渲染实线,后者是渲染虚线,实际上,前者是渲染任何图形的轮廓线,虚线也是轮廓线的一种,只不过是进行了拆分吧了!!

3例子

 

代码如下:

              agg::path_storage ps1;

              ps1.move_to(200,200);

              ps1.line_to(1300,1300);

 

             agg::conv_dash<agg::path_storage>dash(ps1);

              //第一个参数是实线的长度,第二个参数是两条实线之间的距离,通过构建若干条

              //相距25的实线,达到虚线的效果

              dash.add_dash(5,25);//通不同的调整可以查看到效果,如果是5,5

              //可能完全没有任何的效果!!

             agg::conv_stroke<agg::conv_dash<agg::path_storage>>stroke(dash);

              //添加到渲染器中                     

              ras.add_path(stroke);

              //将线条渲染到内存图片当中,准备显示

              agg::render_scanlines_aa_solid(ras,sl,renb,agg::rgba8(255,0,0));

              ras.reset();

4虚线的宽度

如果当前的dash_len的长度比较短,可以取消抗锯齿,加快渲染的速度,可以对比查看效果尝试使用stroke.width函数设置宽度无效,dash没有提供设置线宽的函数

5取消虚线的抗锯齿

ras.gamma(agg::gamma_threshold(0.5));

例子如下:

  ras.reset();

  agg::path_storage ps;

  ps.move_to(30,40);

  ps.line_to(1300,1400);

 

  agg::conv_dash<agg::path_storage> dash(ps);

  dash.add_dash(10,30);

 

  agg::conv_stroke<agg::conv_dash<agg::path_storage>>stroke(dash);

  ras.add_path(stroke);

  //stroke.width(5);//测试线宽

  ras.gamma(agg::gamma_threshold(0.5));//测试抗锯齿

  agg::render_scanlines_aa_solid(ras,sl,renb,agg::rgba8(255,0,0));





     本文转自fengyuzaitu 51CTO博客,原文链接http://blog.51cto.com/fengyuzaitu/1961383:,如需转载请自行联系原作者



内容概要:该论文聚焦于T2WI核磁共振图像超分辨率问题,提出了一种利用T1WI模态作为辅助信息的跨模态解决方案。其主要贡献包括:提出基于高频信息约束的网络框架,通过主干特征提取分支和高频结构先验建模分支结合Transformer模块和注意力机制有效重建高频细节;设计渐进式特征匹配融合框架,采用多阶段相似特征匹配算法提高匹配鲁棒性;引入模型量化技术降低推理资源需求。实验结果表明,该方法不仅提高了超分辨率性能,还保持了图像质量。 适合人群:从事医学图像处理、计算机视觉领域的研究人员和工程师,尤其是对核磁共振图像超分辨率感兴趣的学者和技术开发者。 使用场景及目标:①适用于需要提升T2WI核磁共振图像分辨率的应用场景;②目标是通过跨模态信息融合提高图像质量,解决传统单模态方法难以克服的高频细节丢失问题;③为临床诊断提供更高质量的影像资料,帮助医生更准确地识别病灶。 其他说明:论文不仅提供了详细的网络架构设计与实现代码,还深入探讨了跨模态噪声的本质、高频信息约束的实现方式以及渐进式特征匹配的具体过程。此外,作者还对模型进行了量化处理,使得该方法可以在资源受限环境下高效运行。阅读时应重点关注论文中提到的技术创新点及其背后的原理,理解如何通过跨模态信息融合提升图像重建效果。
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