5.1 反射

1.反射

2.镜面反射(高光反射)

3.环境反射


1.反射

我们通常说的反射有两种: 

a.镜面反射(Specular Reflection)

b.环境反射(Environment Reflection)

2.镜面反射(高光反射)

高光反射光照模型中, 我们计算的是光线直接照射到物体表面后, 沿镜面反射方向进入眼睛的光线; 我们模拟的是光滑表面的

高光效果, 计算时, 使用光线的入射光线和表面法线计算出反射方向, 然后判断反射方向与视线方向的接近程度

注: 这里的关键是, 我们假设光线是从光源发出, 经过表面反射后进入眼睛

a.你打开一盏台灯(点光源), 照在苹果上

b.苹果表面会出现一个明亮的高光点

c.这个高光点是台灯灯光在苹果表面的直接镜面反射

d.镜面高光是为了计算"光源在表面形成的高光点在哪里"

3.环境反射

环境反射描述的是从环境(比如天空, 墙壁, 其他物体)来的光线, 照射到光滑物体表面, 然后根据镜面反射定律, 反射并进

入了我们的眼睛(环境反射将周围的环境贴在物体表面了)

这个过程分解:

a.光线来源: 不是某个特定的灯泡, 而是整个环境; unity中这个环境被反射探针拍成了一个全景图(Cubemap)

b.反射行为: 在光滑表面上, 光线会像镜子一样, 按照"入射角=反射角"的定律进行反射

c.最终接收: 反射后的光线进入眼睛(相机), 我们就能够看到物体表面映照的环境影像

a.你关掉台灯, 打开房间的顶光(环境光)

b.现在你看苹果, 看不到一个明显的高光点, 但能看到苹果表面映照出了整个房间的模糊影像

- 桌子, 窗户, 你的手等

c.这个映照出的影像就是环境反射

计算原理: 为了找到苹果表面某一点应该映照出环境的哪个部分, 我们需要知道

a.眼睛的视线(视野方向V)碰到这个点后, 会像镜子一样朝哪个方向反射出去

b.这个反射方向R的计算公式是: R = reflect(-V, N) (基于视野方向V和法线N)

c.然后我们沿着这个反射方向R, 去环境贴图(反射探针拍的"全景照片")里查找颜色
源码来自:https://pan.quark.cn/s/a3a3fbe70177 AppBrowser(Application属性查看器,不需要越狱! ! ! ) 不需要越狱,调用私有方法 --- 获取完整的已安装应用列表、打开和删除应用操作、应用运行时相关信息的查看。 支持iOS10.X 注意 目前AppBrowser不支持iOS11应用查看, 由于iOS11目前还处在Beta版, 系统API还没有稳定下来。 等到Private Header更新了iOS11版本,我也会进行更新。 功能 [x] 已安装的应用列表 [x] 应用的详情界面 (打开应用,删除应用,应用的相关信息展示) [x] 应用运行时信息展示(LSApplicationProxy) [ ] 定制喜欢的字段,展示在应用详情界面 介绍 所有已安装应用列表(应用icon+应用名) 为了提供思路,这里只用伪代码,具体的私有代码调用请查看: 获取应用实例: 获取应用名和应用的icon: 应用列表界面展示: 应用列表 应用运行时详情 打开应用: 卸载应用: 获取info.plist文件: 应用运行时详情界面展示: 应用运行时详情 右上角,从左往右第一个按钮用来打开应用;第二个按钮用来卸载这个应用 INFO按钮用来解析并显示出对应的LSApplicationProxy类 树形展示LSApplicationProxy类 通过算法,将LSApplicationProxy类,转换成了字典。 转换规则是:属性名为key,属性值为value,如果value是一个可解析的类(除了NSString,NSNumber...等等)或者是个数组或字典,则继续递归解析。 并且会找到superClass的属性并解析,superClass如...
基于遗传算法辅助异构改进的动态多群粒子群优化算法(GA-HIDMSPSO)的LSTM分类预测研究(Matlab代码实现)内容概要:本文研究了一种基于遗传算法辅助异构改进的动态多群粒子群优化算法(GA-HIDMSPSO),并将其应用于LSTM神经网络的分类预测中,通过Matlab代码实现。该方法结合遗传算法的全局搜索能力与改进的多群粒子群算法的局部优化特性,提升LSTM模型在分类任务中的性能表现,尤其适用于复杂非线性系统的预测问题。文中详细阐述了算法的设计思路、优化机制及在LSTM参数优化中的具体应用,并提供了可复现的Matlab代码,属于SCI级别研究成果的复现与拓展。; 适合人群:具备一定机器学习和优化算法基础,熟悉Matlab编程,从事智能算法、时间序列预测或分类模型研究的研究生、科研人员及工程技术人员。; 使用场景及目标:①提升LSTM在分类任务中的准确性与收敛速度;②研究混合智能优化算法(如GA与PSO结合)在神经网络超参数优化中的应用;③实现高精度分类预测模型,适用于电力系统故障诊断、电池健康状态识别等领域; 阅读建议:建议读者结合Matlab代码逐步调试运行,理解GA-HIDMSPSO算法的实现细节,重点关注种群划分、异构策略设计及与LSTM的集成方式,同时可扩展至其他深度学习模型的参数优化任务中进行对比实验。
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