Anisotrope Filterung: Entschlüsselung der visuellen Komplexität in der Computer Vision
Von Fouad Sabry
()
Über dieses E-Book
Was ist anisotrope Filterung
Anisotrope Filterung ist eine Technik, die in dreidimensionalen Computergrafiken verwendet wird und dazu dient, die Bildqualität von Texturen auf Oberflächen von Computergrafiken zu verbessern in schrägen Blickwinkeln zur Kamera betrachtet werden. Diese Technik ist besonders nützlich in Situationen, in denen die Projektion der Textur nicht orthogonal zu sein scheint.
Wie Sie profitieren
(I) Einblicke, und Validierungen zu den folgenden Themen:
Kapitel 1: Anisotrope Filterung
Kapitel 2: Texture Mapping
Kapitel 3: Texture Filterung
Kapitel 4: Mipmap
Kapitel 5: Supersampling
Kapitel 6: Räumliches Anti-Aliasing
Kapitel 7: Beleuchtung pro Pixel
Kapitel 8: Rendering (Computergrafik)
Kapitel 9: Texturkomprimierung
Kapitel 10: Anti-Aliasing
(II) Beantwortung der häufigsten öffentlichen Fragen zu Anisotropie Filtern.
(III) Beispiele aus der Praxis für die Verwendung der anisotropen Filterung in vielen Bereichen.
Für wen dieses Buch gedacht ist
Profis, Studenten und Doktoranden, Enthusiasten, Hobbyisten und diejenigen, die über Grundkenntnisse oder Informationen für jede Art von anisotroper Filterung hinausgehen möchten.
Mehr von Fouad Sabry lesen
Ähnlich wie Anisotrope Filterung
Titel in dieser Serie (100)
Tonzuordnung: Tone Mapping: Erhellende Perspektiven in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenFarbraum: Erkundung des Spektrums von Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenAnisotrope Diffusion: Verbesserung der Bildanalyse durch anisotrope Diffusion Bewertung: 0 von 5 Sternen0 BewertungenHistogrammausgleich: Verbesserung des Bildkontrasts für eine verbesserte visuelle Wahrnehmung Bewertung: 0 von 5 Sternen0 BewertungenAffine Transformation: Visuelle Perspektiven freischalten: Erforschung der affinen Transformation in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenComputer Vision: Erkundung der Tiefen des Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenLärmminderung: Verbesserung der Klarheit, fortschrittliche Techniken zur Rauschunterdrückung in der Bildverarbeitung Bewertung: 0 von 5 Sternen0 BewertungenInpainting: Überbrückung von Lücken in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenHough-Transformation: Enthüllung der Magie der Hough-Transformation in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenComputer-Stereo-Vision: Erforschung der Tiefenwahrnehmung in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenRetinex: Enthüllen Sie die Geheimnisse des computergestützten Sehens mit Retinex Bewertung: 0 von 5 Sternen0 BewertungenFarbmanagementsystem: Optimierung der visuellen Wahrnehmung in digitalen Umgebungen Bewertung: 0 von 5 Sternen0 BewertungenUnterwasser-Computervision: Erkundung der Tiefen der Computer Vision unter den Wellen Bewertung: 0 von 5 Sternen0 BewertungenHarris Eckendetektor: Enthüllung der Magie der Bildmerkmalserkennung Bewertung: 0 von 5 Sternen0 BewertungenFilterbank: Einblicke in die Filterbanktechniken von Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenFarberscheinungsmodell: Wahrnehmung und Darstellung in Computer Vision verstehen Bewertung: 0 von 5 Sternen0 BewertungenGemeinsame Fotoexpertengruppe: Erschließen Sie das Potenzial visueller Daten mit dem JPEG-Standard Bewertung: 0 von 5 Sternen0 BewertungenBildhistogramm: Visuelle Einblicke enthüllen und die Tiefen von Bildhistogrammen in der Computer Vision erkunden Bewertung: 0 von 5 Sternen0 BewertungenFarbprofil: Erforschung der visuellen Wahrnehmung und Analyse in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenCanny Edge Detector: Enthüllung der Kunst der visuellen Wahrnehmung Bewertung: 0 von 5 Sternen0 BewertungenHomographie: Homographie: Transformationen in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenGamma-Korrektur: Verbesserung der visuellen Klarheit in der Computer Vision: Die Gammakorrekturtechnik Bewertung: 0 von 5 Sternen0 BewertungenBildkompression: Effiziente Techniken zur visuellen Datenoptimierung Bewertung: 0 von 5 Sternen0 BewertungenAktive Kontur: Weiterentwicklung der Computer Vision mit aktiven Konturtechniken Bewertung: 0 von 5 Sternen0 BewertungenFarbanpassungsfunktion: Spektrale Empfindlichkeit in Computer Vision verstehen Bewertung: 0 von 5 Sternen0 BewertungenZufallsstichprobenkonsens: Robuste Schätzung in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenFarbmodell: Das Spektrum des Computer Vision verstehen: Farbmodelle erkunden Bewertung: 0 von 5 Sternen0 BewertungenTrifokaler Tensor: Erforschung von Tiefe, Bewegung und Struktur in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenVisuelle Wahrnehmung: Einblicke in die computergestützte visuelle Verarbeitung Bewertung: 0 von 5 Sternen0 BewertungenFarbzuordnung: Erforschung der visuellen Wahrnehmung und Analyse in der Computer Vision Bewertung: 0 von 5 Sternen0 Bewertungen
Ähnliche E-Books
Volumen Rendern: Erforschung des Visuellen Realismus in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenKantenglättung: Verbesserung der visuellen Klarheit in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenTonzuordnung: Tone Mapping: Erhellende Perspektiven in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenBump-Mapping: Bump Mapping: Erforschung der Tiefe der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenSchattierung: Erforschung der Bildschattierung in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenCanny Edge Detector: Enthüllung der Kunst der visuellen Wahrnehmung Bewertung: 0 von 5 Sternen0 BewertungenPhong Schattierung: Erkundung der Tiefe des visuellen Renderings: Phong-Schattierung in der Bildverarbeitung Bewertung: 0 von 5 Sternen0 BewertungenBildsegmentierung: Erkenntnisse durch Pixelpräzision erschließen Bewertung: 0 von 5 Sternen0 BewertungenHistogrammausgleich: Verbesserung des Bildkontrasts für eine verbesserte visuelle Wahrnehmung Bewertung: 0 von 5 Sternen0 BewertungenKantenerkennung: Grenzen in der Computer Vision erkunden Bewertung: 0 von 5 Sternen0 BewertungenBewegungsschätzung: Fortschritte und Anwendungen in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenGouraud-Schattierung: Gouraud-Shading: Erhellende Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenVertex-Computergrafik: Erkundung der Schnittstelle zwischen Vertex Computer Graphics und Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenPHOTOKOLLEGIUM 6: Farbdruck & Colormanagement in der digitalen Fotografie Bewertung: 0 von 5 Sternen0 BewertungenFarbmanagementsystem: Optimierung der visuellen Wahrnehmung in digitalen Umgebungen Bewertung: 0 von 5 Sternen0 BewertungenRastergrafik-Editor: Visuelle Realitäten transformieren: Rastergrafik-Editoren in Computer Vision beherrschen Bewertung: 0 von 5 Sternen0 BewertungenTextur Zuordnung: Erforschung der Dimensionalität im Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenFarbzuordnung: Erforschung der visuellen Wahrnehmung und Analyse in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenFilterbank: Einblicke in die Filterbanktechniken von Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenScan Linien Rendern: Erforschung des visuellen Realismus durch Scan Linien Rendern Techniken Bewertung: 0 von 5 Sternen0 BewertungenComputer-Stereo-Vision: Erforschung der Tiefenwahrnehmung in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenBildbearbeitung für Anfänger: 30 Top Tipps für die Bildbearbeitung von digitalen Bildern Bewertung: 0 von 5 Sternen0 BewertungenRadiosity Computergrafik: Fortschrittliche Visualisierung durch Radiosität in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenKontextuelle Bildklassifizierung: Visuelle Daten für eine effektive Klassifizierung verstehen Bewertung: 0 von 5 Sternen0 BewertungenSchatten: Erkundung visueller Bereiche mit Shader: Eine Reise in die Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenRastergrafiken: Die Grundlagen der Rastergrafik in der Computer Vision verstehen Bewertung: 0 von 5 Sternen0 BewertungenPyramiden Bildverarbeitung: Erkundung der Tiefen der visuellen Analyse Bewertung: 0 von 5 Sternen0 BewertungenPHOTOKOLLEGIUM 5: Aufnahme & Bildbearbeitung in der digitalen Fotografie Bewertung: 0 von 5 Sternen0 BewertungenFarbprofil: Erforschung der visuellen Wahrnehmung und Analyse in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenSynthese anzeigen: Erkundung von Perspektiven in der Computer Vision Bewertung: 0 von 5 Sternen0 Bewertungen
Künstliche Intelligenz (KI) & Semantik für Sie
Einstieg ins Machine Learning: Grundlagen, Prinzipien, erste Schritte Bewertung: 0 von 5 Sternen0 BewertungenChatGPT: Begegnung mit einer neuen Welt: Lernen Sie Künstliche Intelligenz mit der Gratisversion ChatGPT 3.5 Bewertung: 0 von 5 Sternen0 BewertungenChatGPT: Epische Reise des Erfolgs - 'Steigern Sie Ihren Reichtum': Mit Screenshots aus dem echten Leben - Erreichen Sie finanzielle Höhen Bewertung: 0 von 5 Sternen0 BewertungenKünstliche Intelligenz: Die vierte industrielle Revolution Bewertung: 0 von 5 Sternen0 BewertungenKI-Innovationen: Wie die Technologie die Grenzen verschiebt Künstliche Intelligenz verstehen und nutzen: Ein AI-Buch Bewertung: 0 von 5 Sternen0 BewertungenMeistern von ChatGPT: Entriegeln Sie die Kraft der KI für verbesserte Kommunikation und Beziehungen: German Bewertung: 0 von 5 Sternen0 BewertungenMenschlicher Geist und Künstliche Intelligenz: Die Entwicklung des Humanen inmitten einer digitalen Welt Bewertung: 0 von 5 Sternen0 BewertungenDie Zukunft der Arbeit: Digitalisierung, Automatisierung, KI Bewertung: 0 von 5 Sternen0 BewertungenPsychologie des Sozialismus Bewertung: 0 von 5 Sternen0 BewertungenChatGPT – Für Einsteiger: Schreibprofi mit KI, Zeit und Geld sparen ohne peinliche Fehler Bewertung: 0 von 5 Sternen0 BewertungenChatbotische Medien-Gestaltung leicht gemacht: Von der Idee zum viralen Hit Bewertung: 0 von 5 Sternen0 BewertungenChatbotische Landingpages: Wie du deine Konkurrenz in den digitalen Staub schicken Bewertung: 0 von 5 Sternen0 BewertungenAufstieg der Roboter: Wie unsere Arbeitswelt gerade auf den Kopf gestellt wird - und wie wir darauf reagieren müssen Bewertung: 0 von 5 Sternen0 BewertungenDigitalotopia: Sind wir bereit für die (R)Evolution der Wirklichkeit? Bewertung: 0 von 5 Sternen0 BewertungenKünstliche Intelligenz in Sozialen Medien Bewertung: 0 von 5 Sternen0 BewertungenDie KI Bibel, mit künstlicher Intelligenz Geld verdienen: Echte Fallbeispiele und Anleitungen zum Umsetzen Bewertung: 1 von 5 Sternen1/5Die ChatGPT Geldverdienen Blaupause für Entrepreneure Bewertung: 0 von 5 Sternen0 Bewertungen"Meisterhaft mit ChatGPT": "Der umfassende Leitfaden zur effektiven Nutzung von KI-gestützten Gesprächspartnern" Bewertung: 0 von 5 Sternen0 Bewertungen
Rezensionen für Anisotrope Filterung
0 Bewertungen0 Rezensionen
Buchvorschau
Anisotrope Filterung - Fouad Sabry
Kapitel 1: Anisotrope Filterung
In der 3D-Computergrafik ist die anisotrope Filterung (abgekürzt AF) eine Technik zur Verbesserung der Bildqualität von Texturen auf Oberflächen bei schrägen Betrachtungswinkeln in Bezug auf die Kamera, bei der die Projektion der Textur (und nicht des Polygons oder eines anderen Primitivs, auf dem sie gerendert wird) nicht-orthogonal erscheint (daher der Ursprung des Wortes: an
für nicht, iso
für dasselbe, und tropisch
von tropism, in Bezug auf die Richtung; anisotrope Filterung filtert nicht in jede Richtung gleich).
Ähnlich wie bei der bilinearen und trilinearen Filterung reduziert die anisotrope Filterung Aliasing-Effekte, übertrifft sie jedoch, indem sie Unschärfe minimiert und Details bei hohen Betrachtungswinkeln beibehält.
Anisotrope Filterung ist relativ teuer (hauptsächlich Speicherbandbreite und in geringerem Maße rechnerisch, obwohl die typischen Regeln für den Raum-Zeit-Kompromiss gelten) und war daher bis in die späten 1990er Jahre kein Standardmerkmal von Grafikkarten für Endverbraucher. Die anisotrope Filterung ist in aktueller Grafikhardware (und Videotreibersoftware) immer weiter verbreitet und kann vom Benutzer über Treibereinstellungen oder von Grafikanwendungen und Videospielen über Programmierschnittstellen aktiviert werden.
Es wird erwartet, dass der Leser an dieser Stelle mit der MIP-Zuordnung vertraut ist.
Wenn wir einen anisotropen Algorithmus mit näherer Annäherung untersuchen würden, würden wir Folgendes finden: RIP-Mapping, als Fortsetzung des MIP-Mappings, Wir können verstehen, wie anisotrope Filterung das Textur-Mapping so signifikant verbessert.
Wenn wir eine horizontale Ebene in einem schrägen Winkel zur Kamera texturieren müssen, müssen wir die Textur drehen. Aufgrund eines Abfalls der Bildfrequenz entlang der vertikalen Achse würde die standardmäßige MIP-Map-Minimierung zu einer unzureichenden horizontalen Auflösung führen.
Dies liegt daran, dass jede MIP-Ebene beim MIP-Mapping isotrop ist, so dass eine 256 × 256 Textur auf ein 128 × 128 Bild verkleinert wird, dann auf ein 64 × 64 Bild und so weiter. Folglich halbiert sich die Auflösung auf jeder Achse gleichzeitig. Folglich wird eine MIP-Map-Textursonde für ein Bild immer ein Bild mit identischer Frequenz entlang aller Achsen abtasten.
So werden während des Samplings, um hochfrequentes Achsen-Aliasing zu verhindern, auch die anderen Texturachsen heruntergerechnet und möglicherweise verwischt.
Bei der anisotropen Filterung von MIP-Karten werden neben dem Downsampling auf 128 × 128 auch Bilder auf 256 × 128 und 32 × 128 usw. abgetastet.
Diese anisotrop heruntergesampelten Bilder können untersucht werden, wenn die Häufigkeit des Textur-Mapping-Bildes entlang jeder Texturachse variiert.
Daher wird eine Achse nicht von der Bildschirmfrequenz der anderen Achse beeinflusst, und Aliasing wird weiterhin vermieden.
Im Gegensatz zur allgemeineren anisotropen Filterung ist das als Beispiel angegebene MIP-Mapping insofern eingeschränkt, als es nur achsenausgerichtete anisotrope Sonden im Texturraum unterstützt. Folglich bleibt die diagonale Anisotropie ein Problem. Trotz der Tatsache, dass solche Screenspace-Mappings typischerweise in realen Anwendungen anisotroper Textur zu sehen sind, ist dies nicht immer der Fall.
Das MIP-Mapping und die damit verbundenen achsenorientierten Einschränkungen machen es schlecht für eine echte anisotrope Filterung. Es wird hier nur zu Demonstrationszwecken verwendet, da Implementierungen ihre eigenen Lösungen frei wählen können. Die vollständig anisotrope Implementierung wird im Folgenden ausführlich erläutert.
Im allgemeinen Sprachgebrauch bewahrt die anisotrope Filterung die Schärfe
einer Textur, die in der Regel verloren geht, wenn eine MIP-Map-Textur versucht, Aliasing zu verhindern. Es kann daher festgestellt werden, dass die anisotrope Filterung scharfe Texturdetails in allen Betrachtungsrichtungen bewahrt und gleichzeitig eine schnelle Anti-Aliasing-Texturfilterung bietet.
Während des Renderings können mehrere Grade oder Verhältnisse der anisotropen Filterung durchgeführt werden, und aktuelle Hardware-Rendering-Implementierungen bieten eine Obergrenze für dieses Verhältnis.
In der Praxis bedeutet dies, dass ein 4:1-Filter in sehr schrägen Texturierungsszenarien doppelt so scharf ist wie ein 2:1-Filter (er zeigt Frequenzen an, die doppelt so hoch sind wie die des 2:1-Filters). Für den Großteil der Szene ist jedoch kein 4:1-Filter erforderlich. Nur die Pixel, die schräger und damit weiter entfernt sind, benötigen den schärferen Filter. Dies bedeutet, dass mit zunehmender Verdoppelung des Grades der anisotropen Filterung die Erträge in Bezug auf die wahrgenommene Qualität abnehmen, da immer weniger gerenderte Pixel betroffen sind und die Ergebnisse für den Benutzer weniger offensichtlich werden.
Vergleicht man die gerenderten Ergebnisse einer anisotrop gefilterten 8:1-Szene mit denen einer anisotrop gefilterten 16:1-Szene, so zeigen nur wenige stark schräge Pixel, vor allem bei weiter entfernter Geometrie, sichtbar schärfere Texturen in der Szene mit dem höheren Grad der anisotropen Filterung an, und die Frequenzinformationen auf diesen wenigen 16:1-Filterpixeln sind nur doppelt so hoch wie die des 8:1-Filters. Die Leistungseinbußen verringern sich ebenfalls, da weniger Pixel Datenabrufe erfordern, wenn die Anisotropie erhöht wird.
Die Obergrenze für die anisotrope Qualität eines Hardware-Designs wird letztendlich durch die erhöhte Hardware-Komplexität im Vergleich zu diesen abnehmenden Belohnungen bestimmt. Benutzer und Anwendungen können diesen Kompromiss dann durch Treiber- und Softwarekonfigurationen bis zu diesem Schwellenwert ändern.
Bei der echten anisotropen Filterung wird die Textur anisotrop, Pixel für Pixel, auf jede Ausrichtung der Anisotropie untersucht.
Wenn eine Textur anisotrop in Grafikhardware abgetastet wird, werden in der