Loading

The Alison August SALE! 🎉 25% Off PDF Certs & Diplomas!📜 Ends in : : :

Claim Your Discount!
Study Reminders
Support
Text Version

Set your study reminders

We will email you at these times to remind you to study.
  • Monday

    -

    7am

    +

    Tuesday

    -

    7am

    +

    Wednesday

    -

    7am

    +

    Thursday

    -

    7am

    +

    Friday

    -

    7am

    +

    Saturday

    -

    7am

    +

    Sunday

    -

    7am

    +

Hola y bienvenidos a la conferencia número 28 en el curso Gráficos Informáticos. Actualmente estamos en nuestra última etapa de discusión en el gasoducto 3D. Recapitulemos rápidamente el gasoducto y, a continuación, continuaremos nuestro debate de hoy.
Así que, como hemos aprendido hay cinco etapas, vamos a pasar rápidamente por las etapas una vez más. La primera etapa es la representación del objeto, la segunda etapa es la transformación de modelado, la tercera etapa es la iluminación, cuatro etapas es la tubería de visión y hay una quinta etapa que es la conversión de la exploración y sólo para recapitular entre estas etapas la representación del objeto trata con la representación de los objetos que constituyen una escena y allí los objetos se definen en un sistema de coordenadas local.
La segunda etapa es la transformación de modelos donde combinamos diferentes objetos para construir una escena y allí realizamos una transformación que es local para la transformación de coordenadas del mundo y luego la escena se define en el sistema de coordenadas del mundo. Ahora, en este sistema de coordenadas mundial asignamos colores al objeto que es la etapa de iluminación, luego en la cuarta etapa que está viendo tubería realizamos una serie de transformaciones a saber, ver transformación donde transformamos de mundo a un sistema de coordenadas de vista luego proyección de transformación donde transformamos de sistema de coordenadas de vista 3D a sistema de coordenadas de vista 2D y luego en tercer lugar ventana a la transformación de viewport donde transformamos de sistema de coordenadas de vista 2D a un sistema de coordenadas de dispositivos.
En esta cuarta etapa también realizamos dos operaciones, es decir, el recorte y la eliminación de la superficie oculta, ambas de estas operaciones se realizan en este sistema de coordenadas de vista. La quinta etapa que es la conversión de escaneo también está relacionada con la transformación donde transformamos esta descripción de coordenadas de dispositivo de una escena a una coordenada de pantalla o rejilla de píxeles. Actualmente estamos discutiendo sobre esta quinta etapa que es la conversión de escaneo.
Ahora, aquí en esta etapa ya hemos cubierto pocos temas a saber convertir punto, línea, círculo, área de relleno, y personajes. Hoy discutiremos un concepto importante relacionado con la conversión de escaneo que se llama técnicas anti-aliasing. Esto es necesario para suavizar el escaneo convertido o las formas representadas.
Permítanos, tratemos de entender qué es anti-aliasing entonces vamos a discutir pocas técnicas anti-aliasing con ejemplos.
Comencemos con la idea básica. ¿Qué es anti-aliasing? Ahora considere esta figura aquí como usted puede ver la línea de puntos indica la línea original que queríamos escanear convertir y esta es la cuadrícula de píxeles que se muestra aquí y en esta cuadrícula de píxeles, queremos escanear convertir esta línea de puntos. Sin embargo, como puede ver no todos los puntos de la línea pasa a través de los píxeles, por lo que tenemos que correlacionar esos puntos con los píxeles más cercanos como hemos visto en nuestra discusión anterior.
Como resultado, lo que obtenemos, obtenemos esta línea convertida en escaneo que parece un patrón de stair step representado con esta gruesa línea negra. Ahora, esto definitivamente no es la línea original exactamente es una aproximación como ya hemos dicho sin embargo debido a esta aproximación sucede algo de distorsión. En caso de línea se llaman jaggies o stair-stair-step like patterns.
En general, habrá distorsión de la forma original después de la conversión de la exploración para cualquier forma no sólo las líneas. Ahora, estas distorsiones se llaman o las formas distorsionadas que hay después de la conversión de la exploración se llama aliasing este fenómeno donde obtenemos distorsión debido a los algoritmos que seguimos para la conversión de la exploración. Ahora, ¿por qué se llama aliasing? ¿Cuál es el significado de este término?
Antes de entrar en eso debemos tener en cuenta que el aliasing es un efecto secundario indeseable de la conversión de la exploración que queremos evitar que en la medida de lo posible. Por lo tanto, se realizan operaciones adicionales para eliminar tales distorsiones, estas técnicas juntas se conocen como técnicas anti-aliasing. Por lo tanto, cuando realizamos algunas técnicas para eliminar los efectos de aliasing, entonces llamamos a esas técnicas como técnicas anti-aliasing.
Entonces, ¿por qué lo llamamos aliasing? ¿Cuál es el significado de este término?
De hecho, el término aliasing está relacionado con el procesamiento de señales que podemos explicar la idea en términos de conceptos que son prestados del dominio de procesamiento de señales.
En gráficos de ordenador lo que queremos queremos sintetizar imágenes. En otras palabras, queremos representar una imagen verdadera y aquí tenemos que pensar en ella como la representación de la imagen en la ventana en el sistema de coordenadas de vista o el sistema de coordenadas de vista 2D.
Ahora, cómo definimos esta imagen en términos de valores de intensidad, que puede ser cualquier número real. Recuerde que todavía estamos en el sistema de coordenadas de vista donde somos libres de utilizar cualquier número real para representar la intensidad. Ahora, esos valores de intensidad si pensamos de una manera diferente, representan alguna distribución de valores continuos.
Así que, si trazamos esa trama esos valores en un gráfico entonces obtendremos alguna curva que representa la distribución y aquí los valores son continuos, puede tomar cualquier valor real número real. Por lo tanto, esencialmente podemos pensar en una imagen verdadera como una señal continua que está mapeando la idea de la representación de la imagen a la representación de la señal.
Ahora, ¿cuándo realizamos la representación de lo que hacemos? El proceso de renderización puede ser visto como un proceso de dos etapas en un sentido muy amplio en la primera etapa lo que hacemos nosotros muestreamos la señal o los valores de intensidad. En otras palabras, probamos esos valores para ubicaciones de píxeles. Por lo tanto, tratamos de obtener las intensidades de píxeles, esto es lo que hemos discutido hasta ahora cómo obtener las intensidades de píxeles de las intensidades reales.
Pero también hay una segunda etapa que es de las intensidades muestreadas que queremos reconstruir la señal original como un conjunto de píxeles de color en la pantalla. Por lo tanto, esencialmente se nos da una imagen que es una señal continua de valores de intensidad. Podemos pensar en ello de esa manera, entonces queremos rendir esta imagen en la cuadrícula de píxeles que es el propósito de la conversión de escaneo, ¿cómo lo hacemos? Seguimos dos etapas en términos generales. En la primera etapa, muestreamos los valores de pixel y en la segunda etapa reconstruimos de esas muestras para obtener la imagen renderizada.
Puesto que hemos reconstruyendo la señal original del valor muestreado, claramente no es la señal exacta y estamos tratando con una representación falsa de la señal original. Ahora, en inglés una persona que usa un nombre falso se conoce como alias y la misma idea se adapta aquí donde estamos tratando de representar una señal original en términos de falsa señal reconstruida de ahí que esta señal en particular se llama alias y cualquier cosa que obtengamos se conoce como aliasing.
Ahora, ya que estamos reconstruyendo habrá algún cambio respecto al original. Por lo general, resulta en imágenes o artefactos que distraen visualmente y para reducir o eliminar este efecto utilizamos técnicas anti-aliasing. Utilizamos técnicas que reducen los efectos de aliasing, se llaman técnicas anti-aliasing.
Ahora bien, ¿cómo lo hacemos? Una vez más podemos pedir prestado términos del procesamiento de la señal. Por lo tanto, la señal de intensidad continua que es la imagen verdadera puede ser vista como una composición de varios componentes de frecuencia o en otras palabras señales primarias de frecuencias variadas. Esa es una forma de dar los valores de intensidad.
Ahora, hay dos componentes en esas señales. Las regiones uniformes con valores de intensidad constante pueden ser vistas como correspondientes a los componentes de baja frecuencia, mientras que hay valores que cambian abruptamente y estos valores corresponden a bordes afilados en el extremo alto del espectro de frecuencia. En otras palabras, dondequiera que haya cambios abruptos en los valores, podemos pensar que esas regiones representan los componentes de alta frecuencia.
Ahora, debido a esos componentes de alta frecuencia tales cambios abruptos obtenemos efectos de aliasing. Por lo tanto, necesitamos suavizar esos efectos de aliasing, y ¿cómo lo hacemos?
Eliminando o filtrando los componentes de alta frecuencia de las señales de intensidad reconstruida. Por lo tanto, si no hacemos ninguna operación adicional, tendremos la señal reconstruida que tiene una intensidad alta y baja que resultará en distorsión. Por lo tanto, nuestro objetivo sería eliminar o eliminar, filtrar los componentes de alta frecuencia en la señal reconstruida.
Ahora bien, hay dos maneras de hacerlo. Se aplica ampliamente al grupo de técnicas de filtrado de técnicas, un conjunto de técnicas viene bajo técnicas de pre-filtrado y el otro conjunto viene bajo técnicas de post-filtrado.
En el pre-filtrado, lo que hacemos es realizar el filtrado antes de la toma de muestras que significa que trabajamos en la verdadera señal que está en el espacio continuo y lo que hacemos tratamos de obtener los valores adecuados para los píxeles individuales en la señal verdadera y este grupo de técnicas también se llaman técnicas de muestreo de área.
En contraste, en el post filtrado como su nombre indica, se realiza el filtrado después de la toma de muestras. Por lo tanto, filtramos componentes de alta frecuencia de los datos muestreados. En otras palabras, calculamos los valores de pixel y luego utilizamos técnicas de post-filtrado que modificamos esos valores. Ahora, este grupo de técnicas también se conocen como técnicas de súper muestreo. Por lo tanto, tenemos técnicas de pre-filtrado o muestreo de área y técnicas de post-filtrado o súper muestreo. Ahora, vamos a tratar de aprender acerca de pocas de estas técnicas.
Comenzaremos con el muestreo de área. ¿Cuáles son las técnicas y cómo funcionan?
Ahora, en caso de muestreo de área, asumimos que el pixel tiene área. Por lo tanto, el pixel no es un punto adimensional en su lugar tiene su área por lo general considerado ser cuadrado o circular con radio de la unidad y las líneas que pasan a través de esos píxeles tienen algún ancho finito. Por lo tanto, cada línea también tiene algo de área.
Ahora, para calcular la intensidad de píxeles lo que hacemos determinamos el porcentaje de área de píxeles ocupada por línea. Denotémoslo por p then pixel intensidad I se computa como una suma ponderada del color de la línea y del color de fondo como se muestra en esta expresión. Por lo tanto, para calcular la intensidad de un píxel decir por ejemplo aquí este pixel 01.
Ahora, aquí se puede ver que la línea cubre el 50 por ciento del área de pixel o 0.5 en la línea de color lo que sea, ese cl entonces 1 menos 0.5 en lo que sea el color de fondo que será este color de píxel de este píxel 01 en particular en la figura. Tenga en cuenta que antes lo que hicimos antes simplemente asignamos el color de la línea a este píxel en particular, pero aquí estamos considerando el área, cuánto de esa área está ocupada por la línea y entonces en consecuencia estamos cambiando el color. Este es un enfoque.
Permítanos, echemos un vistazo a un enfoque poco más sofisticado que implique más cálculos, que se llama algoritmo Gupta-Sproull.
Ahora, se trata de una técnica de pre-filtrado utilizada para el dibujo de línea anti-alias y aquí la intensidad, la intensidad de píxeles se establece en base a la distancia de una línea o centro de línea. Desde aquí estamos asumiendo la línea como la anchura finita del centro de pixeles. Ahora, esta idea de este algoritmo en particular se basa en el algoritmo de dibujo de línea media.
Así, antes hemos hablado de algoritmo DDA, el algoritmo de dibujo de línea de Bresenham. Ahora, hay otro algoritmo que es algoritmo de dibujo de línea media, este algoritmo se utiliza en la técnica de pre-filtrado de Gupta-Sproull. Por lo tanto, primero trataremos de entender este algoritmo, entonces hablaremos de la técnica de pre-filtrado real.
Así que en el algoritmo de punto medio, ¿qué hacemos? Supongamos que acabamos de determinar este píxel actual aquí y para el siguiente píxel tenemos dos píxeles candidatos. Uno es el pixel candidato superior, uno es el pixel candidato inferior dado por estos dos E y NE. Hasta esto, es similar al algoritmo de dibujo de la línea de Bresenham que hemos visto antes. Ahora, lo que cambia es que la forma en que decidimos sobre estos píxeles candidatos, que uno elegir.
Antes lo que hicimos hicimos la decisión basada en la distancia de la línea de los píxeles candidatos. Ahora, en este algoritmo de punto medio, lo que haremos es considerar el punto medio entre el píxel candidato en lugar de la distancia de la línea. Así, el punto medio se muestra aquí entre estos dos píxeles candidatos, que pueden ser representados por esta expresión como se puede ver.
Ahora, podemos representar una línea como se muestra aquí con esta expresión donde a, b, c son constantes enteras. Ahora podemos reestablecer esta ecuación multiplicando 2 y conseguir esta expresión sin afectar nada en la ecuación. Así que eso es sólo un truco.
A continuación, establecemos la variable de decisión dk que es la función evaluada en el punto medio M o en este punto (xk + 1, yk + ½). Ahora si usamos la ecuación modificada después de la multiplicación por 2 entonces podemos ver que si ampliamos se verá algo así que es la variable de decisión en k.
Ahora, si d es mayor que 0, el punto medio está por debajo de la línea. En otras palabras, si el punto medio está por debajo de la línea, el píxel NE está más cerca y debemos elegir NE aquí. De lo contrario, debemos elegir E. Ahora cuando NE más cerca que significa d es mayor que 0. La siguiente variable de decisión será dk + 1 que es el siguiente punto medio y si ampliamos y reorganizamos entonces obtenemos en términos de la anterior variable de decisión dk. Así, dk + 1 podemos representar en términos de dk y una constante dos veces a más b.
Ahora, cuando dk≤ 0, entonces elegimos este porque el punto medio está más cerca del NE y en ese caso el siguiente parámetro de decisión o variable de decisión sería dado por esta expresión y que si reorganizamos y reorganizamos entonces obtendremos dk + 1 = dk + 2a.
Ahora, cuál es la variable de decisión inicial, que se da por esta expresión. Y después de expandir conseguimos que esta variable inicial sea 2a + b, sabiendo que este valor es 0 como puedes ver aquí en esta derivación.
Así, aquí hemos resumido los pasos del algoritmo. Por lo tanto, la entrada es dos puntos finales de línea y la salida es un conjunto de píxeles para representar la línea. Ahora, la primera tarea es averiguar el valor de estas constantes dicen a, b y c de los puntos finales y luego el valor de decisión inicial d entonces empezamos con un punto final y continuar hasta el otro punto final como antes. Si d> 0 entonces actualizamos x, y de esta manera y actualizamos el parámetro de decisión de esta manera.
De lo contrario, actualizamos x de esta manera actualizar el parámetro de decisión de esta manera y eventualmente en cada iteración añadimos este píxel a P seguimos hasta llegar al otro punto final que es el algoritmo de punto medio. Ahora, veamos cómo se usa este algoritmo de punto medio en el algoritmo de Gupta Sproull.
Ahora en el algoritmo de Gupta Sproull hay alguna modificación en el algoritmo básico de punto medio. Considere esta figura aquí, aquí supongamos que hemos elegido este píxel en la actualidad xk, yk y basado en el punto medio, supongamos que hemos elegido E este píxel en el siguiente paso. Más adelante, veremos qué pasará si elegimos NE en lugar de E.
Ahora, D es la distancia perpendicular desde el punto a la línea y podemos calcular D utilizando la geometría como se muestra aquí donde Δx, Δy son las diferencias en las coordenadas x e y de los puntos finales de línea por lo que son constantes esencialmente. Por lo tanto, el denominador aquí es constante.
Ahora, lo que debería ser el valor de la intensidad aquí, será una fracción del color de la línea original. Por lo tanto, no asignará el color de línea original aquí para evitar el efecto de aliasing en su lugar vamos a asignar una fracción del color de la línea original. Por lo tanto, cómo elegir esta fracción se basa en esa distancia D. Ahora ver que esto es en contraste con los enfoques anteriores como el algoritmo de Bresenham o DDA algoritmo donde el color de línea es simplemente asignado al píxel elegido.
Ahora, ¿cómo esta distancia determina el color? Por lo general, se utiliza una función de filtro de cono que significa más distante la línea del centro de píxeles elegido es el láser es la intensidad. Por lo tanto, más distante la línea es del centro de pixeles elegido menos será la intensidad que será dimmer.
Y esta determinación de distancia a valor de intensidad se implementa como una tabla. Por lo tanto, mantenemos una tabla donde en base a la distancia un valor de intensidad particular está ahí y dependiendo de la distancia del ordenador simplemente tomamos el valor de intensidad de la tabla y lo aplicamos al píxel elegido. Por lo tanto, cada entrada en la tabla representa una fracción con respecto a un D. Así, algunos valores de D precalculados y sus valores de intensidad correspondientes están ahí en esa tabla.
Eso no es todo, junto con eso para aumentar la suavidad de la línea, también se cambia la intensidad de los vecinos. Por lo tanto, aquí E es el píxel elegido aquí sus vecinos son este píxel y este píxel. Ahora, su intensidad también se modifica. De nuevo, según las distancias Dupper y Dlower de la línea. Así que, aquí como puedes ver, esto es Dlower y esto es Dupper y dependiendo de estos valores se establecen estos valores de pixel de vecino.
Este Dupper y Dlower se pueden obtener de nuevo utilizando la geometría como se muestra en estas expresiones donde v es esta distancia y Δx Δy son como antes de la diferencia entre las coordenadas x e y de los puntos finales.
Y dependiendo de esas distancias de nuevo se mantienen las tablas para establecer los valores de los píxeles vecinos. Ahora, en caso de E supongamos que hemos elegido NE, entonces, por supuesto, estas distancias serán calculadas de manera diferente. De nuevo, podemos utilizar la geometría para comprobar que las distancias estarán representadas de esta manera. Por supuesto aquí Dupper es diferente y Dlower es diferente en comparación con el caso anterior y sus distancias podemos representar usando estas expresiones.
Por lo tanto, esta es la distancia del píxel elegido de la línea, la distancia perpendicular entonces esto es Dupper esto es Dlower para cada uno mantenemos las tablas para implementar las funciones del filtro del cono. En la tabla sólo para recapitular mantenemos las distancias y la fracción de color de línea a aplicar en base a que elegimos el color.
Por lo tanto, hay algunos pasos adicionales realizados en cada iteración del algoritmo de punto medio. En el algoritmo regular no modificamos los colores del píxel, cualquiera que sea el color de la línea, elegimos que sea el color del píxel elegido, pero aquí en el algoritmo de Gupta-Sproull esos pasos se modifican. Por lo tanto, después de elegir un píxel candidato, determinamos el color de línea al calcular primero la distancia si E se elige entonces la distancia se da en esta expresión de lo contrario si NE se elige entonces la expresión separada.
A continuación, actualizamos el valor de decisión como en el algoritmo regular, luego establecemos los valores de intensidad según D, luego computamos Dupper y Dlower y luego establecemos la intensidad de los dos vecinos verticales, estos son los pasos adicionales que se realizan en el algoritmo Gupta-Sproull en comparación con el algoritmo de dibujo de línea de punto medio original.
Permítanos, tratar de entender el algoritmo con un ejemplo.
Supongamos, esta es nuestra línea mostrada aquí, estos son los puntos finales y queremos elegir los píxeles y colorearlos. Así que, tanto las cosas que tenemos que hacer, elegir píxeles y también elegir valores de intensidad adecuados para esos píxeles.
Así que, primero iremos por elegir el píxel y luego decidiremos por su color. Por lo tanto, la ecuación de la línea se puede dar de esta manera o obtenemos un igual a esto, b igual a esto, y c igual a esto, y el valor de decisión inicial d se da como 1.
Por lo tanto, en la primera iteración, tenemos que elegir entre NE y E, d es mayor que 0 si podemos ver. Por lo tanto, entonces tenemos que elegir NE que es este píxel y luego restablecer d.
Ahora, después de elegir NE la siguiente iteración, elegimos este píxel E ' (3, 2) dependiendo del valor de d y, a continuación, reestablecemos d.
Ahora, después de elegir estos dos píxeles, comprobamos que donde está el otro punto final tan alto. Por lo tanto, al final el algoritmo devuelve estos cuatro píxeles, estos se van a representar. Ahora, al elegir un píxel también utilizamos las modificaciones propuestas en el algoritmo Gupta-Sproull para asignar colores.
Así, por ejemplo, cuando hablamos de NE este es un píxel elegido, por lo que hay que elegir su color, así como el color de sus dos vecinos. Del mismo modo, cuando hemos elegido E tenemos que elegir su color, así como el color de sus dos vecinos.
Para eso determinamos Δx, Δy. Entonces calculamos la distancia del NE D que se da aquí y se basa en esta distancia.
Además, computamos Dupper y Dlower calculando el primero.
Por lo tanto, Dupper y Dlower son estos dos valores para este particular pixel NE. Por lo tanto, tienes Dupper, Dlower. Ahora, utilizamos la tabla para determinar la fracción del color de línea original que se aplicará a los tres píxeles en función de las tres distancias calculadas.
Eso es para cualquier ahora para E' tenemos estos dos píxeles, los píxeles vecinos y el píxel elegido E '. Por lo tanto, aquí de manera similar podemos calcular D para ser este valor 1/√13.
Y calculamos v aquí para obtener los valores Dupper y Dlower.
Por lo tanto, usando v obtenemos Dupper para ser este valor, Dlower a ser este valor y ahora sabemos la distancia de este píxel de línea, así como Dupper y Dlower de nuevo volvemos a la tabla realizar la búsqueda de la tabla para determinar la fracción del color de línea a ser asignado a estos 3 píxeles.
Así es como elegimos los colores del píxel. Así que en resumen, lo que hacemos es en este algoritmo de Gupta-Sproull es que no simplemente asignamos color de línea a los píxeles que se eligen para representar la línea, sino que elegimos píxeles siguiendo un algoritmo de dibujo de línea en particular y luego computamos tres distancias, distancia del píxel desde la línea y distancia de los píxeles vecinos de la línea. Aquí estamos hablando sólo en términos de vecinos verticales.
Y en base a estas distancias nos encontramos con la fracción del color de la línea a aplicar al píxel elegido así como a los píxeles vecinos. Aquí aplicamos una función de filtro de cono en forma de tabla. En la tabla correspondiente a las distancias se mencionan algunas fracciones. Entonces, esas eran técnicas de muestreo de área Ahora, tratemos de entender la otra clase amplia de técnicas anti-aliasing conocidas como súper muestreo.
Ahora, ¿en súper muestreo lo que hacemos? Aquí se supone que cada píxel consiste en una cuadrícula de subpíxeles. En otras palabras, estamos aumentando efectivamente la resolución de la exhibición. Ahora para dibujar líneas anti-alias, contamos el número de subpíxeles a través de los cuales pasa la línea y este número determina la intensidad a aplicar. Por ejemplo, aquí todo este cuadrado es un pixel, que se representa con dos por dos subpixeles grid.
Ese es un enfoque. Hay otros enfoques también, por ejemplo, podemos utilizar una línea finita con determinar dentro de subpíxeles que significa los subpíxeles que están dentro de la anchura finita de la línea. Puede haber un simple cheque para eso. Sólo podemos considerar aquellos subpíxeles que tienen sus esquinas inferiores izquierda dentro de la línea como dentro. Así que si un subpíxel tiene su esquina inferior izquierda dentro de la línea podemos considerar que el subpixel para estar dentro del subpixel y luego la intensidad de pixel es el promedio ponderado de las intensidades de subpixel donde los pesos son la fracción de subpíxeles dentro o fuera, que puede ser otro enfoque simple.
Por ejemplo, en esta figura como se puede ver la línea tiene un poco de ancho y cada píxel tiene una cuadrícula de 2 × 2 subpíxeles. Así, por ejemplo, se trata de un píxel que tiene una cuadrícula de 2 × 2 subpíxeles, este píxel (0, 2). Del mismo modo, se trata de un pixel (1, 1) que tiene una rejilla de 2 × 2 subpíxeles. Ahora vamos a suponer que el color de la línea original es dado por este R, G, B valores y la luz de fondo es amarillo con de nuevo estos R, G, B valores. Entonces, ¿cómo elegir el color real después de la representación?
Ahora en la figura como se puede ver estos tres subpíxeles tal vez considerados dentro de la línea. Por lo tanto, la fracción de subpixeles que está dentro es de 3/4 y la fracción externa es 1/4.
Ahora si tomamos una media ponderada para los componentes de intensidad individual, entonces obtenemos el valor R para este píxel en particular, ya que este valor o valor G será este valor y el valor B será 0. Y este valor R o este valor G y este valor B juntos nos darán el color de ese píxel en particular.
Por lo tanto, la intensidad se establecerá como R igual a esto, G igual a este y B igual a este valor y lo conseguimos teniendo en cuenta la fracción de subpíxeles que están dentro de la línea y las fracciones que están fuera.
A veces también utilizamos máscaras de ponderación para controlar la cantidad de contribución de varios subpíxeles a la intensidad general. Ahora este tamaño de máscara depende del tamaño de la cuadrícula de subpíxeles, eso es obvio porque queremos controlar la contribución de todos y cada uno de los subpíxeles. Así que si tenemos una cuadrícula de 3 × 3 subpíxeles entonces el tamaño de la máscara será de 3 × 3, debería haber igual.
Por ejemplo, considere una cuadrícula de 3 × 3 subpíxeles y se nos dan estas máscaras. Entonces, dada esta máscara y estas tres subpixeles, ¿cómo elegir el color o la intensidad de un píxel?
Por lo tanto, podemos utilizar esta regla que la contribución de intensidad de un subpixel es su correspondiente valor de máscara dividido por 16, que es la suma de todos los valores. Por lo tanto, para el subpixel (0, 0) su contribución será 1/16, para la contribución de subpixel (1, 1) será 4/16 porque el valor correspondiente es 4 y así sucesivamente. Así que sea cual sea el valor de intensidad de subpixel vamos a multiplicar con estas fracciones para obtener la contribución fraccionaria y luego agregaremos las de arriba para obtener la intensidad general del píxel.
Ahora suponga que una línea pasa a través o encierra la parte superior de los subpíxeles, el centro, la parte inferior izquierda y la parte inferior de un píxel. Asumiendo las mismas mascarillas que se muestran aquí y 3 × 3 subpixel grid.
Luego para obtener la intensidad de línea en cualquier ubicación de pixel en particular o esa intensidad de pixel para la línea donde el color de línea es dado por el color original del cl y el color de fondo es dado por cb, lo que podemos hacer, podemos usar esta formulación simple; la intensidad del pixel será dada por la contribución total de los subpíxeles en cl más 1 menos la contribución total en el cb, esto es para cada uno de estos componentes R, G, B.
Por lo tanto, eso es en efecto lo que podemos hacer super muestreo. Por lo tanto, resumimos lo que hemos aprendido hasta ahora.
Así que con esta discusión hemos llegado al final de nuestra discusión sobre el gasoducto 3D y aquí hemos cubierto en esta serie de conferencias las cinco etapas como mencioné al principio. Hoy hemos aprendido sobre una técnica importante que es aliasing y cómo abordarla. Sucede porque en la quinta etapa cuando convertimos una forma para una imagen a una rejilla de pixel entonces obtenemos distorsiones y técnicas anti-aliasing son útiles para evitar esas distorsiones.
Para ello, seguimos ampliamente dos grupos de técnicas; ya sea el muestreo de área o el pre-filtrado y el supermuestreo o el filtrado posterior. En el pre-filtrado, aprendimos sobre el algoritmo de Gupta-Sproull junto con algún otro enfoque simple. Del mismo modo, en el post filtrado nos enteramos de tres enfoques hay muchos otros, por supuesto.
Así que estos están destinados a darle alguna idea de cuáles son los problemas y cómo se abordan pero claramente como se puede ver si vamos por técnicas anti-aliasing, que implica cálculos adicionales y soporte de hardware adicional que, por supuesto, tiene su propio costo. Con eso terminamos nuestra discusión de hoy y esa es también el final de nuestra discusión sobre el gasoducto 3D.
En la próxima conferencia, aprenderemos acerca de la implementación de la tubería, cómo se implementan las etapas del gasoducto que hemos aprendido hasta ahora, en particular, aprenderemos sobre el hardware y el software de los gráficos. En las conferencias introductorias hemos aprendido en breve la muy pequeña manera de hardware de gráficos y software, aquí vamos a entrar en más detalles.
Lo que he discutido hoy se puede encontrar en este libro. Se recomienda pasar por el capítulo 9 de la sección 9.5 para obtener más detalles sobre los temas. Así que lo ven en la siguiente conferencia, hasta entonces, gracias y adiós.