亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于分布函數(shù)的云建模技術(shù)研究

        2015-07-21 09:47:22陳海趙斌卿
        物聯(lián)網(wǎng)技術(shù) 2015年7期

        陳海+趙斌卿

        摘 要:分析了Wang等提出的一種簡單快速的云繪制算法,針對該方法用于模擬飛行游戲中大尺度云仿真中的局限性,提出了基于隨機分布函數(shù)的云建模方法。對不同種類的云,采用不同的隨機分布函數(shù)生成粒子面片,減少了交互式云構(gòu)建方法的局限性,增強了其自動性和隨機性,擴大了適應(yīng)范圍。同時,對粒子云團的不同區(qū)域加載不同的紋理圖像,豐富了云的紋理細節(jié),特別是生成云邊緣絮狀結(jié)構(gòu)的真實感得到了有效增強,改進了其算法的視覺效果。

        關(guān)鍵詞:云建模;云團分布;云團紋理;云團仿真

        中圖分類號:TN965 文獻標識碼:A 文章編號:2095-1302(2015)07-00-03

        0 引 言

        民航空中交通管制是一個高新技術(shù)應(yīng)用密集的領(lǐng)域,隨著新設(shè)施、新技術(shù)、新程序的不斷涌現(xiàn),現(xiàn)代仿真技術(shù)在空管新技術(shù)驗證與應(yīng)用中扮演著重要的角色。惡劣天氣影響下的機場管制運行和應(yīng)急響應(yīng)處置機制是保證機場高效、安全運行的重點,這對機場塔臺管制人員的管制協(xié)同調(diào)配以及對新程序、新技術(shù)的適應(yīng)能力提出了很高的要求[1-3]。

        在塔臺視景模擬中的不同時候、不同氣象條件下的自然場景、氣象特效以及視覺特效的模擬繪制是目前面臨的重要問題,其中,對云的仿真又是長期以來虛擬現(xiàn)實領(lǐng)域內(nèi)研究的熱點,被視為計算機圖形學(xué)中最具挑戰(zhàn)性的課題之一[4]。

        1 Wang的云建模方法

        Wang提出的云建模過程的基本思想是:每個云團含有5到400個帶有alpha通道的半透明面片,這些面片被集中放置于一個三維的立方體內(nèi),并且在繪制過程中,每個面片都始終朝向相機,最后按照面片距相機從遠到近的距離進行繪制。

        Wang提出的云建模過程可簡述為:首先進行云團的分布生成,其次進行片元的填充,最終進行云的繪制。在生產(chǎn)云團及其分布時,應(yīng)用專業(yè)建模軟件3dMax中的一個插件。這個插件能夠允許藝術(shù)家交互式在場景中創(chuàng)建足夠多的立方體作為云團,如圖1所示,進而用一定數(shù)量的片元隨機填充每一個立方體,如圖2所示。片元由一系列半透明的、貼有紋理的正方形組成。在繪制和構(gòu)成云團的過程中,每個片元都始終朝向相機(Billboard技術(shù))[5]。片元按照到相機的距離由遠而近進行繪制,如圖3所示。

        2 云團分布及大小的計算

        在視場內(nèi),云團的大小及其在天空中的分布是影響整個云彩系統(tǒng)真實感的關(guān)鍵因素。云按云屬可分為卷云、層云和積云三類[6]。這三類云,在天空中的大小和分布規(guī)律并不相同。本文中,用type=1,2,3來標識三類云,即type = 1為卷云,type = 2為層云,type = 3為積云。

        圖1 3dMax中用立方體 圖2 構(gòu)建好的立方體

        構(gòu)建云場景 中填充片元

        圖3 模擬出的三種不同類型的云

        2.1 云團分布計算

        本文從垂直與水平分布兩方面對這三類云進行對比分析。垂直分布如表1所列。

        表1 云海拔高度表云種類 海拔高度范圍(m)

        卷云 5 000~13 000

        層云 2 000~8 000

        積云 0~2 000

        由此,作為簡化,在對云團的位置進行隨機生成時,先不考慮云團高度,只需要考慮在同一高度層內(nèi)的二維分布,此后再根據(jù)不同類別的云進行高度生成,具體方法如下[7-11]:

        (1)產(chǎn)生隨機數(shù)N,以確定不同類別云團的數(shù)量。晴朗的夜晚,觀察某片天空出現(xiàn)的流星個數(shù)服從泊松分布。類似的,本文同樣采用泊松分布來描述每次仿真循環(huán)初始時產(chǎn)生的云團數(shù)量:NΠ(λ);

        (2)由下式生成云團的水平位置(x,y):

        centertype(x,y,z)=Rtype(-0.5,0.5)*sky_size (1)

        式中,center是三維向量,分量x,y,z代表云團中心的空間坐標;R(-0.5,0.5)是按照對應(yīng)云的種類分布規(guī)律產(chǎn)生-0.5到0.5的隨機數(shù);sky_size是三維向量,為模擬場景中天空的尺度;type代表云的類別。

        卷云與層云出現(xiàn)時,會在大部分的天空中出現(xiàn),疏密較為均勻。這種整個天空均勻布滿云的分布現(xiàn)象,可以近似的用均勻分布來描述。而積云出現(xiàn)時,云團之間的疏密并不均勻,需要參數(shù)特殊控制,因此本文采用正態(tài)分布來描述積云分布,通過控制分布函數(shù)的均值和方差,來控制云團的分布情況。此外,可以認為水平分量x與y的分布是相互獨立的,則有:

        R1=R2=U[-0.5*sky_size,0.5*sky_size] (2)

        R3=N(μ,σ2) (3)

        (3)根據(jù)不同類別的云所屬的高度范圍,隨機生成云團的高度。這里依然采用上述的分布規(guī)律來描述同類云的不同云團的高度分布情況。

        2.2 云團大小計算

        運用2.1的方法確定云團的數(shù)量及分布后,即可確定各個云團的大小。如下式[12-14]:

        (4)

        式中,表示每個云團的大小,為三維向量;W為云團類別大小縮放系數(shù),按仿真實驗經(jīng)驗,其數(shù)值如下:

        (5)

        3 片元分布的計算

        片元的分布決定了每一個單獨云團的外形特征。本文主要研究的是正方形片元,其中的三個關(guān)鍵參數(shù)是片元的數(shù)量、大小及位置[15]。

        3.1 片元數(shù)量計算

        片元數(shù)量的多少,直接影響了云團的密度。片元越多,云團越稠密。根據(jù)云團的大小,片元一般取20~100個不等。

        3.2 片元位置計算

        片元位置指片元中心在云團立方體內(nèi)的三維空間坐標。可由下式得到:

        postype(x,y,z)=Rtype(-0.5,0.5)*block_size (6)

        式中,pos表示片元的空間位置,是三維坐標;R(-0.5,0.5)表示按照對應(yīng)云的種類的分布規(guī)律產(chǎn)生-0.5到0.5的隨機數(shù);block_size表示云團大小。根據(jù)積云的聚集性與其變化過程中的擴散性,一般選用統(tǒng)計中常用的分布來描述:

        R3=Γ(α,β) (7)

        3.3 片元大小計算

        片元大小與云團的大小及片元在云團內(nèi)的位置有關(guān),具體如下:

        (8)

        式中,sprite_size表示片元大小,是二維向量,即表示片元的長與寬;block_size表示云團大?。籒_sprite表示片元數(shù)量;P是片元位置修正系數(shù),其數(shù)值為:

        (9)

        上式表明,越靠近云團邊緣的片元越小,這樣做的好處是既增加了云邊緣的細節(jié)信息,又能在一定程度上節(jié)省由片元過多而帶來的系統(tǒng)資源的占用。

        4 區(qū)域化紋理貼圖

        在Wang的方法中的一個云團,加載的紋理貼圖是單一的。這樣做的局限性在于云團自身,特別是在邊緣,會出現(xiàn)局部重復(fù)的現(xiàn)象。此外,紋理貼圖單一還會造成云體及邊緣的死板。如圖4(a)為實際拍攝的積云云團,圖4(b)為按照Wang的方法模擬出的云??梢悦黠@看出,Wang的方法不易模擬云團邊緣的絮狀結(jié)構(gòu)。

        (a)實拍云團圖像 (b)Wang的方法模擬出的云團圖像

        圖4 實際云團圖像與模擬圖像的對比

        本文提出的方法是將云團立方體劃分為27個區(qū)域,具體劃分如圖5所示。在劃分好的區(qū)域里,片元加載不同的紋理貼圖。這樣可以取得豐富紋理細節(jié)和較好的云體邊緣絮狀結(jié)構(gòu)。這里僅以云團立方體一個面的9個區(qū)域為例來加載不同的紋理,加載方式如圖6,生成效果如圖7所示。

        圖5 云團立方體的區(qū)域劃分圖 圖6 紋理加載方式示意圖

        圖7 紋理加載效果圖

        5 模擬結(jié)果及分析

        5.1 仿真環(huán)境

        本仿真的硬件平臺組成如下:

        CPU:AMD Athlon(tm) II X4 635,2.90GHz;

        內(nèi)存:4.00 GB;

        顯卡:NVIDIA GeForce GTS 250;

        軟件平臺;

        操作系統(tǒng):Windows 7,64位;

        IDE:Microsoft Visual Studio 2008;

        核心庫:MFC,OpenSceneGraph 2.8.2。

        5.2 參數(shù)選擇及仿真結(jié)果

        參數(shù)選擇列表如表2所列:

        表2 參數(shù)選擇列表

        參 數(shù) 取 值

        sky_size (32 km,32 km,15 km)

        N(μ,σ2) μ=0,σ=2.5

        Γ(α,β) α=0.5,β=0.5

        N_sprite 20~100

        在完整的天空場景下,將本文算法的仿真結(jié)果與Wang的結(jié)果進行的對比如圖8所示。結(jié)果表明,在不考慮光照和陰影的前提下,只對云的外形進行比較,本文算法的視覺效果較好,更接近于真實圖像。

        (a)實拍圖像 (b)Wang的算法 (c)本文的算法

        圖8 仿真結(jié)果對比圖

        6 結(jié) 語

        本文針對云的不同種類提出了一種新的云建模方法。使用不同的隨機分布函數(shù)生成粒子面片,可減少交互構(gòu)建云方法的局限性。對粒子云團的不同區(qū)域加載不同的紋理圖像,豐富了云的紋理細節(jié),特別是邊緣的絮狀結(jié)構(gòu)。通過C++環(huán)境下的仿真實驗,可實時地模擬出不同類型不同尺度的云,提高了粒子云的視覺真實感。

        參考文獻

        [1] M. K. Hu. Visual pattern recognition by moment invariants[J]. IEEE Transactions on Information Theory,1962,8(2): 179-187.

        [2] J. Flusser. On independence of rotation moment invariants[J]. Pattern Recognition,2000,33(9): 1405-1410.

        [3] Michael Reed Teague. Image analysis via the general theory of moments[J]. Journal of the Optical Society of America,1980,70(8): 920-930.

        [4] S. S. Reddi. Radial and Angular Moment Invariants for Image Identification[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,1981,3(2): 240-242.

        [5] Yunlong Sheng, Jacques Duvernoy. Circular-Fourier-radial-Mellin transform descriptors for pattern recognition[J]. Journal of the Optical Society of America A,1986, 3(6): 885-888.

        [6] J. F. Boyce, W. J. Hossack. Moment invariants for pattern recognition[J]. Pattern Recognition,1983,10(1): 451-456.

        [7] J. Flusser, J. Boldys, B. Zitova. Moment forms invariant to rotation and blur in arbitrary number of dimensions[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,2003,25(2): 234-246.

        [8] Wang, R., H. Freeman, Object recognition based on characteristic view classes[C]. 10th International Conference on Pattern Recognition, 1990(1):8-12.

        [9] Y. Lan, H. Liu, E. Songet. An improved K-view algorithm for image texture classification using new characteristic views selection methods[M].ACM,2010: 959-963.

        [10] Eggert, D.W., Bowyer, K.W., et al. The scale space aspect graph[J]. Pattern Analysis and Machine Intelligence, IEEE Transactions on, 1993, 15(11): 1114-1130.

        [11] Michael Seibert, Allen M. Waxman. Adaptive 3-D Object Recognition from Multiple Views[J]. IEEE Trans. Pattern Anal. Mach. Intell,1992,14(2): 107-124.

        [12] Joseph W. Goodman. Introduction to Fourier Optics[M].The McGraw-Hill Companies, INC,1996.

        [13] M. Liebling,T. Blu,M. Unser. Fresnelets: new multiresolution wavelet bases for digital holography[J]. IEEE Transactions on Image Processing, 2003,12(1): 29-43.

        [14] Michael Liebling,Thierry Blu,Michael A. Unser. Fresnelets: a new wavelet basis for digital holography[M]. San Diego, CA, USA: SPIE,2001: 347-352.

        [15] Cai Lvzhong,Wang Yongqian. The Similiarity of Fresnel Diffraction under Scale-Distance Transform[J]. Journal of Shandong University (Natural Science Edition),2001,36(1): 26-28.

        在线视频免费自拍亚洲| 无码夜色一区二区三区| 国产精彩视频| 久久综合老鸭窝色综合久久| 一区二区三区人妻av| 国产又爽又黄又刺激的视频| 美女胸又www又黄的网站| 美女视频永久黄网站免费观看国产 | 五月激情综合婷婷六月久久| 国模丽丽啪啪一区二区| 91福利视频免费| 日韩国产自拍成人在线| 日本一区二区三区视频网站 | 久久精品国产自清天天线| 精品免费久久久久国产一区| 日韩五码一区二区三区地址| 国产成人精品999视频| 18级成人毛片免费观看| 亚洲精品无人区一区二区三区| 99久久久人妻熟妇精品一区二区| 久久精品国产亚洲av影院| 毛片免费在线播放| 成人影院免费视频观看| 日韩精品熟女中文字幕| 欧美肥胖老妇做爰videos| 国产亚洲sss在线观看| 久久久精品国产老熟女| 真实国产乱子伦精品视频| 中文字幕无码精品亚洲资源网久久| 欧美综合自拍亚洲综合百度| 91精品国产一区国产二区久久| 99精品人妻少妇一区二区| 91人妻无码成人精品一区91| 91久久大香伊蕉在人线国产| 麻豆网神马久久人鬼片| 中文乱码人妻系列一区二区 | 精品国产国产AV一区二区| 蜜桃视频一区二区三区| 国产精品久久久亚洲| 草草网站影院白丝内射| 日本最新在线一区二区|