太极图形课——渲染——光线追踪实战第一部分呢

2024-06-05 01:12

本文主要是介绍太极图形课——渲染——光线追踪实战第一部分呢,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

根据概念部分我们逐步通过太极实现光线追踪

总共可以分为5步

第一步:如何发射出一道光?

首先明确何为一道光,光从我们眼睛(摄像机)射出,那么在三维虚拟世界里,我们可以认为这道光就是一条射线,在三维世界里,一条射线可以由一个点和一个向量定义

任何在这条射线上的点,我们都可以用一个标量t来表示,这个标量的值代表了这个点到射出去的原点的距离

那么我们如何把这样一条射线放进我们所定义的虚拟世界中呢,首先需要设定的就是在这个虚拟世界中我们眼睛(摄像机)的位置,这个位置通过三维世界的坐标一个三维的数组就可以表达了,第二就是定义我们看的方向,也就是方向向量,也通过一个三维的数组表达

在概念中说,最后我们要将三维的物体投影在眼前的屏幕上就可以了,那么我们就需要放置屏幕,我们所看的方向穿过这个屏幕的中心,这个屏幕垂直于我们的视线

现在屏幕的位置还没有确定,首先我们需要确定屏幕和我们眼睛的距离,再确定屏幕屏幕的方向,我们设定一个三维向量来确定,最后就是屏幕的大小,这个我们通过设定一个fov来表示

通过fov可以求出屏幕的半宽和半长,宽由长决定,取决于你需要几比几的屏幕,例如16:9,有了这些我们设定一个以屏幕中心为原点的坐标系uvw,最后可以确定眼睛或者说摄像机左下角出发的点,并确定其水平和垂直的向量

此时我们就已经准备好发射射线

#首先定义一个世界坐标系,其中有眼睛或者说摄像机的位置
lookfrom[None] = [x,y,z]
#定义朝向
lookat[None] = [x,y,z]
#定义屏幕和其中心点
theta = 1.0/3.0 *pi #fov设置
half_height = ti.tan(theta/2.0) *distance
half_width = aspect_ratio * half_height * distance
w = (lookfrom[None] - lookat[None]).normalized()
u = (upp[None].cross(w)).normalized()
v = w.cross(u)
#可以得到屏幕的视点位置
cam_lower_left_corner[None] = (lookfrom[None] - half_width*u - half_height *v - w)*distance 
cam_horizational[None] = 2* half_width * u * distance 
cam_vertical[None] = 2 * half_height * v *distance
#发射光线
u = float(j)/res_x
v = float(i)/res_Y
ray.direction = cam_lower_left_corner[None] + u * cam_horizational[None] + v * cam_vertical[None] - lookfrom[None]
#pixel块是一个像素点方块,我们可以将其放在正中间
u = float(i + 0.5)/res_x
v = float(j + 0.5)/res_y

由于像素是一个方块,我们还可以把这个射线正好移动到点的中心

第二步: 如何将光和物体求交

之前已经了解到一个视线由一个射线表示,射线上的每一个点可以通过一个标量t来表示,那么怎么实现物体和实现的求交呢,对于一个圆来说。我们可以将圆用一个参数方程来表示,然后将点用t来代替我们就可以得到下列的方程

将方程简化就可以获得一个一元二次方程

通过求根公式韦达定理,可以判断是否有相交,相交的点是哪一个,我们需要去第一个正根,在计算机中由于有时候会出现0.0001这种明显是物体没有相交而是反射的正根,因此需要添加一个门槛,例如正根至少要大于0.001

目前教程所给代码中仅仅只实现了与圆的相交,实际上还可以实现和平面,三角形实现相交,例如对于一个平面来说,我们

的参数方程可以定义为平面上任意两个点所构成的向量和平面的法向量垂直,也就是点乘为0,将任意一点用视线的点代替

可以获得的根的方程为向量d和法向量点乘不为0,也就是这两个方向不垂直的时候,一定有一个点

如果为点乘为0,也分为从平面出发导致与平面重合以及不从平面出发,永远没有交点

进一步如何判断有点的话是否该点在三角形内

此时需要引入的概念是重心的概念,具体概念如下图,三个三角形的面积相加等于整个三角形说明这个点在三角形内

这个重心的概念可以推广到四面体上

此时就可以判断三角形网格的相交了

最后可以得到两种方法,一种是隐式积分,找到面的定义,将点的定义代入其中,最后得到一个高纬的方程,简化后都是一个一元二次方程,第二种方法遍历全部的三角形面片,找到点在哪个三角形里面

这篇关于太极图形课——渲染——光线追踪实战第一部分呢的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1031659

相关文章

网页解析 lxml 库--实战

lxml库使用流程 lxml 是 Python 的第三方解析库,完全使用 Python 语言编写,它对 XPath表达式提供了良好的支 持,因此能够了高效地解析 HTML/XML 文档。本节讲解如何通过 lxml 库解析 HTML 文档。 pip install lxml lxm| 库提供了一个 etree 模块,该模块专门用来解析 HTML/XML 文档,下面来介绍一下 lxml 库

【前端学习】AntV G6-08 深入图形与图形分组、自定义节点、节点动画(下)

【课程链接】 AntV G6:深入图形与图形分组、自定义节点、节点动画(下)_哔哩哔哩_bilibili 本章十吾老师讲解了一个复杂的自定义节点中,应该怎样去计算和绘制图形,如何给一个图形制作不间断的动画,以及在鼠标事件之后产生动画。(有点难,需要好好理解) <!DOCTYPE html><html><head><meta charset="UTF-8"><title>06

性能分析之MySQL索引实战案例

文章目录 一、前言二、准备三、MySQL索引优化四、MySQL 索引知识回顾五、总结 一、前言 在上一讲性能工具之 JProfiler 简单登录案例分析实战中已经发现SQL没有建立索引问题,本文将一起从代码层去分析为什么没有建立索引? 开源ERP项目地址:https://gitee.com/jishenghua/JSH_ERP 二、准备 打开IDEA找到登录请求资源路径位置

C#实战|大乐透选号器[6]:实现实时显示已选择的红蓝球数量

哈喽,你好啊,我是雷工。 关于大乐透选号器在前面已经记录了5篇笔记,这是第6篇; 接下来实现实时显示当前选中红球数量,蓝球数量; 以下为练习笔记。 01 效果演示 当选择和取消选择红球或蓝球时,在对应的位置显示实时已选择的红球、蓝球的数量; 02 标签名称 分别设置Label标签名称为:lblRedCount、lblBlueCount

滚雪球学Java(87):Java事务处理:JDBC的ACID属性与实战技巧!真有两下子!

咦咦咦,各位小可爱,我是你们的好伙伴——bug菌,今天又来给大家普及Java SE啦,别躲起来啊,听我讲干货还不快点赞,赞多了我就有动力讲得更嗨啦!所以呀,养成先点赞后阅读的好习惯,别被干货淹没了哦~ 🏆本文收录于「滚雪球学Java」专栏,专业攻坚指数级提升,助你一臂之力,带你早日登顶🚀,欢迎大家关注&&收藏!持续更新中,up!up!up!! 环境说明:Windows 10

poj 2976 分数规划二分贪心(部分对总体的贡献度) poj 3111

poj 2976: 题意: 在n场考试中,每场考试共有b题,答对的题目有a题。 允许去掉k场考试,求能达到的最高正确率是多少。 解析: 假设已知准确率为x,则每场考试对于准确率的贡献值为: a - b * x,将贡献值大的排序排在前面舍弃掉后k个。 然后二分x就行了。 代码: #include <iostream>#include <cstdio>#incl

springboot实战学习(1)(开发模式与环境)

目录 一、实战学习的引言 (1)前后端的大致学习模块 (2)后端 (3)前端 二、开发模式 一、实战学习的引言 (1)前后端的大致学习模块 (2)后端 Validation:做参数校验Mybatis:做数据库的操作Redis:做缓存Junit:单元测试项目部署:springboot项目部署相关的知识 (3)前端 Vite:Vue项目的脚手架Router:路由Pina:状态管理Eleme

笔记整理—内核!启动!—kernel部分(2)从汇编阶段到start_kernel

kernel起始与ENTRY(stext),和uboot一样,都是从汇编阶段开始的,因为对于kernel而言,还没进行栈的维护,所以无法使用c语言。_HEAD定义了后面代码属于段名为.head .text的段。         内核起始部分代码被解压代码调用,前面关于uboot的文章中有提到过(eg:zImage)。uboot启动是无条件的,只要代码的位置对,上电就工作,kern

深度学习实战:如何利用CNN实现人脸识别考勤系统

1. 何为CNN及其在人脸识别中的应用 卷积神经网络(CNN)是深度学习中的核心技术之一,擅长处理图像数据。CNN通过卷积层提取图像的局部特征,在人脸识别领域尤其适用。CNN的多个层次可以逐步提取面部的特征,最终实现精确的身份识别。对于考勤系统而言,CNN可以自动从摄像头捕捉的视频流中检测并识别出员工的面部。 我们在该项目中采用了 RetinaFace 模型,它基于CNN的结构实现高效、精准的

项目实战系列三: 家居购项目 第四部分

购物车 🌳购物车🍆显示购物车🍆更改商品数量🍆清空购物车&&删除商品 🌳生成订单 🌳购物车 需求分析 1.会员登陆后, 可以添加家居到购物车 2.完成购物车的设计和实现 3.每添加一个家居,购物车的数量+1, 并显示 程序框架图 1.新建src/com/zzw/furns/entity/CartItem.java, CartItem-家居项模型 /***