随着图形学学习深入,会遇到连续函数不能直接用于数字计算机,必须进行数字化处理的情况。处理连续函数最有效的方法之一,就是函数的采样值,将函数在多个不同点处的值存储起来,需要时就重构其他函数值。本节将概述采样与重构技术。
一、数字音频:一维采样
记录音频信号的数字方法是采样,模数转换器(ADC)每秒钟测量电压数千次,产生整数流。这些整数可以很容易的存储在媒体中。在播放录音时,按照适当的速度读出数据,然后送入数模转换器(DAC)中。
要使重构出的音频具有较高的质量,每秒的采样次数取决于所记录声音的音调高低。
采样干扰与走样
数字音频记录链可以作为图形学采样与重构过程的具体模型。在图形学的图像或者其他采样信号中,也会出现同样的欠采样干扰和重构干扰现象。
问题原因:采样频率太低。
解决办法:采样前滤波,重构过程中再次滤波。
二、卷积
卷积
概念在采样与重构算法中广泛被应用,它是一个简单的数学概念,是采样、滤波、重构等算法的基础。
卷积是函数的运算,有两个函数产生一个新的函数。卷积可用于连续函数和离散序列;可用于一维、二维活高维定义域的函数(维度是按自变量个数计算得来)。
(一)滑动平均
举例:采用滑动平均对一位韩束进行平滑处理。
为了获得任意点的平滑值,计算该店 \(r\) 邻域的函数平均值(\(r\) 是指平滑运算的半径,是一个控制平滑程度的参数)。
计算:
- 连续函数 \(g(x)\) —— 在某个区间上对 \(g\) 积分,然后除以区间长度2r:
- 离散函数 \(b[i]\) —— 平均就是将索引范围内( \(2r+1\) )累加求平均:
卷积的本质是滑动平均思想,唯一的区别是卷积中的滑动平均是加权平均。
(二)离散卷积
离散卷积计算:
对离散序列 \(a[i]\)、\(b[i]\)进行卷积,结果为离散序列 \((a * b)[i]\),该过程类似爱用序列 \(a\) 所给的样本赋予加权值,对 b 进行滑动平均。
例:索引为 \(i-j\) 的样本 \(b[i-j]\)的权重为 \(a[j]\)。这是 \(a\) 卷积 \(b\) (\(a*b\))的计算公式表示:
上式是对所有整数的求和运算(\(- \infty \rightarrow + \infty\))
在图形学中,一般两个函数中由一个具有有限支撑集(意味着旨在自变量的有限区域内取非零值)。假设 \(a\) 有限,存在半径为 \(r\) ,使得当\(|j|>r\)时,都有 \(a[j]=0\),上面的求和公式再完整为:
(三)把卷积看做移位滤波器之和
如果 \(b\) 是一个序列,那么将 \(b\) 序列向右移动 \(j\) 个位置,将得到新序列 \(b_{\rightarrow j}\)(\(b_{\rightarrow j}[i] = b[i-j]\))
就可以把卷积公式写成整个 \((a * b)\)的形式:
(四)与连续函数的卷积
两个连续函数之间的卷积,用积分代替求和运算;
\(x\) 处 \(f*g\) 的值,就是移动 \(f\) 使得 \(f(0)\)与 \(g(x)\) 对应之后,两函数形成的曲线下面的面积。和离散情况一样,求卷积就是进行滑动平均,由滤波器提供权值。
(五)离散-连续卷积
离散与连续的相互转换存在有两种方式:
-
连续转离散:
采样 —— 通过记录连续函数在所有的整数自变量处的值,而忽略其他位置的值。 -
离散(或有序)转连续:
重构 —— 用连续滤波器 \(f(x)\) 对离散序列 \(a[i]\) 进行滤波: