Unity Shader 学习笔记.1.光照模型

  前言:光照模型是Shader 计算的理论基础,用于模拟现实生活中光照作用于物体表面而产生的,漫反射,镜面反射等物理现象。在学习Unity Shader 的过程中一直对光照模型的发展顺序和光照模型之间的关联关系理解不清,随着深入的学习对光照模型的发展过程逐渐有了一些了解,这里记录下方便以后复习查阅;

第一阶段:Lambert 漫反射光照模型

一个表面粗糙的物体上的任意一点在同等辐射度下对光的反射强度相同,及任意一点的反射率都相等;这种物体就被称做理想的漫反射体,生活中可以看到真实世界中,任何物体任意一点对光的反射率都不会完全一样,就像世界上没有完全相同的两片树叶。除了直接光照对物体表面产生影响外,物体还会受到周围其他物体反射出的光的间接照明,这种间接光照可以多个也可以产生多次,他们被统称为环境光, 在Lambert 漫反射光照模型中假设环境光是一个固定值,没有空间和方向性,物体表面任何一点受到的环境光都一样, 假设空间中的物体只受到环境光影响的话,物体各个表面的对光的表现必然都是一样的;所以在Lambert 光照模型下计算物体某一点的颜色 就等于 这一点受到的直接光照强度加上环境光再加上物体本身的漫反射颜色。

第二阶段:Phong 和 Blinn Phong 光照模型

简单讲就是在Lambert 光照模型的基础上加上了高光部分,用于模拟物体表面上的镜面反射现象,因为Lambert 漫反射模型只能模拟粗糙物体表面的光照现象,对于金属这类有光泽的物体无法模拟出真实的光泽感;一个光滑物体被光照射时,会向某个方向反射出强烈的光,当从这个方向观察物体时,就会看到物体产生的光泽或者高光效果(及镜面反射);Phong 模型不会去判断某一点是光滑的还是粗糙的,在Lambert 假设的基础上,物体表面上任意一点的反射率都相同 ,但是从不同的视角观察物体,所看到的物体反射的光的强度是不同的吗,在反射最强烈的地方观察物体,就会看到物体产生的高光效果;

Phong 光照模型也被称作标准经验光照模型,虽然不能真实的反应现实世界的光照物理现象但是实际计算得到的效果能够被大众接受,所以被广泛使用;Blinn Phong 光照模型 是对Phong 光照模型计算上的优化;在某些情况下,提高了计算速度,优化了显示效果;

第三阶段:BRDF (Bidirectional Reflectance Distribution Function)

由于Lambert 和Phong 光照模型都不能真实的模拟出现实世界中的光照效果,例如金属光侧,材质的各项异性,不同的材质和光的交互效果是多种多样的,为了能够更真实的模拟光照效果,BRDF(Bidirectional Reflectance Distribution Function)光照模型应用而生,BRDF 有多种实现方式;

 

 

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值