0.原始
y
=
k
x
+
b
y=kx+b
y=kx+b
k
=
y
1
−
y
0
x
1
−
x
0
k=\frac{y_1-y_0}{x_1-x_0}
k=x1−x0y1−y0
假
设
x
已
知
，
即
从
x
的
起
点
x
0
开
始
，
沿
x
方
向
前
进
一
个
像
素
（
步
长
等
于
1
）
，
可
以
计
算
出
对
应
的
y
值
假设x已知，即从x的起点x_0开始，沿x方向前进一个像素（步长等于1），可以计算出对应的y值
假设x已知，即从x的起点x0开始，沿x方向前进一个像素（步长等于1），可以计算出对应的y值
由于像素的坐标是整数，所以y值还要进行取整处理
直接向下取整误差大： p ( 1.7 , 0.8 ) → 取 整 p ( 1 , 0 ) p(1.7,0.8)\overset{取整}{\rightarrow}p(1,0) p(1.7,0.8)→取整p(1,0)
四舍五入取整误差小： p ( 1.7 , 0.8 ) → + 0.5 p ( 2..2 , 1.3 ) → + 0.5 p ( 2 , 1 ) p(1.7,0.8)\overset{+0.5}{\rightarrow}p(2..2,1.3)\overset{+0.5}{\rightarrow}p(2,1) p(1.7,0.8)→+0.5p(2..2,1.3)→+0.5p(2,1)
1.数值微分法（DDA ）画线法
使用增量思想，将乘法减少，只剩下加法
y
i
=
k
x
i
+
b
y_i=kx_i+b
yi=kxi+b
y
i
+
1
=
k
x
i
+
1
+
b
y_{i+1}=kx_{i+1}+b
yi+1=kxi+1+b
y
i
+
1
=
k
(
x
1
+
1
)
+
b
y_{i+1}=k(x_1+1)+b
yi+1=k(x1+1)+b
y
i
+
1
=
k
x
1
+
b
+
k
y_{i+1}=kx_1+b+k
yi+1=kx1+b+k
y
i
+
1
=
y
1
+
k
y_{i+1}=y_1+k
yi+1=y1+k
当前的y值等于前一步的y值加上斜率k
斜率小于等于0时，可以使用y方向，如果斜率大于1，则需要使用x方向递增，否则会出现距离很大的离散点
2.中点画线法
改进效率，将浮点运算变为整数加法
F
(
x
,
y
)
=
A
x
+
B
y
+
C
=
0
F(x,y)=Ax+By+C=0
F(x,y)=Ax+By+C=0
- 对 于 直 线 上 的 点 F ( x , y ) = 0 对于直线上的点 F(x,y)=0 对于直线上的点F(x,y)=0
- 对 于 直 线 上 方 的 点 F ( x , y ) > 0 对于直线上方的点 F(x,y)>0 对于直线上方的点F(x,y)>0
- 对 于 直 线 下 方 的 点 F ( x , y ) < 0 对于直线下方的点 F(x,y)<0 对于直线下方的点F(x,y)<0
假定： 0 ≤ ∣ k ∣ ≤ 1 0 \leq |k| \leq1 0≤∣k∣≤1。因此，每次x方向上加1，y方向上加1或不变需要判断
y
方
向
上
y
i
与
y
i
+
1
的
中
点
为
y
m
y方向上y_i与y_{i+1}的中点为y_m
y方向上yi与yi+1的中点为ym
d
i
=
F
(
x
m
,
y
m
)
d_i=F(x_m,y_m)
di=F(xm,ym)
d
i
=
A
x
m
+
B
y
m
+
C
d_i=Ax_m+By_m+C
di=Axm+Bym+C
d
i
=
A
(
x
i
+
1
)
+
B
(
y
i
+
0.5
)
+
C
d_i=A(x_i+1)+B(y_i+0.5)+C
di=A(xi+1)+B(yi+0.5)+C
- 当 d < 0 时 ： 中 点 在 下 方 ， 说 明 应 取 上 方 的 点 当d<0时：中点在下方，说明应取上方的点 当d<0时：中点在下方，说明应取上方的点
- 当 d > 0 时 ： 中 点 在 上 方 ， 说 明 应 取 下 方 的 点 当d>0时：中点在上方，说明应取下方的点 当d>0时：中点在上方，说明应取下方的点
引进增量思想
y
=
{
y
+
1
(
d
<
0
)
y
(
d
≥
0
)
y=\left\{\begin{matrix} & y+1 &(d<0) \\ & y &(d\geq0) \end{matrix}\right.
y={y+1y(d<0)(d≥0)
d
0
=
F
(
x
m
0
,
y
m
0
)
d_0=F(x_{m_0},y_{m_0})
d0=F(xm0,ym0)
d
0
=
F
(
x
0
+
1
,
y
0
+
0.5
)
d_0=F(x_0+1,y_0+0.5)
d0=F(x0+1,y0+0.5)
d
0
=
A
(
x
0
+
1
)
+
B
(
y
0
+
0.5
)
+
C
d_0=A(x_0+1)+B(y_0+0.5)+C
d0=A(x0+1)+B(y0+0.5)+C
d
0
=
A
x
0
+
B
y
0
+
C
+
A
+
0.5
B
d_0=Ax_0+By_0+C+A+0.5B
d0=Ax0+By0+C+A+0.5B由于原点在直线上，
d
0
=
A
+
0.5
B
d_0=A+0.5B
d0=A+0.5B
当
d
<
0
时
当d<0时
当d<0时
d
1
=
F
(
x
m
1
,
y
m
1
)
d_1=F(x_{m_1},y_{m_1})
d1=F(xm1,ym1)
d
1
=
F
(
x
i
+
2
,
y
i
+
1.5
)
d_1=F(x_i+2,y_i+1.5)
d1=F(xi+2,yi+1.5)
d
1
=
A
(
x
i
+
2
)
+
B
(
y
i
+
1.5
)
+
C
d_1=A(x_i+2)+B(y_i+1.5)+C
d1=A(xi+2)+B(yi+1.5)+C
d
1
=
A
(
x
i
+
1
)
+
B
(
y
i
+
0.5
)
+
C
+
A
+
B
d_1=A(x_i+1)+B(y_i+0.5)+C+A+B
d1=A(xi+1)+B(yi+0.5)+C+A+B
d
1
=
d
0
+
A
+
B
d_1=d_0+A+B
d1=d0+A+B
当
d
≥
0
时
当d\geq0时
当d≥0时
d
1
=
F
(
x
m
1
,
y
m
1
)
d_1=F(x_{m_1},y_{m_1})
d1=F(xm1,ym1)
d
1
=
F
(
x
i
+
2
,
y
i
+
1.5
)
d_1=F(x_i+2,y_i+1.5)
d1=F(xi+2,yi+1.5)
d
1
=
A
(
x
i
+
2
)
+
B
(
y
i
+
0.5
)
+
C
d_1=A(x_i+2)+B(y_i+0.5)+C
d1=A(xi+2)+B(yi+0.5)+C
d
1
=
A
(
x
i
+
1
)
+
B
(
y
i
+
0.5
)
+
C
+
A
d_1=A(x_i+1)+B(y_i+0.5)+C+A
d1=A(xi+1)+B(yi+0.5)+C+A
d
1
=
d
0
+
A
d_1=d_0+A
d1=d0+A
d
n
e
w
=
{
d
o
l
d
+
A
+
B
(
d
o
l
d
<
0
)
d
o
l
d
+
A
(
d
o
l
d
≥
0
)
d_{new}=\left\{\begin{matrix} & d_{old}+A+B &(d_{old}<0) \\ & d_{old}+A &(d_{old}\geq0) \end{matrix}\right.
dnew={dold+A+Bdold+A(dold<0)(dold≥0)
d
0
=
A
+
0.5
B
d_0=A+0.5B
d0=A+0.5B
A、B、C作为整数，则我们将2d代入，可以将浮点运算减去
3.Bresenham 画线法
算法不仅可以解决画直线问题，还能解决圆弧、抛物线甚至只有曲线的光栅化问题
思想是通过各行、各列像素中心构造一组虚拟网格线，按照直线七点到终点的顺序，计算直线与各垂直网格线的交点，然后根据误差项的符号确定该列像素中与交点最近的像素。
假设每次x+1，y的递增（减）量为0或者1，它取决于实际直线与最近光栅网格点的距离，这个距离的最大误差为0.5。
k为斜率
d
=
d
+
k
d=d+k
d=d+k
一旦
d
≥
1
，
就
把
它
减
去
1
，
保
证
d
的
相
对
性
，
且
在
0
、
1
之
间
d\geq1，就把它减去1，保证d的相对性，且在0、1之间
d≥1，就把它减去1，保证d的相对性，且在0、1之间
{ x i + 1 = x i + 1 y i + 1 = { y i + 1 = y i + 1 ( d > 0.5 ) y i ( d ≤ 0.5 ) \left\{\begin{matrix} & x_{i+1}=x_i+1 &\\ & y_{i+1}=\left\{\begin{matrix} & y_{i+1}=y_i+1 &(d>0.5) \\ & y_{i} &(d\leq0.5) \end{matrix}\right. & \end{matrix}\right. ⎩⎨⎧xi+1=xi+1yi+1={yi+1=yi+1yi(d>0.5)(d≤0.5)
令e=d-0.5
{
x
i
+
1
=
x
i
+
1
y
i
+
1
=
{
y
i
+
1
=
y
i
+
1
(
e
>
0
)
y
i
(
e
≤
0
)
\left\{\begin{matrix} & x_{i+1}=x_i+1 & \\ & y_{i+1}=\left\{\begin{matrix} & y_{i+1}=y_i+1 &(e>0) \\ & y_{i} &(e\leq0) \end{matrix}\right. & \end{matrix}\right.
⎩⎨⎧xi+1=xi+1yi+1={yi+1=yi+1yi(e>0)(e≤0)
e>0，y方向递增1；e<0，y方向不递增
e=0时，可任选上下光栅点显示
- e 0 = − 0.5 e_0=-0.5 e0=−0.5
- 每走一步有e=e+k
- 如果e>0则e=e-1
由于算法中只用到误差项的符号，所以可以使用 e ∗ 2 ∗ △ x e*2* \bigtriangleup x e∗2∗△x来替换e
k = d y d x k=\frac{dy}{dx} k=dxdy
- e 0 = − △ x e_0=- \bigtriangleup x e0=−△x
- 每 走 一 步 有 e = e + 2 ∗ △ y 每走一步有e=e+2* \bigtriangleup y 每走一步有e=e+2∗△y
- 如 果 e > 0 则 e = e − 2 ∗ △ x 如果e>0则e=e-2* \bigtriangleup x 如果e>0则e=e−2∗△x
4002
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
