Games101 笔记 Lecture 7-9 Shading (Graphics pipeline, Texture Mapping)

本文介绍了实时渲染管线中的关键步骤,包括MVP变换、光栅化、Z-buffer和着色。重点讲解了Shader程序在顶点和像素处理中的作用,以及纹理映射的概念和实现,如纹理坐标、双线性插值和各向异性过滤。此外,还讨论了纹理在现代图形学中的应用,如环境映射和凹凸贴图对阴影的影响。
摘要由CSDN通过智能技术生成

Graphics (Real-time Rendering) Pipeline

图形管线 or 实时渲染管线
管线:从一个场景到一张图,中间经历的过程称为管线,表现的是一系列操作。

过程:
从一开始,输入是一堆空间中的点,并且经过了第一步之后,做一个投影变换,将三维空间中的点投影到平面上,这些点会形成三角形,通过光栅化离散成不同的fragment,画在离散的屏幕上(在不做MSAA之类的情况下,可以认为一个fragment就是一个像素)。当将三角形打散在屏幕上之后,开始对其进行着色,每个像素都知道是什么样的颜色,然后得到整个屏幕的表现。如果用了MSAA,就是好多个不同的fragment会形成一个像素的颜色,需要维护每个fragment对应的深度和颜色,最后再拼成一个图。

在这里插入图片描述
MVP变换,将每一个顶点做一次变换。
在这里插入图片描述
光栅化:对屏幕上每个像素点看是否在三角形内。
在这里插入图片描述
Z-buffer:当光栅化产生一定数量的fragment or 像素之后,判断是否可见。
在这里插入图片描述
Shading:顶点和像素都会有shading。(取决于着色的方法)
该部分大多都是可编程的。(用Shader控制顶点和像素是如何着色的)
在这里插入图片描述
纹理映射:三角形内部的像素与纹理的对应关系。
在这里插入图片描述

Shader Programs

现代GPU允许自己编程去解决顶点和像素如何进行操作的问题。
Shader本质上是可以在硬件上执行的语言。

Program vertex and fragment processing stages
Describe operation on a single vertex(or fragment)

  • Shader function executes once per fragment.
  • Outputs color of surface at the current fragment’s screen sample position.
  • This shader performs a texture lookup to obtain the surface’s material color at this point, then performs a diffuse lighting calculation.

注意:

  • Shader是每一个顶点or fragment(pixel)会执行一次,写完之后是通用的,每一个元素都需要如此运作。里面不需要写for循环。
  • 如果写的是顶点的操作,就叫做Vertex Shader(顶点着色器)
  • 如果写的是像素的操作,就叫做Pixel Shader (像素着色器)Fragment Shader(片段着色器)

Texture Mapping

说明

定义任何一个点的基本属性。(这个点定义在物体表面上)

  • Surface lives in 3D world space. 任何一个三维物体的表面都是二维的。通过这种方式,物体表面和一张图会存在一一对应关系。
  • Every 3D surface point also has a place where it goes in the 2D image (texture)
  • 将这张纹理图片蒙在物体表面的过程就是纹理映射。映射是一一对应的关系,因此需要找到物体表面的点和纹理之间的映射关系。

映射关系的得到方法

  1. 需要艺术家的创作,做出一个模型,然后通过一种展开的方式对应。
  2. 自动化的过程。给定任何一个模型,使用一种办法展开一个平面,并且还希望产生的三角形尽可能的少扭曲。如果保证纹理上对应颜色无缝衔接就更好了。

Visualization of Texture Voordinates

Each triangle vertex is assigned a texture coordinate (u,v).
uv的范围通常归一化到[0,1]内。
三角形每一个顶点都对应一个uv。

纹理可以应用到各种不同的物体表面。
不同的位置可以映射到相同的纹理上,纹理可以重复使用。纹理本身的设计也很重要。

Interpolation Across Triangles: Barycentric Coordinates

三角形的三个顶点有各自不同的属性,如何将这个属性在三角形内部做平滑的过度。任意给定三角形内的点,应该得到插值之后的结果。

重心坐标 Barycentric Coordinates

Q1: Why do we want to interpolate:

  • Specify values at vertices.为了在三角形内部做插值,而引入重心坐标。
  • Obtain smoothly varying values across triangles.

Q2: What do we want to interpolate?

  • Texture coordinates, colors, normal vectors,…

重心坐标是定义在一个三角形上的。
首先有一个三角形ABC,重心坐标指的是,在三角形ABC三个点所形成的的平面内任意一点(x,y)都可以表示为三个顶点A,B,C的线性组合。
( x , y ) = α A + β B + γ C α + β + γ = 1 (x,y) = \alpha A + \beta B + \gamma C \\ \alpha + \beta + \gamma = 1 (x,y)=αA+βB+γCα+β+γ=1
和为1是为了限制点在三角形所在的平面内。
如果三个系数均为非负,则该点在三角形内部。
在这里插入图片描述
A点的重心坐标:
( α , β , γ ) = ( 1 , 0 , 0 ) ( x , y ) = α A + β B + γ C = A (\alpha , \beta ,\gamma) = (1,0,0) \\ (x,y) = \alpha A + \beta B + \gamma C = A (α,β,γ)=(1,0,0)(x,y)=αA+βB+γC=A

在这里插入图片描述
某一点的重心坐标还可以通过面积求出。
α = A A A A + A B + A C β = A B A A + A B + A C γ = A C A A + A B + A C \alpha = \frac {A_A} {A_A+A_B+A_C}\\ \beta = \frac {A_B} {A_A+A_B+A_C}\\ \gamma = \frac {A_C} {A_A+A_B+A_C} α=AA+AB+ACAA

  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
,发送类别,概率,以及物体在相机坐标系下的xyz.zip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
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