柏林噪声，基于Python Numpy，推导了插值方式

前一阵子在小破站看到了关于分型柏林噪声的内容，讲述了关于柏林噪声发生的原理。

视频链接：分形柏林噪声_哔哩哔哩_bilibili

当时正好需要用到这方面的内容，就自己尝试做了一下，过程稍微有点坎坷，隔了一段时间再来写一下。

柏林噪声和值噪声的区别

相信来到这边的小伙伴已经了解了值噪声，而柏林噪声实际上就是把值噪声中的值替换成了一个梯度向量。这个梯度向量我理解为是一个单位向量，方便归一化，但是大家也可以尝试一下替换成模小于等于1的向量。 

值噪声每个区块的运算就是对四个角进行插值，柏林噪声有相似之处。

图片源于b站

柏林噪声的运算首先要将图片划分成若干相同尺寸的区块，然后根据区块形状生成随机的梯度向量表，使得一个区块的四个角都对应一个梯度。在一个区块内，计算点到四个角的向量，然后用该向量和角上的梯度点乘。最后插值。

在一个区块内，如果我们单独对一个角上的向量进行点乘，我们会得到一张简单的渐变图案，这张图案的渐变方向其实是该角的梯度向量的方向。

而柏林噪声就是对四张这样的渐变图案进行插值。

注意，这里的插值很关键，直接影响到柏林噪声的品质。

插值公式的推导

对于一维的插值，可以根据需要列方程

        

最后求到这个公式，也是网上常见的插值方式：