اختلال پرلین نوعی از اختلالات گرادیان ( متحرک ) است که در تصاویر ایجاد شده توسط کامپیوتر برای ملایم کردن خروجی به کار می رود. اختلالات گرادیانی نوعی از اختلال است که عمدتاً به عنوان بافتار رویهٔ اصلی در تصاویر ایجاد شده توسط کامپیوتر به کار می روند. [ ۱]
کن پرلین در سال ۱۹۸۳ برای حل مشکل مصنوعی بودن تصاویر ایجاد شده توسط کامپیوتر این الگوریتم را ارائه کرد تا به کمک آن تصاویر واقعی تر و ملایم تری را بتوان به دست آورد. او به طور رسمی اکتشافات خود را در مقاله ای تحت عنوان ترکیب کننده تصویر در کنفرانس سیگراف اعلام کرد. [ ۲] [ ۳]
این تابع ظاهری شبه تصادفی دارد اما با این وجود تمام جزئیات بصری آن هم اندازه می باشند. این ویژگی به ما کمک می کند تا به راحتی آن را کنترل کنیم. چندین نسخه از اختلالات پرلین در مقیاس های مختلف می توانند توسط یک رابطه ریاضی به تنوع زیادی از بافتارها تبدیل شوند. به عنوان مثال می توان به کمک آنها سطوح اشیاء، آتش، دود و ابرها را ایجاد نمود. [ ۴]
اختلال پرلین عمدتاً بر روی دو، سه و چهار بعد پیاده سازی می شود اما می توان آن را برای ابعاد بالاتر نیز پیاده نمود. توجه داشته باشید که در ابعاد بالاتر از دو برای تهیه تصویر باید زاویه دید خود را نیز تعیین کنیم. پیاده سازی الگوریتم سه مرحله اصلی دارد:
نخست یک صفحه را به یک جدول m × n تبدیل می کنیم و در هر راس یک بردار گرادیانی تصادفی n - بعدی با طول واحد رسم می کنیم. ( به استثنای حالت یک بعدی که در آن تنها یک اسکالر بین - ۱ و ۱ نسبت می دهیم ) دقت کنید که طول واحد به معنای طول یک نمی باشد و بردارها می توانند هر طولی داشته باشند اما تمامی بردارها باید طول یکسان و واحدی داشته باشند. به تصویر زیر توجه کنید:
برای پیدا کردن مقدار اختلال هر نقطه دلخواه، آن خانه از جدول را که نقطه مورد نظر در آن قرار دارد را می یابیم و مختصات گوشه های متناظر با آن خانه جدول را پیدا می کنیم. سپس بردارهای گرادیانی ای را که از این گوشه ها بیرون می آیند را یافته و آن ها را به ترتیب ذخیره می کنیم و مقدار ضرب داخلی آن ها در بردارهای انحراف ( offset vectors ) ( پایین تر به توضیح آن ها می پردازیم ) را محاسبه می کنیم. به جدول زیر توجه کنید:
حال بردارهای انحراف را محاسبه می کنیم. بردار انحراف، برداری است که از نقطه مورد نظر به گوشه های خانه ای که در آن قرار دارد کشیده می شود. برای روشن تر شدن موضوع به تصویر زیر نگاه کنید:
این نوشته برگرفته از سایت ویکی پدیا می باشد، اگر نادرست یا توهین آمیز است، لطفا گزارش دهید: گزارش تخلفکن پرلین در سال ۱۹۸۳ برای حل مشکل مصنوعی بودن تصاویر ایجاد شده توسط کامپیوتر این الگوریتم را ارائه کرد تا به کمک آن تصاویر واقعی تر و ملایم تری را بتوان به دست آورد. او به طور رسمی اکتشافات خود را در مقاله ای تحت عنوان ترکیب کننده تصویر در کنفرانس سیگراف اعلام کرد. [ ۲] [ ۳]
این تابع ظاهری شبه تصادفی دارد اما با این وجود تمام جزئیات بصری آن هم اندازه می باشند. این ویژگی به ما کمک می کند تا به راحتی آن را کنترل کنیم. چندین نسخه از اختلالات پرلین در مقیاس های مختلف می توانند توسط یک رابطه ریاضی به تنوع زیادی از بافتارها تبدیل شوند. به عنوان مثال می توان به کمک آنها سطوح اشیاء، آتش، دود و ابرها را ایجاد نمود. [ ۴]
اختلال پرلین عمدتاً بر روی دو، سه و چهار بعد پیاده سازی می شود اما می توان آن را برای ابعاد بالاتر نیز پیاده نمود. توجه داشته باشید که در ابعاد بالاتر از دو برای تهیه تصویر باید زاویه دید خود را نیز تعیین کنیم. پیاده سازی الگوریتم سه مرحله اصلی دارد:
نخست یک صفحه را به یک جدول m × n تبدیل می کنیم و در هر راس یک بردار گرادیانی تصادفی n - بعدی با طول واحد رسم می کنیم. ( به استثنای حالت یک بعدی که در آن تنها یک اسکالر بین - ۱ و ۱ نسبت می دهیم ) دقت کنید که طول واحد به معنای طول یک نمی باشد و بردارها می توانند هر طولی داشته باشند اما تمامی بردارها باید طول یکسان و واحدی داشته باشند. به تصویر زیر توجه کنید:
برای پیدا کردن مقدار اختلال هر نقطه دلخواه، آن خانه از جدول را که نقطه مورد نظر در آن قرار دارد را می یابیم و مختصات گوشه های متناظر با آن خانه جدول را پیدا می کنیم. سپس بردارهای گرادیانی ای را که از این گوشه ها بیرون می آیند را یافته و آن ها را به ترتیب ذخیره می کنیم و مقدار ضرب داخلی آن ها در بردارهای انحراف ( offset vectors ) ( پایین تر به توضیح آن ها می پردازیم ) را محاسبه می کنیم. به جدول زیر توجه کنید:
حال بردارهای انحراف را محاسبه می کنیم. بردار انحراف، برداری است که از نقطه مورد نظر به گوشه های خانه ای که در آن قرار دارد کشیده می شود. برای روشن تر شدن موضوع به تصویر زیر نگاه کنید:
wiki: اختلال پرلین