Perlin Noise：计算网格点的伪随机梯度答案

【问题标题】：Perlin Noise: Calculating pseudorandom gradients of grid pointsPerlin Noise：计算网格点的伪随机梯度
【发布时间】：2012-11-10 23:16:43
【问题描述】：

我似乎在理解this Perlin Noise 文章时遇到了一些问题。我需要一些帮助来理解如何计算每个边界点的伪随机梯度。作者给出的函数：

g(xgrid, ygrid) = (gx, gy)

然后他给出了图像：

我理解文章的其余部分，但我不知道他是如何从每个边界点生成这些随机梯度的。协助将不胜感激。谢谢！

【问题讨论】：

标签： random vector gradient noise perlin-noise

【解决方案1】：

但我不知道他是如何从每个边界点生成这些随机梯度的。

从文章中，它使用了一个总是相同种子的伪随机数生成器，并且总是在同一个网格上计算它，所以

我们的意思是g具有随机性的外观，但有重要的考虑它总是为同一个网格点返回相同的梯度，每次它计算出来的。同样重要的是，每个方向都有平等的机会采摘。

所以它可能会做类似的事情

srand(CONSTANT_VALUE);

for (y = 0; y < GridHeight; y++)
{
    for (x = 0; x < GridWidth; x++)
    {
        r1 = rand();
        r2 = rand();
        gradient[y][x] = some_function(r1, r2);
    }
}

所以每个点的梯度是伪随机的，对于相同的 x 和 y，它总是相同的，并且分布均匀。然后它访问矩阵gradient 来运行其余的计算。

【讨论】：

很好的答案，但在我见过的所有 Perlin Noise 实现中，都没有使用过类似的东西。 “渐变”似乎不是真正的渐变。但我不确定。
同意它们看起来不太像渐变 - 我宁愿称它们为 vectors。甚至 versors，它们看起来都是固定长度的。不过，这就是他所说的：-D
我认为它们是梯度，因为它们代表了该点噪声的变化率，就像“正常”向量一样。固定长度有助于使噪声的最大值保持一致。如果它们真的是随机的，噪音就会有暗淡的地方。我想。