Python的随机性的随机性

Question

我正在使用 Python 生成图像，并使用虚线进行点画。划线的周期是恒定的，改变的是划线/空间比。这会产生这样的结果：

但是，在该图像中，虚线具有统一的原点，这会产生难看的垂直排水沟。所以我试图随机化原点以去除排水沟。这种工作，但有一个明显的模式：

想知道这是从哪里来的，我做了一个非常简单的测试用例，上面有堆叠的虚直线：

• 冲刺比：50%
• 短划线周期 20px
• 使用random.uniform(-10.,+10.)(*) 将原点从-10px 转移到+10px（在初始random.seed() 之后

并增加随机性：

所以还是有规律的。我不明白的是，要获得可见的排水沟，您需要有 6 或 7 个连续值落在同一范围内（例如，总范围的一半），这应该是 1/64 的概率，但似乎发生了很多在生成的 200 行中更常见。

我是不是误会了什么？只是我们人类的大脑在看到没有的模式吗？有没有更好的方法来生成更“视觉上随机”的东西（python 2.7，最好不安装任何东西）？

(*) 部分像素在该上下文中有效

附件：我使用的代码（这是一个 Gimp 脚本）：

#!/usr/bin/env python
# -*- coding: iso-8859-15 -*-

# Python script for Gimp (requires Gimp 2.10)
# Run on a 400x400 image to see something without having to wait too much
# Menu entry is in "Test" submenu of image menubar

import random,traceback
from gimpfu import *

def constant(minShift,maxShift):
    return 0

def triangle(minShift,maxShift):
    return random.triangular(minShift,maxShift)

def uniform(minShift,maxShift):
    return random.uniform(minShift,maxShift)

def gauss(minShift,maxShift):
    return random.gauss((minShift+maxShift)/2,(maxShift-minShift)/2)

variants=[('Constant',constant),('Triangle',triangle),('Uniform',uniform),('Gauss',gauss)]

def generate(image,name,generator):
    random.seed()
    layer=gimp.Layer(image, name, image.width, image.height, RGB_IMAGE,100, LAYER_MODE_NORMAL)
    image.add_layer(layer,0)
    layer.fill(FILL_WHITE)
    path=pdb.gimp_vectors_new(image,name)

    # Generate path, horizontal lines are 2px apart, 
    # Start on left has a random offset, end is on the right edge right edge
    for i in range(1,image.height, 2):
        shift=generator(-10.,10.)
        points=[shift,i]*3+[image.width,i]*3
        pdb.gimp_vectors_stroke_new_from_points(path,0, len(points),points,False)
    pdb.gimp_image_add_vectors(image, path, 0)

    # Stroke the path
    pdb.gimp_context_set_foreground(gimpcolor.RGB(0, 0, 0, 255))
    pdb.gimp_context_set_stroke_method(STROKE_LINE)
    pdb.gimp_context_set_line_cap_style(0)
    pdb.gimp_context_set_line_join_style(0)
    pdb.gimp_context_set_line_miter_limit(0.)
    pdb.gimp_context_set_line_width(2)
    pdb.gimp_context_set_line_dash_pattern(2,[5,5])
    pdb.gimp_drawable_edit_stroke_item(layer,path)

def randomTest(image):
    image.undo_group_start()
    gimp.context_push()

    try:
        for name,generator in variants:
            generate(image,name,generator)
    except Exception as e:
        print e.args[0]
        pdb.gimp_message(e.args[0])
        traceback.print_exc()

    gimp.context_pop()
    image.undo_group_end()
    return;

### Registration
desc="Python random test"

register(
    "randomize-test",desc,'','','','',desc,"*",
    [(PF_IMAGE, "image", "Input image", None),],[],
    randomTest,menu="<Image>/Test",
)

main()

Answer 1

这有点违反直觉，但是当您将随机元素添加在一起时，随机性会减少。如果我正确地遵循每个元素的范围是 10px - 30px。所以 10 个元素的总大小是 100px 到 300px，但分布甚至不在这个范围内。极端情况不太可能出现，平均而言它将非常接近 200 像素，因此将出现基本的 20 像素模式。您的随机分布需要避免这种情况。

编辑：我看到我有点误解了，所有的破折号都是 20px 的随机偏移量。因此，我认为查看任何一组垂直破折号都会显得随机，但相同的随机组会在整个页面中重复出现，从而给出模式。

Answer 2

可以这样想：排水沟是可察觉的，直到它被阻塞（或几乎如此）。只有当两条连续的线几乎完全异相时才会发生这种情况（第一条线上的黑色线段几乎位于下一条线的白色线段之上）。这种极端情况大约每 10 行就会发生一次，因此可见的排水沟在被阻塞之前似乎延伸了大约 10 行。

换个角度看——如果您打印出图像，确实有较长的白色通道，您可以通过这些通道轻松地用钢笔画一条线。为什么你的大脑不应该感知它们？

为了获得更好的视觉随机性，找到一种方法使连续的线条依赖而不是独立，这样几乎异相的行为会更频繁地出现。

Answer 3

我们在“随机”图片中看到一种模式至少有一个明显的原因：400x400 像素就是重复 20 次的同一个 20x400 像素。

所以每一个明显的动作都会并行重复 20 次，这确实有助于大脑分析图片。

实际上，同样的 10px 宽的图案重复了 40 次，黑白交替：

您可以为每行单独随机化破折号（例如，在 12 到 28 之间）：

下面是对应的代码：

import numpy as np
import random

from matplotlib import pyplot as plt
%matplotlib inline
plt.rcParams['figure.figsize'] = [13, 13]

N = 400

def random_pixels(width, height):
    return np.random.rand(height, width) < 0.5

def display(table):
    plt.imshow(table, cmap='Greys', interpolation='none')
    plt.show()

display(random_pixels(N, N))

def stripes(width, height, stripe_width):
    table = np.zeros((height, width))
    cycles = width // (stripe_width * 2) + 1
    pattern = np.concatenate([np.zeros(stripe_width), np.ones(stripe_width)])
    for i in range(height):
        table[i] = np.tile(pattern, cycles)[:width]
    return table

display(stripes(N, N, 10))

def shifted_stripes(width, height, stripe_width):
    table = np.zeros((height, width))
    period = stripe_width * 2
    cycles = width // period + 1
    pattern = np.concatenate([np.zeros(stripe_width), np.ones(stripe_width)])
    for i in range(height):
        table[i] = np.roll(np.tile(pattern, cycles), random.randrange(0, period))[:width]
    return table

display(shifted_stripes(N, N, 10))

def flexible_stripes(width, height, average_width, delta):
    table = np.zeros((height, width))
    for i in range(height):
        stripe_width = random.randint(average_width - delta, average_width + delta)
        period = stripe_width * 2
        cycles = width // period + 1
        pattern = np.concatenate([np.zeros(stripe_width), np.ones(stripe_width)])
        table[i] = np.roll(np.tile(pattern, cycles), random.randrange(0, period))[:width]
    return table

display(flexible_stripes(N, N, 10, 4))

Answer 4

发布我的最终解决方案作为答案，但请为其他人投票。

John Coleman 说得有道理：

为了获得更好的视觉随机性，找到一种方法使连续的线条相互依赖而不是独立，这样几乎异相的行为会更频繁地出现。

所以，最后，避免排水沟的最佳方法是放弃随机性并有一个非常固定的班次方案，效果很好的是 4 阶段 0,25%,75%,50% 循环：

好的，仍然有轻微的菱形图案，但它比我尝试的随机方案引入的图案要少得多。