Volador235's blog

Welcome to my blog!

Asio

Boost.Asio 是一个跨平台的C++库,用于网络和底层I/O编程,它使用现代C++方法为开发人员提供一致的异步模型。

  • 库学习建议

    核心概念优先级:

    1. io_context + 异步操作模型 ✓
    2. TCP/UDP编程基础 ✓
    3. 异步回调与completion handler ✓
    4. 定时器与deadline_timer ✓
    5. 简单的异步链 ✓

    可暂缓的内容:

    • 复杂的proactor模式理论
    • 所有高级特性(如协程支持)
    • 性能优化细节

定时器

通过展示如何对定时器执行阻塞来介绍 asio
所有的 asio 类都可以通过简单的包含 <boost/asio.hpp> 头文件来使用

阅读全文 »

关于JavaScript特性与异步模型

执行上下文

JS在第一次执行时会根据web引擎创建 全局上下文 在该上下文中运行JS脚本,在 调用函数时 从内存堆中提取函数 创建该函数的函数执行上下文 再将程序的执行转入 该函数上下文中 函数执行后再 返回全局上下文(这与C/C++的函数栈帧不同,反倒与thread机制类似,即进行上下文的保存和转换, 据此可推知: JS所实现的单线程异步是以此为基础实现的)

  • 关于JS中函数的存储

    是的,JS将定义的函数及其形参都按一定规则存入内存堆,在调用时从堆中提取。

调用栈

调用栈是JS引擎 跟踪 被调用函数所处位置的方式,JS使用其管理 执行上下文。

JS为每个被调用的函数创建一个 函数上下文 并依次压入调用栈中,由于JS为单线程语言,所以 只维护一个调用栈 当栈空后 脚本停止 。当执行的是一个递归函数,且陷入无限递归时会产生 栈溢出。

由于JS为单线程语言,只维护一个调用栈,所以 一次只执行一个操作 所有操作都是 同步的 而JS的 异步 特性可以在等待另一个任务完成时,执行其他任务。

事件循环

JS引擎从文件顶部向下执行,创建 执行上下文 和 管理 调用堆栈

在程序运行时,有可能会遇到执行时间很长的 阻塞函数 会阻塞交互行为,

所以使用Web API传入回调函数,函数向宿主环境发送任务消息后返回上一层上下文继续执行,其任务交由宿主环境进行处理,再接收宿主环境返回的完成信息(包含之前所注册的回调函数),压入 任务队列 (或回调队列),再由 事件循环 检查任务队列中的内容,当 调用栈 和 任务队列 都为空后 脚本停止 。

阅读全文 »

Thread

Thread是Boost库中进行平台无关的线程调用对象

Thread 线程
mutex 互斥量
_lock RAII锁

condition_variaty 条件表达式
barrier屏障 latch锁存器
Future Promise Packaged_task

线程管理

启动线程

向 boost::thread 对象中传入一个函数对象。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
struct callable_test
{
std::string str;
callable_test() { str = ""; }
callable_test(std::string s) { str = s; }
void operator()(int n = 1)
{
for(int i = 0; i < n; ++i)
{
std::cout << i << '\t' << str << std::endl;
}
return;
}
};

callable x;

boost::thread th1(x);

阅读全文 »

Rasterization

光栅化 Raster Images

在通过变换获得了投影后,如何将投影显示在屏幕上

<–! more –>


三角形的光栅化

在上一节课中讨论到了透视投影,可以将近平面作为显示器(显示平面),定义宽 width和高 height。

即,定义了一个视场 field-of-view(fovY)与宽高比 aspect ratio (width / height) (包括可视角度,在此处,表示为相机到上下边界的开口大小,即视场)

以上两个值直接定义了视锥


令:

视角为fovY

分别为 左,右,下,上

令摄像机到近平面的距离为

近平面上边界坐标为

有:


MVP

  • Model Transformation (placing objects)
  • View Transformation (placing camera)
  • Projection Transformation
    • 正交投影 ( 规范立方体)
    • 透视投影
      • 先转化为正交投影

接下来,将以上透视规则投影至屏幕(近平面)上

在图形学中,将 屏幕(screen) 抽象为一个 二维数组 ,每个元素即为屏幕对应位置的 像素 ,数组的大小即为屏幕的分辨率(width*height)

  • Raster即为光栅,光栅化即为Rasterization
  • Raster在德语中即表示屏幕,屏幕即为一种光栅化设备
  • Rasterize意为光栅化,即,在屏幕上绘制图像

Pixel意为像素,即Picture element

screen space意为屏幕空间,在屏幕中定义的一个坐标系,比如,取屏幕左上角为原点,向下为Y,向右为X。
可以使用坐标 (x,y) 对各个像素进行访问。
像素索引在 (0,0) ~ (width-1,height-1) 区间内
像素的实际位置(中心)处于 (x+0.5,y+0.5) 处(物理位置)
屏幕对于像素的显示范围为 (0,0) ~ (width,height)

接下来,就要将 映射到 的屏幕空间中
即,进行 的转换


从规范立方体到屏幕

  • 与Z无关
  • 转换至XY平面中: 到
  • 视口变换矩阵 Viewport transform matrix (屏幕;近面)
    • 将 变换为屏幕空间
    • 不改变方向

X Y 为标准立方体空间下的坐标 [-1,1] ;
X’ Y’ 为屏幕空间坐标

  • X’ = Xwidth/2 + width/2*
  • Y’ = Yheigth/2 + height/2*

    深度值保留,以便于后续处理

将多边形,拆解为一个个像素,以投射到屏幕,此即光栅化

为什么要以三角形为基础进行光栅化?

  • 三角形为最基础的多边形
    • 其他多边形都可以拆解为三角形
  • 三角形的特性
    • 三个点一定确定一个平面,即,三角形内部一定是一个平面
    • 三角形的内外定义清晰
    • 当给定三角形的三个顶点的属性后,三角形内部平面的各个位置可以进行渐变式的填充(可以进行插值)
    • 可以便捷的判断一个像素与该三角形的空间关系

可以通过采样 Sampling的方法进行光栅化

采样:给定一个连续函数,在该函数上取离散的各个定点
即,函数的离散化

为了判断某像素是否在三角形内可以使用采样的思维,定义一个函数:

1
2
3
4
5

for(int x = 0; x < xmax; ++x)
for(int y = 0; y < ymax; ++y)
image[x][y] = inside(tri, x+0.5, y+0.5);

关于inside函数,考虑前述课程中向量的叉积

如,对于三角形 p1 p2 p3 另外一个像素 q

计算:




然后使用叉积,每次取三个点(px py q,顺序取用三次不同的组合,考虑三角形上的所有顶点的二二组合),使用叉积判断q与向量间的左右关系(叉乘值全为正/负时才能证明q在三角形p1 p2 p3内,边界情况(0)为q在三角形边界)

只需要在三角形所存在的区域(三角形的包围盒 Bounding Box)内选取各个像素进行判定就可以对三角形进行光栅化(循环处理),而不需要对屏幕空间中的所有点进行判定处理

在光栅化图形学中,由于采样不足而产生像素锯齿,需要抗锯齿技术对产生图形进行处理,以产生较高质量的图形。

Rasterization

图像保真与深度缓冲
Antialiasing and Z-Buffering


<–! more –>

反走样 Antialiasing

采样理论 Sampling theory

采样在图形学中无处不在

Sampling Artifacts(Errors/Mistakes/inaccuracies) in Computer Graphics 采样瑕疵

图形产生走样的原因在于信号(函数)的变化太快(频率很高),而采样的变化太慢了,采样率不足

进行反走样处理的一种思想:在采样前进行模糊(过滤/滤波)
类似于,先将原图片模糊化,再进行采样
一定是先滤波再采样

频域 Frequency Domain

通过调整 、 两函数中 的系数,可以调整相应的周期函数的频率

详见傅里叶级数展开与傅里叶变换

在采样时,采样频率与信号频率的频率差越大,信息失真越严重
走样,即两个不同频率的信号在采样后,产生的结果无法区分,产生走样

滤波 filter

滤波,即是在采样后除去某些频率成分

傅里叶变换可以将一个函数从实域变换到频域

高通滤波:滤波后只让高频信号通过
可以提取图像内的物体边界,即物体的边界突变

低通滤波:滤波后只让低频信号通过
可以将图像模糊化,即去除了物体边界突变

滤波 = 卷积 = 平均

实域上对两个信号进行卷积,是两个信号频域的乘积

采样,实际上是重复频域上的内容

Extra close brace or missing open brace

走样,实际上是频域上产生混叠

降低走样

  1. 提高采样率
  2. 反走样
    • 先模糊,后采样(先低通滤波,再采样)
    • 使用一个过滤器对图像进行卷积操作模糊化图像信息(知识近似了图像的覆盖区域)

MSAA(Multi Sample Antialiasing)

  1. 模糊
    • 使用更小的”像素”,针对覆盖率进行近似模糊
    • 并不是通过增加分辨率进行解决的
  2. 采样
  • 增大了计算量(x:1)

还有另外两种抗锯齿方案:

***FXAA(Fast Approximate AA)
***TAA(Temporal AA)

Super resolution / super sampling 超采样


可见性/遮挡 Visibility/occulusion

画家算法
由远及近进行图形的覆盖

深度缓冲 Z-Buffer

  • 记录当前每个像素样本最小的深度值
  • 对于深度信息,需要两个缓存空间
    • 帧缓冲存储颜色值
    • **深度缓冲(Z-Buffer)*存储深度值*

深度缓冲中各元素初始化值为最远值(无限大INF)
维护逐个像素当前能看到的最浅深度
Z-Buffer无法处理透明物体的深度

在此处,使用ZBuffer方法时,并不是一种排序操作,而是一种对最值的记录,所以时间复杂度对于每个三角形而言可以来到
并且深度缓存算法,与计算顺序是无关的
ZBuffer的深度缓存,不一定是针对像素而言的,对于MSAA可以是针对像素采用的多个采样点而言的

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
// 两层循环:任意三角形上的任意像素
for(each triangle T)
{
for(each sample (x,y,z) in T)
{
// 找出画面中该点深度最浅的像素信息
if (z < zBuffer[x,y])
{
// 更新 帧缓存 深度缓存
FrameBuffer[x,y] = rgb
ZBuffer[x,y] = z
}
else
;
}
}
0%