这个问题已经发布了很多,但我已经阅读了这里发布的问题,并在一段时间之前构建了我自己的实现。我放弃了这个项目,并决定在挖掘一些旧项目并再次遇到它之后再给它一次。但是,我仍然无法弄清楚smooth coloring algorithm的实施方式有什么问题。
然而,我有一个错误(可能是?)的平滑条带和"图像" (tkinter帆布)一般。我想说这只是我定义的RGB调色板的结果,以及我要去的深度,但我不是100%肯定的。它似乎在大多数情况下顺利地进行了绑定,稍后会更多。我将尝试尽可能减少这一点。
我已经定义了以下RGB调色板(137种颜色)here,这是我在相当不错的缩放级别得到的结果,并且在计算集合时会达到5,000深度。
现在,这里看起来很奇怪。这是在一个或两个缩放级别之后,我想说这只是因为有这么多不同颜色的像素来保持乐观的前景。它看起来像缩放级别更进一步,虽然不那么突出自然。
这是相关的函数,我递归地计算集合并着色它
def mandel(self, x, y, z, iteration):
mod_z = math.sqrt((z.real * z.real) + (z.imag * z.imag))
#If its not in the set or we have reached the maximum depth
if mod_z >= 100.0 or iteration == DEPTH:
if iteration < DEPTH:
if iteration > MAX_COLOR:
iteration = iteration % MAX_COLOR
nu = math.log2(math.log2(abs(mod_z)) / math.log2(2)) / math.log2(2)
value = iteration + 5 - nu
print(iteration)
color_1 = RGB_PALETTE[math.floor(value)]
color_2 = RGB_PALETTE[math.floor(value) + 1]
fractional_iteration = value % 1
color = self.linear_interp(color_1, color_2, fractional_iteration)
self.canvas.create_line(x, y, x + 1, y + 1,
fill = self.rgb_to_hex(color))
else:
z = (z * z) + self.c
self.mandel(x, y, z, iteration + 1)
return z
def create_image(self):
begin = time.time() #For computing how long it took (start time)
diam_a = self.max_a - self.min_a
diam_b = self.max_b - self.min_b
for y in range(HEIGHT):
for x in range(WIDTH):
self.c = complex(x * (diam_a / WIDTH) + self.min_a,
y * (diam_b / HEIGHT) + self.min_b)
constant = 1.0
z = self.c
bound = 1 / 4
q = (self.c.real - bound)**2 + (self.c.imag * self.c.imag)
x1 = self.c.real
y2 = self.c.imag * self.c.imag
sixteenth = 1 / 16
#See if its in p2-bulb for different coloring schema between the main bulb and other bulbs of the set
if not (q*(q + (x1 - bound)) < y2 / (constant * 4) or
(x1 + constant)**2 + y2 < sixteenth):
#value of the recursive call while it is not in the set
z = self.mandel(x, y, z, iteration = 0)
if self.progress_bar != None:
self.progress_bar["value"] = y
self.canvas.update() #Update the progress bar
print("Took %s Minutes to Render" % ((time.time() - begin) / MINUTE))
如果上述内容不够,则会发布与计算和绘制该集相关的完整代码here
答案 0 :(得分:1)
您尝试消除的是别名。所以解决方案(显然)是抗锯齿的。分形的有效解决方案是自适应超级采样。见adaptively super sampled mandelbrot sequence。 Supersampling只是意味着输出中的每个像素都是像素区域中几个样本的平均值(请记住,像素不是无限小的点 - 它们有区域)。可以使用不同的模式,在美学,运行时和实现复杂性之间进行不同的权衡。
像mandelbrot或julia集这样的分形有一个属性,使自适应超级采样成为一个不错的选择:有很大的区域值不会发生很大变化(额外的计算会被浪费),以及其他领域价值变化很大。它们需要在图片的位中拍摄大量样本,这些位置会发生很大的变化(即图像中的噪声位)。您可以使用一些方法来确定需要大量采样的方法。但两个容易思考的方法是: