En étudiant le fonctionnement interne du bruit perlin, je me suis demandé pourquoi on utiliserait le bruit perlin au lieu du bruit de valeur simple. Pour autant que je comprends bien, ce qui suit s'applique:
Le bruit de Perlin est une fonction de bruit basée sur un réseau, qui attribue un gradient à n dimensions (aléatoire pour l'implémentation d'origine, fixé pour l'amélioration) pour chaque point de l'espace de bruit sous-jacent. Vous pouvez maintenant interroger une valeur pour chaque point de l'espace en calculant le produit scalaire entre le vecteur de distance et le vecteur de gradient. Après cela, vous faites la moyenne de toutes les valeurs calculées et obtenez la valeur interrogée.
Mais le bruit de valeur n'est-il pas le même sans utiliser des vecteurs de gradient mais des valeurs aléatoires? Étant donné que j'interpole également entre les valeurs du bruit de valeur, je ne vois aucun avantage à utiliser une étape de calcul supplémentaire (le produit scalaire) dans le bruit perlin.
Alors pourquoi utiliser du bruit perlin au lieu d'un bruit de valeur? Pourquoi le bruit perlin est-il si populaire?
Réponses:
L'avantage du bruit perlin est la distribution globale des fréquences. Étant donné que le bruit de valeur utilise des valeurs simples qui sont interpolées, il y a plus de chances qu'une ligne de plusieurs valeurs ne diffère que légèrement. La conséquence est que certaines régions de votre image peuvent contenir peu de changements et certaines régions beaucoup de changements.
En utilisant des dégradés, vous réduisez cet effet car l'interpolation n'est pas effectuée par valeur mais calculée entre les tangentes. Maintenant, il est plus difficile d'avoir une courbe plate (les deux tangentes doivent être colinéaires).
Source: Comme l'a noté Martin Ender la question a déjà été affichée sur une communauté différente StackExchange: voir ce post Math.SE .
la source