Liên kết giữa lấy mẫu nhiễu xanh và kết cấu nhiễu xanh?

Bạn có thể lấy mẫu nhiễu xanh như các mẫu đĩa poisson này:

Và bạn có thể có một kết cấu tiếng ồn màu xanh như thế này:

Tôi nhận được rằng trong hình ảnh đầu tiên, có một đầu vào (chỉ số của mẫu) và hai đầu ra (tọa độ x, y của điểm) và hình ảnh thứ hai về cơ bản là đảo ngược trong đó có hai đầu vào (x, tọa độ y của mẫu) và một đầu ra (giá trị của điểm).

Tôi tò mò mặc dù, những thứ này có liên quan như thế nào?

Nếu bạn lấy DFT của hình ảnh thứ hai, bạn có thể thấy rằng nó có nhiều thành phần tần số cao hơn mức thấp, nhưng tôi không chắc chắn cách bạn lấy DFT của tập hợp các điểm dữ liệu đầu tiên.

Tôi đang tự hỏi liệu có thể thực hiện các chuỗi sai lệch thấp khác (giả sử, halton hoặc lưới bị xáo trộn) và tạo ra một kết cấu từ ý tưởng, như hình ảnh thứ hai không?

Liên kết bị thiếu giữa các vị trí mẫu và kết cấu nhiễu thang độ xám là "phối màu theo thứ tự".

Phối màu theo thứ tự là một danh sách các vị trí pixel có "thứ hạng" (thứ tự) cho mỗi pixel. Nếu bạn có nền trắng và muốn thêm hai chấm đen, bạn thêm chúng tại các vị trí cho hai pixel xếp hạng 0 và xếp hạng 1.

Việc chọn cách xếp hạng thứ tự các pixel để bật có thể thay đổi đáng kể với các kết quả khác nhau. Ví dụ, ma trận bayer là một thứ tự cụ thể của các điểm và các điểm mẫu nhiễu xanh cũng vậy. Tiếng ồn trắng chỉ xáo trộn các điểm để chúng có thứ tự ngẫu nhiên.

Cách chúng ta nhận được từ "phối màu theo thứ tự" này (quy định) cho các hình ảnh nhiễu màu thang độ xám là chúng ta chia mỗi cấp bậc cho số điểm để có giá trị từ 0 đến 1 và sử dụng màu đó làm màu thang độ xám.

Điều đó cung cấp cho bạn các kết cấu tiếng ồn thang độ xám.

Kết cấu nhiễu màu xanh lam được tạo ra bằng thuật toán "void and cluster", làm cho nó sao cho mỗi dấu chấm mới được đặt ở giữa khoảng trống lớn nhất. Điều này có một đặc tính tốt là bạn có thể ngưỡng kết cấu nhiễu xanh ở bất kỳ giá trị nào và kết quả sẽ là các mẫu nhiễu xanh có mật độ mong muốn.

Bài viết này là một bài đọc tuyệt vời nói về những điều này sâu sắc hơn: http://cv.ulichney.com/ con / 1013-void -cluster.pdf