主頁 >  其他 > DirectX11 With Windows SDK--30 計算著色器：高斯模糊、索貝爾算子

DirectX11 With Windows SDK--30 計算著色器：高斯模糊、索貝爾算子

2020-09-11 10:26:14 其他

前言

到這里計算著色器的主線學習基本結束，剩下的就是再補充兩個有關影像處理方面的應用，這里面包含了龍書11的影像模糊，以及龍書12額外提到的Sobel算子進行邊緣檢測，主要內容源自于龍書12，專案原始碼也基于此進行調整，

學習目標：

  1. 熟悉影像處理常用的卷積
  2. 熟悉高斯模糊、Sobel算子

DirectX11 With Windows SDK完整目錄

Github專案原始碼

歡迎加入QQ群: 727623616 可以一起探討DX11，以及有什么問題也可以在這里匯報，

影像卷積

在影像處理中，經常需要用到卷積，很多效果都能夠通過卷積的形式來實作，針對源影像中的每一個像素\(P_{ij}\)，計算以它為中心的m×n矩陣的加權值，此加權值便是經過處理后影像中第i行、第j列的顏色，如果寫成卷積的形式則為：

\[H_{ij}=\sum_{r=-a}^{a}\sum_{c=-b}^{b}W_{rc}P_{i-r,j-c} \]

其中，\(m=2a+1\)且\(n=2b+1\)，將m與n強制為奇數，以此來保證m×n矩陣總是具有“中心”項，若a=b=r，則只需指定半徑r就可以確定矩陣的大小，\(W_{rc}\)為m×n矩陣（又稱內核、算子）中的權值，為了方便觀察計算及編碼，通常會將內核旋轉180°，這樣就得到了更加常用的計算公式：

\[H_{ij}=\sum_{r=-a}^{a}\sum_{c=-b}^{b}W_{rc}P_{i+r,j+c} \]

若內核的所有權值的和為1，則它可以用來做模糊處理；如果權值和大于0小于1，則處理后的影像會隨著顏色的缺失而變暗；如果權值和大于1，則處理后的影像會隨著顏色的增添而更加明亮，當然也會有權值和等于0甚至可能小于0的情況，比如索貝爾算子，

影像模糊

在保證權值和為1的前提下，我們就能用多種不同的方法來計算它，其中就有一種廣為人知的模糊運算：高斯模糊（Gaussian blur），該演算法借助高斯函式\(G(x)=exp(-\frac{x^2}{2\sigma^2})\)來獲取權值，下圖展示了取不同σ值時高斯函式的對應影像：

可以看到，若σ越大，則曲線越趨于平緩，給鄰近點所賦予的權值也就越大，

\[G(x)=exp(-\frac{x^2}{2\sigma^2})=e^{-\frac{x^2}{2\sigma^2}} \]

如果學過概率論的話應該知道它很像標準正態分布的概率密度，只不過缺了一個系數\(\frac{1}{\sqrt{2\pi}\;\sigma}\)，

現在假設我們要進行規模為1×5的高斯模糊（即在水平方向進行1D模糊），且設σ=1，分別對x=-2,-1,0,1,2求G(x)的值，可以得到：

\[\begin{align}G(-2)&=exp(-\frac{(-2)^2}{2})=e^{-2} \\G(-1)&=exp(-\frac{(-1)^2}{2})=e^{-\frac{1}{2}} \\G(0)&=exp(0)=1 \\G(1)&=exp(-\frac{1^2}{2})=e^{-\frac{1}{2}} \\G(2)&=exp(-\frac{2^2}{2})=e^{-2}\end{align} \]

但是，這些資料還不是最終的權值，因為它們的和不為1：

\[\begin{align} \sum_{x=-2}^{x=2}G(x)&=G(-2)+G(-1)+G(0)+G(1)+G(2)\\ &=1+2e^{-\frac{1}{2}}+2e^{-2}\\ &\approx 2.48373 \end{align} \]

如果將前面5個值都除以它們的和進行規格化處理，那么我們便會基于高斯函式獲得總和為1的各個權值：

\[\begin{align} w_{-2}&=\frac{G(-2)}{\sum_{x=-2}^{x=2}G(x)}\approx 0.0545\\ w_{-1}&=\frac{G(-1)}{\sum_{x=-2}^{x=2}G(x)}\approx 0.2442\\ w_{0}&=\frac{G(0)}{\sum_{x=-2}^{x=2}G(x)}\approx 0.4026\\ w_{1}&=\frac{G(1)}{\sum_{x=-2}^{x=2}G(x)}\approx 0.2442\\ w_{2}&=\frac{G(2)}{\sum_{x=-2}^{x=2}G(x)}\approx 0.0545\\ \end{align} \]

對于二維的高斯函式，有

\[\begin{align} G(x, y) &= G(x)\cdot G(y) \\ &=exp(-\frac{x^2}{2\sigma^2})\cdot exp(-\frac{y^2}{2\sigma^2}) \\ &=e^{-\frac{x^2+y^2}{2\sigma^2}} \end{align} \]

假如我們要進行3x3的高斯模糊，且設σ=1，則未經過歸一化的內核為：

\[\begin{bmatrix} G(-1)G(-1) & G(-1)G(0) & G(-1)G(1) \\ G(0)G(-1) & G(0)G(0) & G(0)G(1) \\ G(1)G(-1) & G(1)G(0) & G(1)G(1) \\ \end{bmatrix} = \begin{bmatrix} G(-1) \\ G(0) \\ G(1) \\ \end{bmatrix}\begin{bmatrix} G(-1) & G(0) & G(1) \\ \end{bmatrix} \]

由于上面的內核矩陣可以寫成一個列向量乘以一個行向量的形式，因此在做模糊的時候可以將一個2D模糊程序分為兩個1D模糊程序，這也就說明該內核具有可分離性，

  1. 通過1D橫向模糊將輸入的影像I進行模糊處理：\(I_H=Blur_H(I)\)
  2. 對上一步輸出的結果再次進行1D縱向模糊處理：\(Blur(I)=Blur_V(I_H)\)

因此有：

\[Blur(I)=Blur_V(Blur_H(I)) \]

假如模糊核為一個9×9矩陣，我們就需要對總計81個樣本依次進行2D模糊運算，但通過將模糊程序分離為兩個1D模糊階段，便僅需要處理9+9=18個樣本！我們常常要對紋理進行模糊處理，而對紋理采樣是代價高昂的操作，因此，通過分離模糊程序來減少紋理采樣操作是一種受用戶歡迎的優化手段，盡管有些模糊方法不具備可分離性，但只要保證最終影像在視覺上足夠精準，我們往往還是能以優化性能為目的而簡化其模糊程序，

實作原理

首先，假設所運用的模糊演算法具有可分離性，據此將模糊操作分為兩個1D模糊運算：一個橫向模糊運算，一個縱向模糊運算，假定用戶提供了一個紋理A作為輸入（通常是作為SRV形參），以及一個紋理B作為輸出（通常是作為UAV形參），不過要考慮到有的用戶希望將直接修改紋理A，將紋理A的SRV和UAV都傳入，因此我們還是需要兩個存盤中間結果的紋理T0、T1，程序如下：

  1. 給紋理A系結SRV作為輸入，并且給紋理T0系結UAV作為輸出，
  2. 調度執行緒組進行橫向模糊操作，完成后，紋理T0存盤了橫向模糊的結果
  3. 解綁紋理T0的UAV，將它的SRV作為輸入，
  4. 若用戶指定了UAV，并且模糊次數為1，則將該UAV作為輸出；否則由于后續還需要進行混合，則將紋理T1的UAV作為輸出，
  5. 調度執行緒組進行縱向模糊操作，若當前為最后一次模糊，且用戶指定了UAV，則該UAV的紋理將保存最終的結果；否則T1保存了當前模糊的結果，解綁UAV后，若仍有剩余模糊次數，則將紋理T1系結SRV作為輸入，并給紋理T0系結UAV作為輸出，回到步驟2繼續；否則就再解綁SRV后結束，

由于渲染到紋理種的場景于視窗作業區要保持著相同的解析度，我們需要不時重新構建離屏紋理，而模糊演算法用的臨時紋理T也是如此，在GameApp::OnResize的時候重新調整即可，

假如要處理的影像寬度為w、寬度為h，對于1D縱向模糊而言，一個執行緒組用256個執行緒來處理水平方向上的線段，而且每個執行緒又負責影像中一個像素的模糊操作，因此，為了影像中的每個像素都能得到模糊處理，我們需要在x方向上調度\(ceil(\frac{w}{256})\)個執行緒組（ceil為上取整函式），且在y方向上調度h個執行緒組，如果w不能被256整除，則最后一次調度的執行緒組會存有多余的執行緒（見下圖），我們對于這種情況無能為力，因為執行緒組的大小固定，因此，我們只得把注意力放在著色器代碼中越界問題的鉗位檢測（clamping check）上，

1D縱向模糊于上述1D橫向模糊的情況相似，在縱向模糊程序中，執行緒組就像由256個執行緒構成的垂直線段，每個執行緒只負責影像中一個像素的模糊運算，因此，為了使影像中的每個像素都能得到模糊處理，我們需要在y方向上調度\(ceil(\frac{h}{256})\)個執行緒組，并在x方向上調度w個執行緒組，

現在來考慮對一個28x14像素的紋理進行處理，我們所用的橫向、縱向執行緒組的規模分別為8x1和1x8（采用X×Y的表示格式），對于水平方向的處理程序來說，為了處理所有的像素，我們需要在x方向上調度\(ceil(\frac{w}{8})=ceil(\frac{28}{8})=4\)個執行緒組，并在y方向上調度14個線程組，由于28并不能被8整除，所以最右側的執行緒組中會有\((4\times 8-28)\times 14=56\)個執行緒宣告都不做，對于垂直方向的處理程序而言，為了處理所有的像素，我們需要在y方向上分派\(ceil(\frac{h}{8})=ceil(\frac{14}{8})=2\)個執行緒組，并在x方向上調度28個執行緒組，同理，由于14并不能被8整除，所以最下側的執行緒組中會有\((2\times 8 - 14)\times 28\)個閑置的執行緒，沿用同一思路就可以將執行緒組擴展為256個執行緒的規模來處理更大的紋理，

BlurFilter::Execute不僅計算出了每個方向要調度的執行緒組數量，還開啟了計算著色器的模糊運算：

void BlurFilter::Execute(ID3D11DeviceContext* deviceContext, ID3D11ShaderResourceView* inputTex, ID3D11UnorderedAccessView* outputTex, UINT blurTimes)
{
	if (!deviceContext || !inputTex || !blurTimes)
		return;

	// 設定常量緩沖區
	D3D11_MAPPED_SUBRESOURCE mappedData;
	deviceContext->Map(m_pConstantBuffer.Get(), 0, D3D11_MAP_WRITE_DISCARD, 0, &mappedData);
	memcpy_s(mappedData.pData, sizeof m_CBSettings, &m_CBSettings, sizeof m_CBSettings);
	deviceContext->Unmap(m_pConstantBuffer.Get(), 0);

	deviceContext->CSSetConstantBuffers(0, 1, m_pConstantBuffer.GetAddressOf());

	ID3D11UnorderedAccessView* nullUAV[1] = { nullptr };
	ID3D11ShaderResourceView* nullSRV[1] = { nullptr };
	// 第一次模糊
	// 橫向模糊
	deviceContext->CSSetShader(m_pBlurHorzCS.Get(), nullptr, 0);
	deviceContext->CSSetShaderResources(0, 1, &inputTex);
	deviceContext->CSSetUnorderedAccessViews(0, 1, m_pTempUAV0.GetAddressOf(), nullptr);

	deviceContext->Dispatch((UINT)ceilf(m_Width / 256.0f), m_Height, 1);
	deviceContext->CSSetUnorderedAccessViews(0, 1, nullUAV, nullptr);
	// 縱向模糊
	deviceContext->CSSetShader(m_pBlurVertCS.Get(), nullptr, 0);
	deviceContext->CSSetShaderResources(0, 1, m_pTempSRV0.GetAddressOf());
	if (blurTimes == 1 && outputTex)
		deviceContext->CSSetUnorderedAccessViews(0, 1, &outputTex, nullptr);
	else
		deviceContext->CSSetUnorderedAccessViews(0, 1, m_pTempUAV1.GetAddressOf(), nullptr);
	deviceContext->Dispatch(m_Width, (UINT)ceilf(m_Height / 256.0f), 1);
	deviceContext->CSSetUnorderedAccessViews(0, 1, nullUAV, nullptr);

	// 剩余模糊次數
	while (--blurTimes)
	{
		// 橫向模糊
		deviceContext->CSSetShader(m_pBlurHorzCS.Get(), nullptr, 0);
		deviceContext->CSSetShaderResources(0, 1, m_pTempSRV1.GetAddressOf());
		deviceContext->CSSetUnorderedAccessViews(0, 1, m_pTempUAV0.GetAddressOf(), nullptr);

		deviceContext->Dispatch((UINT)ceilf(m_Width / 256.0f), m_Height, 1);
		deviceContext->CSSetUnorderedAccessViews(0, 1, nullUAV, nullptr);
		// 縱向模糊
		deviceContext->CSSetShader(m_pBlurVertCS.Get(), nullptr, 0);
		deviceContext->CSSetShaderResources(0, 1, m_pTempSRV0.GetAddressOf());
		if (blurTimes == 1 && outputTex)
			deviceContext->CSSetUnorderedAccessViews(0, 1, &outputTex, nullptr);
		else
			deviceContext->CSSetUnorderedAccessViews(0, 1, m_pTempUAV1.GetAddressOf(), nullptr);
		deviceContext->Dispatch(m_Width, (UINT)ceilf(m_Height / 256.0f), 1);

		
		deviceContext->CSSetUnorderedAccessViews(0, 1, nullUAV, nullptr);
	}
	// 解除剩余系結
	deviceContext->CSSetShaderResources(0, 1, nullSRV);

}

其余C++端原始碼則直接去專案原始碼看即可，

HLSL代碼

由于水平模糊與垂直模糊的實作原理相仿，這里我們只討論水平模糊，

在上面的代碼中，我們可以看到調度的執行緒組是由256個執行緒構成的水平“線段”，每個執行緒都負責影像中一個像素的模糊操作，一種低效的實作方案是，每個執行緒都簡單地計算出以正在處理的像素為中心的行矩陣（因為我們現在正在進行的是1D橫向模糊處理，所以要針對行矩陣進行計算）的加權平均值，這種辦法的缺點是需要多次拾取同一紋素，

僅考慮輸入影像中的這兩個相鄰像素，假設模糊核為1×7，光是在對這兩個像素進行模糊的程序中，8個不同的像素中就已經有6個被采集了2次，而且要考慮到訪問設備記憶體的效率在GPU記憶體模型中是屬于比較慢的一種，

我們可以根據前面一節提到的模糊處理策略，利用共享記憶體來優化上述演算法，這樣一來，每個執行緒就可以在共享記憶體中讀取或存盤所需的紋素資料，待所有執行緒都從共享記憶體讀取到它們所需的紋素后，就能夠執行模糊運算了，不得不說，從共享記憶體中讀取資料的速度飛快，除此之外，還有一件棘手的事情，就是利用具有n = 256個執行緒的執行緒組行模糊運算的時候，卻需要n + 2R個紋素資料，這里的R就是模糊半徑：

由于模糊半徑的原因，在處理執行緒組邊界附近的像素時，可能會讀取執行緒組以外存在“越界”情況的像素，解決辦法其實也并不復雜，我們只需要分配出能容納n + 2R個元素的共享記憶體，并且有2R個執行緒要各獲取兩個紋素資料，唯一麻煩的地方就是在共享記憶體時要多花心思，因為組內執行緒ID此時不能于共享記憶體中的元素一一對應了，下圖演示了當R=4時，從執行緒到共享記憶體的映射程序，

在此例中，R = 4，最左側的4個執行緒以及最右側的4個執行緒，每個都要讀取2個紋素資料，并將它們存于共享記憶體之中，而這8個執行緒之外的所有執行緒都只需要讀取1個像素，并將其存于共享記憶體之中，這樣一來，我們即可以得到以模糊半徑R對N個像素進行模糊處理所需的所有紋素資料，

現在要討論的是最后一種情況，即下圖中所示的最左側于最右側的執行緒組在索引輸入影像時會發生越界的情形，

前面提到，從越界的索引處讀取資料并不是非法操作，而是回傳0（對越界索引處進行寫入是不會執行任何操作的，即no-op），然而，我們在讀取越界資料時并不希望得到資料0，因為這意味著值為0的顏色（即黑色）會影響到邊界處的模糊結果，我們此時期盼能實作出類似于鉗位（clamp）紋理尋址模式的效果，即在讀取越界的資料時，能夠獲得一個與邊界紋素相同的資料，這個方案可以通過對索引進行鉗位來加以實作，在下面完整的著色器代碼可以看到（這里將模糊半徑調大了）：

// Blur.hlsli
cbuffer CBSettings : register(b0)
{
    int g_BlurRadius;
    
    // 最多支持19個模糊權值
    float w0;
    float w1;
    float w2;
    float w3;
    float w4;
    float w5;
    float w6;
    float w7;
    float w8;
    float w9;
    float w10;
    float w11;
    float w12;
    float w13;
    float w14;
    float w15;
    float w16;
    float w17;
    float w18;
}

Texture2D g_Input : register(t0);
RWTexture2D<float4> g_Output : register(u0);

static const int g_MaxBlurRadius = 9;

#define N 256
#define CacheSize (N + 2 * g_MaxBlurRadius)

// Blur_Horz_CS.hlsl
#include "Blur.hlsli"

groupshared float4 g_Cache[CacheSize];

[numthreads(N, 1, 1)]
void CS(int3 GTid : SV_GroupThreadID,
    int3 DTid : SV_DispatchThreadID)
{
    // 放在陣列中以便于索引
    float g_Weights[19] =
    {
        w0, w1, w2, w3, w4, w5, w6, w7, w8, w9,
        w10, w11, w12, w13, w14, w15, w16, w17, w18
    };

    // 通過填寫本地執行緒存盤區來減少帶寬的負載，若要對N個像素進行模糊處理，根據模糊半徑，
    // 我們需要加載N + 2 * BlurRadius個像素
    
    // 此執行緒組運行著N個執行緒，為了獲取額外的2*BlurRadius個像素，就需要有2*BlurRadius個
    // 執行緒都多采集一個像素資料
    if (GTid.x < g_BlurRadius)
    {
        // 對于影像左側邊界存在越界采樣的情況進行鉗位(Clamp)操作
        int x = max(DTid.x - g_BlurRadius, 0);
        g_Cache[GTid.x] = g_Input[int2(x, DTid.y)];
    }
    
    if (GTid.x >= N - g_BlurRadius)
    {
        // 對于影像左側邊界存在越界采樣的情況進行鉗位(Clamp)操作
        // 震驚的是Texture2D居然能通過屬性Length訪問寬高
        int x = min(DTid.x + g_BlurRadius, g_Input.Length.x - 1);   
        g_Cache[GTid.x + 2 * g_BlurRadius] = g_Input[int2(x, DTid.y)];
    }
    
    // 將資料寫入Cache的對應位置
    // 針對圖形邊界處的越界采樣情況進行鉗位處理
    g_Cache[GTid.x + g_BlurRadius] = g_Input[min(DTid.xy, g_Input.Length.xy - 1)];
    
    // 等待所有執行緒完成任務
    GroupMemoryBarrierWithGroupSync();
    
    // 開始對每個像素進行混合
    float4 blurColor = float4(0.0f, 0.0f, 0.0f, 0.0f);
    for (int i = -g_BlurRadius; i <= g_BlurRadius; ++i)
    {
        int k = GTid.x + g_BlurRadius + i;
        
        blurColor += g_Weights[i + g_BlurRadius] * g_Cache[k];
    }
    
    g_Output[DTid.xy] = blurColor;
}

Blur_Vert_CS.hlsl與上面的代碼類似，就不再放出，

最右側的執行緒組可能存有一些多余的執行緒，但輸出的紋理中并沒有與之對應的元素（意味著它們根本無需輸出任何資料，見上圖），此時DTid.xy即為輸出紋理之外的一個越界索引，但是我們無需為此而擔心，因為向越界處寫入資料的效果是不進行任何操作（no-op），

索貝爾算子

索貝爾算子（Sobel Operator）用于影像的邊緣檢測，它會針對每一個像素估算其梯度（gradient）的大小，梯度值較大的像素則表明它與周圍像素的顏色差異極大，因而此像素一定位于影像的邊緣，相反，具有較小梯度的像素則意味著它與臨近像素的顏色趨同，即該像素并不處于影像邊沿之上，需要注意的是，索貝爾算子回傳的并非是像素是否位于影像邊緣的二元結果，而是一個范圍在[0.0, 1.0]內表示邊緣“陡峭”程度的灰度值：值為0表示非常平坦，與周圍像素并沒有顏色差異；值為1表示非常陡峭，與周圍像素顏色差異很大，通常索貝爾逆影像(1-c)往往會更加直觀有效，這時白色表示平坦且不位于影像邊緣，而黑色則代表陡峭且處于影像邊緣，

運用索貝爾算子后的結果：

索貝爾算子的逆影像的結果：

如果將原始影像與其經過索貝爾算子生成的逆影像兩者間的對應顏色值相乘，我們將獲得類似于卡通畫或動漫書中那樣，其邊緣就像用黑色的筆勾描后的圖片效果，哪怕待處理的影像首先經過模糊處理后已經隱去了部分細節，依舊可以恢復其相對粗獷的畫風，令其邊緣清晰起來，

索貝爾算子所采用的演算法是先進行加權平均，然后進行近似求導運算，計算方法如下：

\[G_x = \Delta_x f(x, y) = [f(x-1,y+1)+2f(x,y+1)+f(x+1,y+1)]-[f(x-1,y-1)+2f(x,y-1)+f(x+1,y-1)] \\ G_y = \Delta_y f(x, y) = [f(x-1,y-1)+2f(x-1,y)+f(x-1,y+1)]-[f(x+1,y-1)+2f(x+1,y)+f(x+1,y+1)] \]

因此我們就得到了梯度向量\((\Delta_x f(x, y), \Delta_y f(x, y))\)，然后求出它的長度\(\parallel \sqrt{G_{x}^{2} + G_{y}^{2}}\parallel\)即為變化方向最大處的變化率，

HLSL代碼

索貝爾算子的HLSL代碼實作如下：

// Sobel_CS.hlsl
Texture2D g_Input : register(t0);
RWTexture2D<float4> g_Output : register(u0);

// 將RGB色轉化為灰色
float3 RGB2Gray(float3 color)
{
    return (float3) dot(color, float3(0.299f, 0.587f, 0.114f));
}

[numthreads(16, 16, 1)]
void CS(int3 DTid : SV_DispatchThreadID)
{
    // 采集當前待處理像素及相鄰的八個像素
    float4 colors[3][3];
    for (int i = 0; i < 3; ++i)
    {
        for (int j = 0; j < 3; ++j)
        {
            int2 xy = DTid.xy + int2(-1 + j, -1 + i);
            colors[i][j] = g_Input[xy];
        }
    }
    
    // 針對每個顏色通道，利用索貝爾算子估算出關于x的偏導數近似值
    float4 Gx = -1.0f * colors[0][0] - 2.0f * colors[1][0] - 1.0f * colors[2][0] +
        1.0f * colors[0][2] + 2.0f * colors[1][2] + 1.0f * colors[2][2];
    
    // 針對每個顏色通道，利用索貝爾算子估算出關于y的偏導數的近似值
    float4 Gy = -1.0f * colors[2][0] - 2.0f * colors[2][1] - 1.0f * colors[2][2] +
        1.0f * colors[0][0] + 2.0f * colors[0][1] + 1.0f * colors[0][2];
    
    // 梯度向量即為(Gx, Gy)，針對每個顏色通道，計算出梯度大小（即梯度的模擬）
    // 以找到最大的變化率
    float4 mag = sqrt(Gx * Gx + Gy * Gy);
    
    // 將梯度陡峭的邊緣處繪制為黑色，梯度平坦的非邊緣處繪制為白色
    mag = 1.0f - float4(saturate(RGB2Gray(mag.xyz)), 0.0f);
    
    g_Output[DTid.xy] = mag;

}


// VS使用Basic_VS_2D
// Composite_PS.hlsl
Texture2D g_BaseMap : register(t0); // 原紋理
Texture2D g_EdgeMap : register(t1); // 邊緣紋理
SamplerState g_SamLinearWrap : register(s0); // 線性過濾+Wrap采樣器
SamplerState g_SamPointClamp : register(s1); // 點過濾+Clamp采樣器

float4 PS(float4 posH : SV_Position, float2 tex : TEXCOORD) : SV_Target
{
    float4 c = g_BaseMap.SampleLevel(g_SamPointClamp, tex, 0.0f);
    float4 e = g_EdgeMap.SampleLevel(g_SamPointClamp, tex, 0.0f);
    // 將原始圖片與邊緣圖相乘
    return c * e;
}

在C++端的代碼可以直接去原始碼中尋找SobelFilter，

演示

本樣例為高斯模糊提供了調整模糊半徑、Sigma和次數的功能，模糊半徑越大，模糊次數越大，幀數會越低，如果你的電腦配置承受不住，建議關掉OIT來觀察模糊效果會更好一些，至于Sobel算子則無法調整，

整個計算著色器的內容就到此結束了，

除錯問題

該專案無法圖形除錯，就和DirectX SDK Samples中OIT樣例一樣，遇到了未知問題，如果要除錯，需要把OIT相關的代碼撤走才能除錯，

此外，龍書12中的Composite.hlsl頂點著色器用到了SV_VertexID，一旦用了該系統值作為輸入，就無法在最終結果選擇像素觀察運行程序了，因此本專案并沒有使用內置于著色器的頂點資料，

練習題

  1. 對影像進行模糊處理是一種昂貴的操作，它所花費的時間于待處理的影像大小息息相關，一般情況下，在把場景渲染到離屏紋理的時候，我們通常會將離屏紋理的大小設為后備緩沖區尺寸的1/4.也就是說，假如后備緩沖區的大小為800x600，則離屏紋理的尺寸將為400x300.這樣一來不僅能加快離屏紋理的繪制速度（即減少了需要填充的像素數量），而且能同時提升模糊影像的處理速度（需要模糊的像素也就更少），另外，當紋理從1/4的螢屏解析度拉伸為完整大螢屏解析度時，紋理放大過濾器也會執行一些額外的模糊操作，

    現在嘗試修改專案，讓BlurFilter的解析度為400x300，實作上述內容，

    提示：TextureRender開啟mipmaps，并將mip等級為1的紋理子資源作為SRV，

  2. 嘗試添加Composite_VS.hlsl，將繪制整個螢屏的6個頂點直接放在頂點著色器中，然后只使用SV_VertexID作為頂點著色器的形參來繪制，

  3. 研究雙邊模糊（雙邊濾波器，bilateral blur）計數，并用計算著色器加以實作，

DirectX11 With Windows SDK完整目錄

Github專案原始碼

歡迎加入QQ群: 727623616 可以一起探討DX11，以及有什么問題也可以在這里匯報，

轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/5310.html

標籤：其他

上一篇：lua學習之型別與值篇

下一篇：lua學習之基礎概念篇

標籤雲
其他(157675) Python(38076) JavaScript(25376) Java(17977) C(15215) 區塊鏈(8255) C＃(7972) AI(7469) 爪哇(7425) MySQL(7132) html(6777) 基礎類(6313) sql(6102) 熊猫(6058) PHP(5869) 数组(5741) R(5409) Linux(5327) 反应(5209) 腳本語言(PerlPython)(5129) 非技術區(4971) Android(4554) 数据框(4311) css(4259) 节点.js(4032) C語言(3288) json(3245) 列表(3129) 扑(3119) C++語言(3117) 安卓(2998) 打字稿(2995) VBA(2789) Java相關(2746) 疑難問題(2699) 细绳(2522) 單片機工控(2479) iOS(2429) ASP.NET(2402) MongoDB(2323) 麻木的(2285) 正则表达式(2254) 字典(2211) 循环(2198) 迅速(2185) 擅长(2169) 镖(2155) 功能(1967) .NET技术(1958) Web開發(1951) python-3.x(1918) HtmlCss(1915) 弹簧靴(1913) C++(1909) xml(1889) PostgreSQL(1872) .NETCore(1853) 谷歌表格(1846) Unity3D(1843) for循环(1842)

熱門瀏覽
  • 網閘典型架構簡述

    網閘架構一般分為兩種：三主機的三系統架構網閘和雙主機的2+1架構網閘。 三主機架構分別為內端機、外端機和仲裁機。三機無論從軟體和硬體上均各自獨立。首先從硬體上來看，三機都用各自獨立的主板、記憶體及存盤設備。從軟體上來看，三機有各自獨立的作業系統。這樣能達到完全的三機獨立。對于“2+1”系統，“2”分為 ......

    uj5u.com 2020-09-10 02:00:44 more
  • 如何從xshell上傳檔案到centos linux虛擬機里

    如何從xshell上傳檔案到centos linux虛擬機里及：虛擬機CentOs下執行 yum -y install lrzsz命令，出現錯誤：鏡像無法找到軟體包 前言 一、安裝lrzsz步驟 二、上傳檔案 三、遇到的問題及解決方案 總結 前言 提示：其實很簡單，往虛擬機上安裝一個上傳檔案的工具 ......

    uj5u.com 2020-09-10 02:00:47 more
  • 一、SQLMAP入門

    一、SQLMAP入門 1、判斷是否存在注入 sqlmap.py -u 網址/id=1 id=1不可缺少。當注入點后面的引數大于兩個時。需要加雙引號， sqlmap.py -u "網址/id=1&uid=1" 2、判斷文本中的請求是否存在注入 從文本中加載http請求，SQLMAP可以從一個文本檔案中 ......

    uj5u.com 2020-09-10 02:00:50 more
  • Metasploit 簡單使用教程

    metasploit 簡單使用教程 浩先生， 2020-08-28 16:18:25 分類專欄： kail 網路安全 linux 文章標簽： linux資訊安全 編輯 著作權 metasploit 使用教程 前言 一、Metasploit是什么？ 二、準備作業 三、具體步驟 前言 Msfconsole ......

    uj5u.com 2020-09-10 02:00:53 more
  • 游戲逆向之驅動層與用戶層通訊

    驅動層代碼： #pragma once #include <ntifs.h> #define add_code CTL_CODE(FILE_DEVICE_UNKNOWN,0x800,METHOD_BUFFERED,FILE_ANY_ACCESS) /* 更多游戲逆向視頻www.yxfzedu.com ......

    uj5u.com 2020-09-10 02:00:56 more
  • 北斗電力時鐘（北斗授時服務器）讓網路資料更精準

    北斗電力時鐘（北斗授時服務器）讓網路資料更精準 北斗電力時鐘（北斗授時服務器）讓網路資料更精準 京準電子科技官微——ahjzsz 近幾年，資訊技術的得了快速發展，互聯網在逐漸普及，其在人們生活和生產中都得到了廣泛應用，并且取得了不錯的應用效果。計算機網路資訊在電力系統中的應用，一方面使電力系統的運行 ......

    uj5u.com 2020-09-10 02:01:03 more
  • 【CTF】CTFHub 技能樹 彩蛋 writeup

    ?碎碎念 CTFHub：https://www.ctfhub.com/ 筆者入門CTF時時剛開始刷的是bugku的舊平臺，后來才有了CTFHub。 感覺不論是網頁UI設計，還是題目質量，賽事跟蹤，工具軟體都做得很不錯。 而且因為獨到的金幣制度的確讓人有一種想去刷題賺金幣的感覺。 個人還是非常喜歡這個 ......

    uj5u.com 2020-09-10 02:04:05 more
  • 02windows基礎操作

    我學到了一下幾點 Windows系統目錄結構與滲透的作用 常見Windows的服務詳解 Windows埠詳解 常用的Windows注冊表詳解 hacker DOS命令詳解（net user / type /md /rd/ dir /cd /net use copy、批處理 等） 利用dos命令制作 ......

    uj5u.com 2020-09-10 02:04:18 more
  • 03.Linux基礎操作

    我學到了以下幾點 01Linux系統介紹02系統安裝，密碼啊破解03Linux常用命令04LAMP 01LINUX windows： win03 8 12 16 19 配置不繁瑣 Linux：redhat,centos(紅帽社區版)，Ubuntu server,suse unix:金融機構，證券，銀 ......

    uj5u.com 2020-09-10 02:04:30 more
  • 05HTML

    01HTML介紹 02頭部標簽講解03基礎標簽講解04表單標簽講解 HTML前段語言 js1.了解代碼2.根據代碼 懂得挖掘漏洞 （POST注入/XSS漏洞上傳）3.黑帽seo 白帽seo 客戶網站被黑帽植入劫持代碼如何處理4.熟悉html表單 <html><head><title>TDK標題，描述 ......

    uj5u.com 2020-09-10 02:04:36 more
最新发布
  • 2023年最新微信小程式抓包教程

    01 開門見山 隔一個月發一篇文章，不過分。 首先回顧一下《微信系結手機號資料庫被脫庫事件》，我也是第一時間得知了這個訊息，然后跟蹤了整件事情的經過。下面是這起事件的相關截圖以及近日流出的一萬條資料樣本： 個人認為這件事也沒什么，還不如關注一下之前45億快遞資料查詢渠道疑似在近日復活的訊息。 訊息是 ......

    uj5u.com 2023-04-20 08:48:24 more
  • web3 產品介紹：metamask 錢包 使用最多的瀏覽器插件錢包

    Metamask錢包是一種基于區塊鏈技術的數字貨幣錢包，它允許用戶在安全、便捷的環境下管理自己的加密資產。Metamask錢包是以太坊生態系統中最流行的錢包之一，它具有易于使用、安全性高和功能強大等優點。 本文將詳細介紹Metamask錢包的功能和使用方法。 一、 Metamask錢包的功能 數字資 ......

    uj5u.com 2023-04-20 08:47:46 more
  • vulnhub_Earth

    前言 靶機地址->>>vulnhub_Earth 攻擊機ip：192.168.20.121 靶機ip：192.168.20.122 參考文章 https://www.cnblogs.com/Jing-X/archive/2022/04/03/16097695.html https://www.cnb ......

    uj5u.com 2023-04-20 07:46:20 more
  • 從4k到42k，軟體測驗工程師的漲薪史，給我看哭了

    清明節一過，盲猜大家已經無心上班，在數著日子準備過五一，但一想到銀行卡里的余額……瞬間心情就不美麗了。最近，2023年高校畢業生就業調查顯示，本科畢業月平均起薪為5825元。調查一出，便有很多同學表示自己又被平均了。看著這一資料，不免讓人想到前不久中國青年報的一項調查：近六成大學生認為畢業10年內會 ......

    uj5u.com 2023-04-20 07:44:00 more
  • 最新版本 Stable Diffusion 開源 AI 繪畫工具之中文自動提詞篇

    🎈 標簽生成器 由于輸入正向提示詞 prompt 和反向提示詞 negative prompt 都是使用英文，所以對學習母語的我們非常不友好 使用網址：https://tinygeeker.github.io/p/ai-prompt-generator 這個網址是為了讓大家在使用 AI 繪畫的時候 ......

    uj5u.com 2023-04-20 07:43:36 more
  • 漫談前端自動化測驗演進之路及測驗工具分析

    隨著前端技術的不斷發展和應用程式的日益復雜，前端自動化測驗也在不斷演進。隨著 Web 應用程式變得越來越復雜，自動化測驗的需求也越來越高。如今，自動化測驗已經成為 Web 應用程式開發程序中不可或缺的一部分，它們可以幫助開發人員更快地發現和修復錯誤，提高應用程式的性能和可靠性。 ......

    uj5u.com 2023-04-20 07:43:16 more
  • CANN開發實踐：4個DVPP記憶體問題的典型案例解讀

    摘要：由于DVPP媒體資料處理功能對存放輸入、輸出資料的記憶體有更高的要求（例如，記憶體首地址128位元組對齊），因此需呼叫專用的記憶體申請介面，那么本期就分享幾個關于DVPP記憶體問題的典型案例，并給出原因分析及解決方法。 本文分享自華為云社區《FAQ_DVPP記憶體問題案例》，作者：昇騰CANN。 DVPP ......

    uj5u.com 2023-04-20 07:43:03 more
  • msf學習

    msf學習 以kali自帶的msf為例 一、msf核心模塊與功能 msf模塊都放在/usr/share/metasploit-framework/modules目錄下 1、auxiliary 輔助模塊，輔助滲透（埠掃描、登錄密碼爆破、漏洞驗證等） 2、encoders 編碼器模塊，主要包含各種編碼 ......

    uj5u.com 2023-04-20 07:42:59 more
  • Halcon軟體安裝與界面簡介

    1. 下載Halcon17版本到到本地 2. 雙擊安裝包后 3. 步驟如下 1.2 Halcon軟體安裝 界面分為四大塊 1. Halcon的五個助手 1) 影像采集助手：與相機連接，設定相機引數，采集影像 2) 標定助手：九點標定或是其它的標定，生成標定檔案及內參外參，可以將像素單位轉換為長度單位 ......

    uj5u.com 2023-04-20 07:42:17 more
  • 在MacOS下使用Unity3D開發游戲

    第一次發博客，先發一下我的游戲開發環境吧。 去年2月份買了一臺MacBookPro2021 M1pro(以下簡稱mbp)，這一年來一直在用mbp開發游戲。我大致分享一下我的開發工具以及使用體驗。 1、Unity 官網鏈接： https://unity.cn/releases 我一般使用的Apple ......

    uj5u.com 2023-04-20 07:40:19 more

Copyright © 2010-2020 有解無憂