测试 每个小数值取100次

print(0.1);
LaTest3(0.1f, 0.1f);
print("Max:" + La.Max() + "|Min:" + La.Min() + "|AVG:" + La.Average()+ "|Between:"+ (La.Max()-La.Min()));

print(0.3);
LaTest3(0.3f, 0.3f);
print("Max:" + La.Max() + "|Min:" + La.Min() + "|AVG:" + La.Average() + "|Between:" + (La.Max() - La.Min()));

print(0.5);
LaTest3(0.5f, 0.5f);
print("Max:" + La.Max() + "|Min:" + La.Min() + "|AVG:" + La.Average() + "|Between:" + (La.Max() - La.Min()));

print(0.7);
LaTest3(0.7f, 0.7f);
print("Max:" + La.Max() + "|Min:" + La.Min() + "|AVG:" + La.Average() + "|Between:" + (La.Max() - La.Min()));

print(0.9);
LaTest3(0.9f, 0.9f);
print("Max:" + La.Max() + "|Min:" + La.Min() + "|AVG:" + La.Average() + "|Between:" + (La.Max() - La.Min()));

print("X:" + 0.1 + "Y" + 0.3);
LaTest3(0.1f, 0.3f);
print("Max:" + La.Max() + "|Min:" + La.Min() + "|AVG:" + La.Average() + "|Between:" + (La.Max() - La.Min()));

print("X:"+0.1+"Y"+0.5);
LaTest3(0.1f, 0.5f);
print("Max:" + La.Max() + "|Min:" + La.Min() + "|AVG:" + La.Average() + "|Between:" + (La.Max() - La.Min()));

print("X:" + 0.1 + "Y" + 0.9);
LaTest3(0.1F, 0.9F);
print("Max:" + La.Max() + "|Min:" + La.Min() + "|AVG:" + La.Average() + "|Between:" + (La.Max() - La.Min()));

print("X:" + 0.3 + "Y" + 0.1);
LaTest3(0.3f, 0.1f);
print("Max:" + La.Max() + "|Min:" + La.Min() + "|AVG:" + La.Average() + "|Between:" + (La.Max() - La.Min()));

print("X:" + 0.5 + "Y" + 0.1);
LaTest3(0.5F, 0.1F);
print("Max:" + La.Max() + "|Min:" + La.Min() + "|AVG:" + La.Average() + "|Between:" + (La.Max() - La.Min())); ;

print("X:" + 0.9 + "Y" + 0.1);
LaTest3(0.9F, 0.1F);
print("Max:" + La.Max() + "|Min:" + La.Min() + "|AVG:" + La.Average() + "|Between:" + (La.Max() - La.Min()));

  LaTest3函数

List<float> La;
float[] LaTest3(float x, float y)
{
La = new List<float>();
for (int i = 0; i < 100; i++)
{
La.Add(Mathf.PerlinNoise(x+(i), y + (i)));
}
return La.ToArray();
}

  

越接近0.5幅度越大,两边则越平缓

与整数无关,小数决定幅度。

unity3d 柏林噪声 PerlinNoise 规律 算法的更多相关文章

  1. Unity中利用柏林噪声(perlinnoise)制作摇摆效果

    perlinnoise是unity中Mathf下的一个函数,需要两个float参数x和y进行采样,返回一个0-1的float型. 项目里经常要随机摇摆某些东西,比如摄像机,某个随机运动的目标等等,都可 ...

  2. Unity中使用柏林噪声生成地图

    孙广东  2017.3.27 http://blog.csdn.NET/u010019717 主要是利用Unity的 Mathf.PerlinNoise   函数(柏林噪声)的不同寻常的功能. htt ...

  3. Unity3D 2D游戏中寻径算法的一些解决思路

    需求 unity3d的3d开发环境中,原生自带了Navigation的组件,可以很便捷快速的实现寻路功能.但是在原生的2d中并没有相同的功能. 现在国内很多手机游戏都有自动寻路的功能,或者游戏中存在一 ...

  4. Book of Shaders 03 - 学习随机与噪声生成算法

    0x00 随机 我们不能预测天空中乌云的样子,因为它的纹理总是具有不可预测性.这种不可预测性叫做随机 (random). 在计算机图形学中,我们通常使用随机来模拟自然界中的噪声.如何获得一个随机值呢, ...

  5. 利用噪声构建美妙的 CSS 图形

    在平时,我非常喜欢利用 CSS 去构建一些有意思的图形. 我们首先来看一个简单的例子.首先,假设我们实现一个 10x10 的格子: 此时,我们可以利用一些随机效果,优化这个图案.譬如,我们给它随机添加 ...

  6. perlin噪声

    手贱去点了图形学里面的噪声课程,然后一个周末就交代在这上面了,还是有些云里雾里. 噪声就是给定一个输入变量,生成一个值在0~1范围内的伪随机变量的函数.在图形学中一般是输入一个坐标得到一个范围在0~1 ...

  7. (转) [Flash/Flex] 用柏林噪音和滤镜制作翻腾的火焰效果----Flash AS3效应

    下图展示的是通过柏林噪声和一些滤镜制作的火焰效果.这个效果是从舞台底部燃起的熊熊烈火.这个效果使用了BitmapData里的perlinNoise方法,以及ColorMatrixFilter和Disp ...

  8. Retinex图像增强算法

    前一段时间研究了一下图像增强算法,发现Retinex理论在彩色图像增强.图像去雾.彩色图像恢复方面拥有很好的效果,下面介绍一下我对该算法的理解. Retinex理论 Retinex理论始于Land和M ...

  9. 一步步教你轻松学奇异值分解SVD降维算法

    一步步教你轻松学奇异值分解SVD降维算法 (白宁超 2018年10月24日09:04:56 ) 摘要:奇异值分解(singular value decomposition)是线性代数中一种重要的矩阵分 ...

随机推荐

  1. W与V模型的联系与区别

      很多小白一定要注意:        看准那个是开发的工作哪个是测试的工作,不要弄混了!!!   软件测试的V模型 以“编码”为黄金分割线,将整个过程分为开发和测试,并且开发和测试之间是串行的关系 ...

  2. 函数的prototype

    1.函数的prototype属性 每一个函数都有一个prototype属性,默认指向object空对象(原型对象),每一个原型对象都有一个constructor属性,指向函数对象 2.给原型对象添加属 ...

  3. Linux基础命令复习01

    一.Linux中的基本查看.查找命令: 1.ls 查看目录信息:  -l  #查看属性,以长格式显示 -d #查看本身属性 -A #显示包括以.开头的隐藏文档 -h #提供易读的单位 -R  #表示递 ...

  4. 记一次LDAP主从同步配置

    LDAP主从同步 OpenLDAP在2.3版本之前的同步复制带有一系列缺点如只支持一主多从模式等,在此缺点就不多说,下文着重介绍一下OpenLDAP V2.4以后的同步负复制功能 同步功能 2.4版最 ...

  5. Openlayers 地图定位到相应位置并缩放

    说明: 在地图操作中,有个功能,需要点击一个点,将视图定位到点击点的位置,并放大. 解决方案: 1.可以有openlayers中可以有ol.View来控制,但是在更改时,会将地图初始化时设置的maxZ ...

  6. sublime插件开发教程2

    直接进入正题 先新建个chajian.py python写起 import sublime import sublime_plugin class ExampleCommand(sublime_plu ...

  7. ApplicationInsights入门到精通系列(一)

    在11月9号的上海.Net Conf开发者峰会上,我做了一个对Application Insights的Persentation,本来想着快速将其转化为一篇博客无赖最近忙成

  8. oracle内存占用过高和修改不当无法启动oracle实例的解决办法

    今天,在自己机器上装了oracle 12c,发现Oracle的服务Oracle RDBMS Kenel  Executable (OracleServiceORCL)占用内存高达5G,本人电脑内存才1 ...

  9. Stream系列(九)Collector方法使用

    toMap toList toCollection joining 视频讲解:https://www.bilibili.com/video/av77800638/ EmployeeTestCase.j ...

  10. word2vec:CBOW和skip-gram模型

    1.CBOW模型 之前已经解释过,无论是CBOW模型还是skip-gram模型,都是以Huffman树作为基础的.值得注意的是,Huffman树中非叶节点存储的中间向量的初始化值是零向量,而叶节点对应 ...