资源

原文

Abstract

在图形的许多应用中，特别是渲染中，从蓝色噪声分布生成样本是很重要的。然而，现有的有效技术不容易推广到二维之外。在这里，我演示了对飞镖投掷的一个简单修改，它允许在 $O(N)$ 时间内生成泊松圆盘样本，可以在任意维度中轻松实现。

1 Introduction

在这个草图中，我提出了一种新的算法，可以在任意维度上轻松实现，它保证需要 $O(N)$ 时间来生成 $N$ 个泊松圆盘样本。

2 The Algorithm

该算法将 $\mathbf R^n$ 中的样本域的范围、样本之间的最小距离 $r$ 以及常数 $k$ 作为在算法中拒绝之前要选择的样本的极限（通常 k＝30）作为输入。

Step0 初始化用于存储样本和加速空间搜索的 $n$ 维背景网格。我们选择以 $r/\sqrt n$ 为界的单元格大小，这样每个网格单元格最多包含一个样本，因此网格可以实现为一个简单的二维整数数组：默认的 −1 表示没有样本，非负整数给出位于单元格中的样本的索引。

Step1 从域中随机均匀选择初始样本 $x_0$ 从域中随机选择。将其插入背景网格，并以该索引（零）初始化“活动列表”（一个样本索引数组）。活动列表"（样本索引数组）的初始化。

Step2 当活动列表不为空时，从中选择一个随机索引（比如 $i$ ）。生成从 $x_i$ 周围半径 $r$ 和 $2r$ 之间的球面环中均匀选择的多达 $k$ 个点。依次检查每个点是否在现有样本的距离 $r$ 内（使用背景网格仅测试附近的样本）。如果某个点距离现有采样足够远，则将其作为下一个采样发射，并将其添加到活动列表中。如果在 $k$ 次尝试之后没有找到这样的点，则将 $i$ 从活动列表中删除。

3 Analysis

Step2 执行 2N−1 次，产生 $N$ 个样本：每次迭代要么产生一个新样本并将其添加到活动列表中，要么从活动列表中删除一个现有样本。Step2 的每次迭代花费 $O(k)$ 时间，并且由于 $k$ 保持恒定（通常非常小），因此算法是线性的。

代码

import numpy as np
import matplotlib.pyplot as plt

r = 1  # 样本间的最小距离
d = r / np.sqrt(2)  # 单元格大小
k = 30  # 算法中拒绝之前要选择的样本的极限
width = 20  # 样本域宽
height = 16  # 样本域高

# 将网格实现为一个简单的二维数组
nx = int(width / d) + 1
ny = int(height / d) + 1
occupied = np.zeros((ny, nx))  # 用于记录网格是否被占用
occupied_coord = np.zeros((ny, nx, 2))  # 记录每个被占用网格对应的坐标
active_list = []  # 待处理点集
sampled = []  # 已经采样的点集

# 定义了一个相对坐标矩阵 relative，它包含了一个中心点和其周围 18 个格点的相对坐标。
relative = np.array([[-1, 2], [0, 2], [1, 2],
                     [-2, 1], [-1, 1], [0, 1], [1, 1], [2, 1],
                     [-2, 0], [-1, 0], [1, 0], [2, 0],
                     [-2, -1], [-1, -1], [0, -1], [1, -1], [2, -1],
                     [-1, -2], [0, -2], [1, -2]])
np.random.seed(0)
# 使用 numpy.random.rand 函数生成一个随机的初始点，并将其添加到相应的数组中
x, y = np.random.rand() * width, np.random.rand() * height
idx_x, idx_y = int(x / d), int(y / d)
occupied[idx_y, idx_x] = 1
occupied_coord[idx_y, idx_x] = (x, y)
active_list.append((x, y))
sampled.append((x, y))

sampled_idx = 0

while len(active_list) > 0:  # 当活动列表不为空时
    idx = np.random.choice(np.arange(len(active_list)))  # 选择一个随机索引, 比如 i
    # 生成从 x_i 周围半径 r 和 2r 之间的球面环中均匀选择的多达 k 个点
    ref_x, ref_y = active_list[idx]
    radius = (np.random.rand(k) + 1) * r
    theta = np.random.rand(k) * np.pi * 2
    candidate = radius * np.cos(theta) + ref_x, radius * np.sin(theta) + ref_y
    flag_out = False
    for _x, _y in zip(*candidate):
        # 依次检查每个点是否在现有样本的距离 r 内
        if _x < 0 or _x > width or _y < 0 or _y > height:
            continue
        # other geo constraints
        flag = True
        idx_x, idx_y = int(_x / d), int(_y / d)
        if occupied[idx_y, idx_x] != 0:
            continue
        else:
            neighbours = relative + np.array([idx_x, idx_y])
        for cand_x, cand_y in neighbours:
            # 检查其坐标是否超出画布范围。如果超出，则跳过该点
            if cand_x < 0 or cand_x >= nx or cand_y < 0 or cand_y >= ny:
                continue
            if occupied[cand_y, cand_x] == 1:
                # 找到该网格对应的点
                cood = occupied_coord[cand_y, cand_x]
                # 计算该网格对应的点与候选点之间的距离，如果小于最小半径 r，则说明候选点不满足几何约束条件，需要舍弃
                if (_x - cood[0]) ** 2 + (_y - cood[1]) ** 2 < r ** 2:
                    flag = False
                    break
        if flag:  # 将该点标记为已占据，并添加到已采样点集和活动列表中。
            flag_out = True
            occupied[idx_y, idx_x] = 1
            occupied_coord[idx_y, idx_x] = (_x, _y)
            sampled.append((_x, _y))
            active_list.append((_x, _y))
            sampled_idx += 1
            break
    if not flag_out:  # 如果在 k 次尝试之后没有找到这样的点，则将 i 从活动列表中删除
        active_list.pop(idx)

fig, ax = plt.subplots(1, 1, figsize=(9, 6))
fig.set_tight_layout(True)
ax.scatter(*zip(*sampled), c='g')
ax.set_xlim([0, width])
ax.set_ylim([0, height])
plt.show()