如何比较两张Perlin噪声图像？如何判断其生成参数是否一致？

一、两张Perlin噪声图像的比较方法 #

• 像素级统计对比：计算均方误差(MSE)、峰值信噪比(PSNR)或者归一化互相关系数，量化两张图的整体像素差异程度。
• 频率域分析：对图像做傅里叶变换，对比频谱分布——Perlin噪声的频谱有固定的衰减规律，相同参数生成的噪声，频谱的衰减趋势和峰值位置会高度一致。
• 局部特征统计：提取不同局部区域的均值、方差、直方图分布，对比这些统计量的相似度，判断局部纹理的匹配度。

二、判定是否由相同参数生成的方法 #

可以通过提取统计特征和结构特征来判定，因为Perlin噪声的核心参数（输出尺寸shape、网格分辨率res）直接决定了噪声的基础结构和全局统计特性，随机梯度只是引入局部随机性，整体特征是稳定收敛的。

针对你提供的生成代码，具体验证方法如下：

1. 基础结构特征验证 #

Perlin噪声的res参数决定了网格单元的大小，对应图像中的纹理周期：

• 计算图像的纹理周期：比如代码中shape=(1024,1024)、res=(64,64)，网格单元尺寸为1024/64=16x16像素。可以通过滑动窗口计算局部方差的周期性，找到这个周期尺寸，判断是否和目标参数匹配。
• 分析傅里叶频谱：频谱中会出现间隔均匀的峰值，峰值间隔对应res的倒数，相同res的噪声，频谱峰值位置完全一致。

2. 全局统计特征验证 #

• 均值与方差：相同参数生成的Perlin噪声，全局均值会接近0，方差也会高度接近（因为随机梯度是均匀分布的，整体统计特性会收敛）。
• 直方图分布：对比两张图的灰度直方图，相同参数的噪声直方图形状会几乎重合，只是局部细节因随机梯度略有差异。
• 自相关函数：计算图像的自相关函数，相同参数的噪声自相关函数会呈现相同的周期性结构，周期对应网格单元的尺寸。

3. 针对代码的数值验证（若能获取原始浮点值） #

如果可以读取图像的原始浮点数据（而非保存后的8位整数图像），还可以：

• 检查数值范围：代码返回的噪声值范围理论上是[-1,1]，保存时乘了256，所以8位图像范围为[-256,256]，相同参数生成的噪声数值范围会完全匹配。
• 局部梯度统计：相同res下，梯度的总数是固定的(res[0]+1)*(res[1]+1)，反映在图像的局部梯度分布上，统计特征会一致。

示例图像 #

生成代码 #

import numpy as np
import cv2
from sys import argv

def generate_perlin_noise_2d(shape, res):
    def f(t):
        return 6*t**5 - 15*t**4 + 10*t**3

    delta = (res[0] / shape[0], res[1] / shape[1])
    d = (shape[0] // res[0], shape[1] // res[1])
    grid = np.mgrid[0:res[0]:delta[0],0:res[1]:delta[1]].transpose(1, 2, 0) % 1
    # Gradients
    angles = 2*np.pi*np.random.rand(res[0]+1, res[1]+1)
    gradients = np.dstack((np.cos(angles), np.sin(angles)))
    g00 = gradients[0:-1,0:-1].repeat(d[0], 0).repeat(d[1], 1)
    g10 = gradients[1:,0:-1].repeat(d[0], 0).repeat(d[1], 1)
    g01 = gradients[0:-1,1:].repeat(d[0], 0).repeat(d[1], 1)
    g11 = gradients[1:,1:].repeat(d[0], 0).repeat(d[1], 1)
    # Ramps
    n00 = np.sum(grid * g00, 2)
    n10 = np.sum(np.dstack((grid[:,:,0]-1, grid[:,:,1])) * g10, 2)
    n01 = np.sum(np.dstack((grid[:,:,0], grid[:,:,1]-1)) * g01, 2)
    n11 = np.sum(np.dstack((grid[:,:,0]-1, grid[:,:,1]-1)) * g11, 2)
    # Interpolation
    t = f(grid)
    n0 = n00*(1-t[:,:,0]) + t[:,:,0]*n10
    n1 = n01*(1-t[:,:,0]) + t[:,:,0]*n11
    return np.sqrt(2)*((1-t[:,:,1])*n0 + t[:,:,1]*n1)


perlin = generate_perlin_noise_2d((1024, 1024), (64, 64))

cv2.imwrite(argv[-1], perlin * 256)

内容的提问来源于stack exchange，提问作者simone