如何在iOS端使用Core Image实现分形地形纹理生成？中点位移与菱形平方算法详解

自然界的地形地貌看似杂乱无章，但从数学角度来看，往往具备分形几何中的自相似性特征。无论是连绵的山脉还是起伏的沙丘，局部形态往往与整体形态存在某种程度的相似。分形布朗运动是模拟这种自然现象的经典数学模型，而中点位移法与菱形平方算法正是基于这一理论衍生出的离散化实现方案。它们通过在网格上不断细分并引入随机扰动，将粗糙的初始几何体逐步细化为具有丰富细节的地形表面。

分形地形生成的数学基础与Core Image架构契合度

在iOS开发体系中，Core Image框架提供了一条高效的图像处理管线。与传统的CPU逐像素计算不同，Core Image底层依赖于GPU或CPU的向量化指令集进行并行运算。当我们要生成一张高分辨率的分形地形纹理时，如果采用双层循环遍历每一个像素，必然会导致主线程卡顿甚至内存溢出。而将分形算法生成的初始高度图数据交给Core Image处理，利用其内置的滤镜链进行颜色映射和细节增强，能够极大提升渲染效率。

Core Image的架构设计非常契合分形地形的生成需求。一方面，CIImage对象并不直接包含位图数据，而是描述了如何生成图像的指令，这使得我们可以将分形算法的输出作为指令链的一环，按需生成最终图像。另一方面，通过自定义CIFilter，我们可以将高度图转化为伪3D法线贴图或直接进行色彩映射，实现从纯数学高度数据到视觉地貌纹理的无缝衔接。这种设计不仅降低了内存峰值，还允许我们实时调整粗糙度等参数并立即看到渲染结果。

分形地形生成的核心在于通过递归算法模拟自然界的自相似性。无论是连绵的山脉还是起伏的沙丘，局部形态往往与整体形态存在某种程度的相似。分形布朗运动是模拟这种自然现象的经典数学模型，而中点位移法与菱形平方算法正是基于这一理论衍生出的离散化实现方案。它们通过在网格上不断细分并引入随机扰动，将粗糙的初始几何体逐步细化为具有丰富细节的地形表面。理解这些数学原理，是我们在iOS设备上构建逼真虚拟世界的基础。

中点位移法的实现逻辑与代码重构

中点位移法的核心思想是在一个正方形网格的迭代过程中，取每条边的中点以及正方形中心点，并在这些点的初始高度值上叠加一个服从高斯分布的随机偏移量。随着迭代次数的增加，网格被不断细分，随机偏移量的幅度也随之按比例衰减。这种方法实现简单，计算速度快，能够快速生成具有起伏感的地形雏形。但是，由于它在每个中点计算时只依赖于相邻的两个或四个角点，容易在网格边界处产生明显的折痕或山谷状接缝。

在iOS端实现中点位移法，我们通常需要先在内存中构建一个二维浮点数数组来存储高度值。为了将这个数组转换为Core Image可处理的对象，我们需要将其打包为NSData，并创建一个位图上下文，最终生成CIImage。在这个过程中，网格的初始尺寸必须是2的n次方加1，例如257x257，以确保每次中点取值都能落在整数坐标上，避免浮点插值带来的额外开销。

下面是使用Swift实现中点位移法核心逻辑的代码示例。该代码展示了如何初始化网格、设置角点初始值，并通过递归细分网格来计算中点高度。为了确保生成的地形可以无缝平铺，随机扰动函数需要基于坐标进行哈希计算，而不是简单的随机数生成器。

// 定义网格大小，必须是2的幂次方加1
let gridSize = 257
var heightMap = Array(repeating: Array(repeating: Float(0.0), count: gridSize), count: gridSize)

// 初始化四个角点的随机高度
heightMap[0][0] = Float.random(in: 0...1)
heightMap[0][gridSize - 1] = Float.random(in: 0...1)
heightMap[gridSize - 1][0] = Float.random(in: 0...1)
heightMap[gridSize - 1][gridSize - 1] = Float.random(in: 0...1)

var step = gridSize - 1
var scale: Float = 1.0

while step > 1 {
    let halfStep = step / 2
    
    // 正方形阶段：计算中心点
    for x in stride(from: 0, to: gridSize - 1, by: step) {
        for y in stride(from: 0, to: gridSize - 1, by: step) {
            let avg = (heightMap[x][y] + heightMap[x + step][y] + heightMap[x][y + step] + heightMap[x + step][y + step]) / 4.0
            heightMap[x + halfStep][y + halfStep] = avg + (Float.random(in: -1...1) * scale)
        }
    }
    
    // 菱形阶段：计算边中点
    for x in stride(from: 0, to: gridSize, by: halfStep) {
        for y in stride(from: (x + halfStep) % step, to: gridSize, by: step) {
            var sum: Float = 0.0
            var count = 0
            if x > 0 { sum += heightMap[x - halfStep][y]; count += 1 }
            if x < gridSize - 1 { sum += heightMap[x + halfStep][y]; count += 1 }
            if y > 0 { sum += heightMap[x][y - halfStep]; count += 1 }
            if y < gridSize - 1 { sum += heightMap[x][y + halfStep]; count += 1 }
            heightMap[x][y] = sum / Float(count) + (Float.random(in: -1...1) * scale)
        }
    }
    step /= 2
    scale *= 0.5 // 衰减扰动幅度
}

上述代码实际上已经融合了中点位移与菱形平方的雏形。在纯正的中点位移法中，我们往往只关注正方形中心点的计算，而忽略菱形阶段的边界平滑。但在实际工程中，为了消除视觉上的接缝，我们通常会引入菱形阶段的计算。生成这个二维浮点数组后，我们需要将其归一化到0到1的范围，并转换为灰度像素数据，进而构造出CIImage对象，作为后续Core Image滤镜链的输入源。

菱形平方算法的平滑过渡与纹理映射优化

菱形平方算法是对中点位移法的重要改进，旨在解决后者产生的地形折痕问题。该算法将每一次迭代严格分为两个阶段：菱形阶段和方形阶段。在菱形阶段，算法以正方形的四个角点为参考，计算中心点；在方形阶段，算法以菱形的四个角点为参考，计算边中点。这种交替进行的采样方式确保了每个新生成的高度值都能均匀地受到周围邻居的影响，从而生成更加平滑、自然的地形过渡效果。

在将菱形平方算法生成的高度图应用于Core Image纹理生成时，最大的挑战在于如何将灰度高度图转化为具有真实感的彩色地形图。Core Image提供了强大的CIColorMap滤镜，它可以根据输入图像的亮度值，从一个渐变色彩查找表中映射出对应的颜色。我们可以预先构建一个包含深蓝、浅蓝、黄沙、绿草、灰岩、白雪等颜色的CIFilter渐变图，将高度图的灰度值映射为这些地形特征色。

为了进一步提升地形纹理的视觉表现力，我们还可以利用Core Image的CIBumpDistortion或CIShadedMaterial滤镜。CIShadedMaterial能够根据输入的高度图计算法线，并模拟光照效果，使原本平坦的彩色地形图呈现出强烈的3D立体感。下面是将高度图数据转换为CIImage并应用颜色映射与光照着色的代码示例。

// 将高度图数组转换为灰度像素数据
func generateCIImage(from heightMap: [[Float]]) -> CIImage? {
    let width = heightMap.count
    let height = heightMap[0].count
    var pixelData = [UInt8](repeating: 0, count: width * height * 4)
    
    for x in 0..<width {
        for y in 0..<height {
            let val = UInt8(heightMap[x][y] * 255)
            let index = (y * width + x) * 4
            pixelData[index] = val
            pixelData[index + 1] = val
            pixelData[index + 2] = val
            pixelData[index + 3] = 255
        }
    }
    
    // 创建CIImage
    let colorSpace = CGColorSpaceCreateDeviceRGB()
    guard let context = CGContext(data: &pixelData, width: width, height: height, bitsPerComponent: 8, bytesPerRow: width * 4, space: colorSpace, bitmapInfo: CGImageAlphaInfo.premultipliedLast.rawValue) else { return nil }
    guard let cgImage = context.makeImage() else { return nil }
    return CIImage(cgImage: cgImage)
}

// 应用Core Image滤镜链进行地形着色
func applyTerrainFilters(to inputImage: CIImage) -> CIImage {
    // 1. 构建颜色查找表
    let colorMapImage = generateColorMapImage()
    let colorMapFilter = CIFilter(name: "CIColorMap", parameters: [
        "inputImage": inputImage,
        "inputGradientImage": colorMapImage
    ])!
    
    // 2. 应用光照着色，增强立体感
    let shadedFilter = CIFilter(name: "CIShadedMaterial", parameters: [
        "inputImage": colorMapFilter.outputImage!,
        "inputShadingImage": inputImage // 使用原高度图作为法线参考
    ])!
    
    return shadedFilter.outputImage!
}

通过上述流程，我们不仅利用菱形平方算法生成了平滑的高度数据，还充分发挥了Core Image在图像后处理方面的优势。调整菱形平方算法中的初始随机扰动幅度和衰减系数，可以控制地形的粗糙度和海拔范围；而修改颜色查找表的渐变色阶，则能轻松实现从春夏到秋冬、从地球到外星地貌的快速风格切换。这种将数学算法与系统图像框架深度结合的方案，是iOS端高效生成程序化纹理的最佳实践。

Core Image分形地形菱形平方算法修改时间：2026-08-20 11:02:33