在基于物理的渲染（PBR）工作流中，Beckmann分布函数与GGX一起被广泛用于描述微表面法线的统计分布。Node.js本身并不擅长实时渲染，但凭借其高效的文件处理能力和成熟的Buffer API，可以快速实现Beckmann2Image工具，将Beckmann分布参数生成一张可预览的灰度图像。这种图像可以直接用于调试材质粗糙度、验证着色器数学计算，也能作为查找表供后续渲染器使用。
本文将围绕Beckmann分布的数学定义与图像生成逻辑展开，先解释公式中每一项对结果的影响，然后给出一个完整的Node.js实现，输出标准PGM灰度图。代码不依赖第三方图像库，只使用内置fs与Buffer模块，方便在任意环境中运行。
一、Beckmann分布函数与图像化意义
Beckmann法线分布函数通常写作：D(h) = exp(-tan²θ / α²) / (π α² cos⁴θ)。其中θ是微表面法线h与宏观表面法线之间的夹角，α是粗糙度参数，它一般由用户输入的粗糙度值平方得到。这个公式来自高斯分布对微表面斜率的假设，它假设微表面斜率在统计上服从高斯分布。与GGX相比，Beckmann分布的高光尾部衰减更快，因此在表现某些金属或较光滑表面时会显得更集中。
公式中的分母包含π α² cos⁴θ，这个归一化因子至关重要。如果只保留指数项，分布的总积分不会等于1，导致反射能量不守恒。很多实现者会忽略圆周率项，这在小粗糙度下可能看不出明显差别，但在粗糙度增大时就会出现能量损失。将Beckmann函数映射为图像，可以直观地观察不同角度下的分布幅度，也能验证归一化是否正确。
把半球方向离散化为二维图像是可视化NDF的常见做法。通常将图像的水平轴映射为方位角φ，范围从0到2π；垂直轴映射为极角θ，范围从0到π/2。图像中每个像素的值代表该方向上的Beckmann函数值。经过归一化后，灰度越亮的区域表示该方向的法线分布概率越高。这种方法不仅便于调试，也能作为预计算纹理直接供着色器采样。
二、Node.js生成灰度图像的核心流程
实现Beckmann2Image的第一步是确定图像尺寸和粗糙度参数。图像尺寸不需要太大，512×512已经足够观察分布形状；如果用于查找表，256×256也能满足大多数需求。粗糙度参数通常取0到1之间的浮点数，值越小表面越光滑，分布越集中；值越大表面越粗糙，分布越分散。在代码中，需要将粗糙度平方后赋值给α，因为Beckmann公式中的α是均方根斜率。
第二步是将像素坐标映射到球面方向。对于坐标为(x, y)的像素，可以先计算归一化坐标u = (x + 0.5) / width和v = (y + 0.5) / height。然后令θ = v × π / 2，φ = u × 2π。这样图像从上到下对应θ从0到π/2，从左到右对应φ从0到2π。通过cosθ = cos(θ)可以直接获得余弦项，进而计算tan²θ。
第三步是计算每个像素的Beckmann函数值并处理归一化。由于函数值在θ接近π/2时趋近于0，而在θ接近0时可能非常大，直接存储浮点值会造成图像动态范围过大。因此需要先遍历所有像素，记录最大值和最小值，然后将每个值线性映射到0至255的整数区间。最终将这些整数写入PGM文件的像素数据部分。
三、完整代码示例与关键实现解析
下面给出一个完整的Node.js脚本，它使用内置fs模块生成PGM格式的灰度图像。PGM格式非常简单，P5表示二进制灰度图，头部包含宽度、高度和最大灰度值。像素数据按行优先顺序存放，每个像素一个字节。这种格式不需要任何图像库就能直接写入，非常适合教学和调试。
const fs = require('fs');
const path = require('path');
function beckmannD(cosTheta, roughness) {
const alpha = roughness * roughness;
const cosTheta2 = cosTheta * cosTheta;
const tanTheta2 = (1 - cosTheta2) / cosTheta2;
if (!isFinite(tanTheta2) || tanTheta2 < 0) return 0;
const numerator = Math.exp(-tanTheta2 / (alpha * alpha));
const denominator = Math.PI * alpha * alpha * Math.pow(cosTheta, 4);
return numerator / denominator;
}
const width = 512;
const height = 512;
const roughness = 0.35;
const pixels = [];
let maxVal = 0;
let minVal = Infinity;
for (let y = 0; y < height; y++) {
for (let x = 0; x < width; x++) {
const u = (x + 0.5) / width;
const v = (y + 0.5) / height;
const theta = v * Math.PI / 2;
const cosTheta = Math.cos(theta);
if (cosTheta < 0.001) {
pixels.push(0);
continue;
}
const d = beckmannD(cosTheta, roughness);
if (d > maxVal) maxVal = d;
if (d < minVal) minVal = d;
pixels.push(d);
}
}
const buffer = Buffer.alloc(width * height);
for (let i = 0; i < pixels.length; i++) {
const normalized = (pixels[i] - minVal) / (maxVal - minVal);
buffer[i] = Math.round(normalized * 255);
}
const header = 'P5\n' + width + ' ' + height + '\n255\n';
const fileData = Buffer.concat([Buffer.from(header), buffer]);
fs.writeFileSync(path.join(__dirname, 'beckmann.pgm'), fileData);
console.log('Beckmann2Image generated: beckmann.pgm');
这段代码的关键在于beckmannD函数。它接收cosθ和粗糙度值，先计算α的平方作为均方根斜率参数，然后根据三角恒等式tan²θ = (1 - cos²θ) / cos²θ求出指数项。当归一化因子中的cosθ四次方在接近π/2时会导致分母趋近于0，因此在主循环中增加了cosTheta < 0.001的保护，直接将该像素置为0，避免产生无穷大或NaN。
图像写入部分使用了Buffer.alloc预先分配一块字节数组，然后通过线性映射将浮点分布值转换为0至255的灰度值。这种先遍历找最大最小值、再归一化的方式，能保证输出图像的对比度不会被极端值压平。如果想要更好的视觉表现，也可以使用对数映射或gamma校正，但这超出了基础实现的范围。
四、性能优化与调试注意事项
对于512×512的图像，上述双重循环需要计算约26万次Beckmann函数，其中包含多次三角函数和指数运算。在现代CPU上这并不算慢，但如果需要生成更高分辨率或批量处理多张粗糙度贴图，就有必要进行优化。一个简单的方法是在外层循环中预先计算每一行对应的θ和cosθ，因为内层循环只改变φ，不改变θ。这样可以减少一半以上的三角函数调用。
另一个容易忽略的问题是浮点精度。当粗糙度很小时，α²也会非常小，指数项会急剧衰减，导致大部分像素值接近0。此时如果最小值和最大值差距过大，直接线性映射可能会使图像全黑。解决方法是使用对数空间进行计算，或者对输出值应用平方根或对数变换，以增强暗部细节。调试时可以先固定粗糙度为0.3到0.5之间，观察图像中心是否出现明显的高亮区域。
生成的PGM图像可以使用ImageMagick、GIMP或在线查看器打开。如果需要与GGX分布进行对比，只需将beckmannD函数替换为GGX的分布公式即可。两者的差异在粗糙度较大时会非常明显：Beckmann的高光边缘更锐利，而GGX的尾部更长。通过并排生成两张图像，可以更直观地理解不同NDF对最终渲染结果的影响。这种基于Node.js的图像生成方法虽然简单，但足够作为材质工具链中的一个小型辅助模块。
Node.jsBeckmann2Image法线分布函数修改时间：2026-08-22 18:09:14