Phong-Reflexionsmodell: Lichtinteraktionen in der Bildverarbeitung verstehen
Von Fouad Sabry
()
Über dieses E-Book
Was ist das Phong-Reflexionsmodell
Das Phong-Reflexionsmodell ist ein empirisches Modell der lokalen Beleuchtung von Punkten auf einer Oberfläche, das vom Computergrafikforscher Bui Tuong Phong entworfen wurde. In der 3D-Computergrafik wird es manchmal als „Phong-Shading“ bezeichnet, insbesondere wenn das Modell mit der gleichnamigen Interpolationsmethode verwendet wird und im Zusammenhang mit Pixel-Shadern oder anderen Stellen, an denen eine Beleuchtungsberechnung als „Phong-Shading“ bezeichnet werden kann. Schattierung".
Wie Sie profitieren werden
(I) Einblicke und Validierungen zu den folgenden Themen:
Kapitel 1: Phong-Reflexionsmodell
Kapitel 2: Blinn-Phong-Reflexionsmodell
Kapitel 3: Bidirektionale Reflexionsverteilungsfunktion
Kapitel 4: Glanzlicht
Kapitel 5: Satz von Green
Kapitel 6: Theorie der endlichen Verzerrung
Kapitel 7: Wellenvektor
Kapitel 8: Exponentialverteilung
Kapitel 9: Weibull-Verteilung
Kapitel 10: Gamma-Verteilung
(II) Beantwortung der häufigsten öffentlichen Fragen zum Phong-Reflexionsmodell.
(III) Beispiele aus der Praxis für die Verwendung des Phong-Reflexionsmodells in vielen Bereichen.
Für wen dieses Buch gedacht ist
Profis, Studenten und Doktoranden, Enthusiasten, Hobbyisten und andere die über das Grundwissen oder die Informationen für irgendeine Art von Phong-Reflexionsmodell hinausgehen möchten.
Ähnlich wie Phong-Reflexionsmodell
Titel in dieser Serie (100)
Tonzuordnung: Tone Mapping: Erhellende Perspektiven in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenComputer-Stereo-Vision: Erforschung der Tiefenwahrnehmung in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenModell des menschlichen visuellen Systems: Wahrnehmung und Verarbeitung verstehen Bewertung: 0 von 5 Sternen0 BewertungenUnterwasser-Computervision: Erkundung der Tiefen der Computer Vision unter den Wellen Bewertung: 0 von 5 Sternen0 BewertungenHough-Transformation: Enthüllung der Magie der Hough-Transformation in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenAnisotrope Diffusion: Verbesserung der Bildanalyse durch anisotrope Diffusion Bewertung: 0 von 5 Sternen0 BewertungenHistogrammausgleich: Verbesserung des Bildkontrasts für eine verbesserte visuelle Wahrnehmung Bewertung: 0 von 5 Sternen0 BewertungenFarbraum: Erkundung des Spektrums von Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenRadon-Transformation: Aufdecken verborgener Muster in visuellen Daten Bewertung: 0 von 5 Sternen0 BewertungenLärmminderung: Verbesserung der Klarheit, fortschrittliche Techniken zur Rauschunterdrückung in der Bildverarbeitung Bewertung: 0 von 5 Sternen0 BewertungenGamma-Korrektur: Verbesserung der visuellen Klarheit in der Computer Vision: Die Gammakorrekturtechnik Bewertung: 0 von 5 Sternen0 BewertungenKonturerkennung: Enthüllung der Kunst der visuellen Wahrnehmung in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenBlob-Erkennung: Aufdecken von Mustern in visuellen Daten Bewertung: 0 von 5 Sternen0 BewertungenAdaptiver Filter: Verbesserung der Computer Vision durch adaptive Filterung Bewertung: 0 von 5 Sternen0 BewertungenRetinex: Enthüllen Sie die Geheimnisse des computergestützten Sehens mit Retinex Bewertung: 0 von 5 Sternen0 BewertungenComputer Vision: Erkundung der Tiefen des Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenInpainting: Überbrückung von Lücken in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenOrientiertes Gradienten-Histogramm: Enthüllung des visuellen Bereichs: Erkundung des Histogramms mit orientierten Farbverläufen in der Bildverarbeitung Bewertung: 0 von 5 Sternen0 BewertungenGemeinsame Fotoexpertengruppe: Erschließen Sie das Potenzial visueller Daten mit dem JPEG-Standard Bewertung: 0 von 5 Sternen0 BewertungenBildhistogramm: Visuelle Einblicke enthüllen und die Tiefen von Bildhistogrammen in der Computer Vision erkunden Bewertung: 0 von 5 Sternen0 BewertungenFilterbank: Einblicke in die Filterbanktechniken von Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenHomographie: Homographie: Transformationen in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenTrifokaler Tensor: Erforschung von Tiefe, Bewegung und Struktur in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenFarbprofil: Erforschung der visuellen Wahrnehmung und Analyse in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenFarberscheinungsmodell: Wahrnehmung und Darstellung in Computer Vision verstehen Bewertung: 0 von 5 Sternen0 BewertungenHarris Eckendetektor: Enthüllung der Magie der Bildmerkmalserkennung Bewertung: 0 von 5 Sternen0 BewertungenZufallsstichprobenkonsens: Robuste Schätzung in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenFarbanpassungsfunktion: Spektrale Empfindlichkeit in Computer Vision verstehen Bewertung: 0 von 5 Sternen0 BewertungenAffine Transformation: Visuelle Perspektiven freischalten: Erforschung der affinen Transformation in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenBündelanpassung: Optimieren visueller Daten für eine präzise Rekonstruktion Bewertung: 0 von 5 Sternen0 Bewertungen
Ähnliche E-Books
Phong Schattierung: Erkundung der Tiefe des visuellen Renderings: Phong-Schattierung in der Bildverarbeitung Bewertung: 0 von 5 Sternen0 BewertungenGouraud-Schattierung: Gouraud-Shading: Erhellende Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenRadiosity Computergrafik: Fortschrittliche Visualisierung durch Radiosität in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenSchattierung: Erforschung der Bildschattierung in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenBewegungsfeld: Erkundung der Dynamik von Computer Vision: Bewegungsfeld enthüllt Bewertung: 0 von 5 Sternen0 BewertungenTonzuordnung: Tone Mapping: Erhellende Perspektiven in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenVertex-Computergrafik: Erkundung der Schnittstelle zwischen Vertex Computer Graphics und Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenAnisotrope Diffusion: Verbesserung der Bildanalyse durch anisotrope Diffusion Bewertung: 0 von 5 Sternen0 BewertungenGlobale Beleuchtung: Vision voranbringen, Einblicke in die globale Beleuchtung Bewertung: 0 von 5 Sternen0 BewertungenSkalieren Sie den Raum: Erforschung von Dimensionen in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenVolumen Rendern: Erforschung des Visuellen Realismus in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenOptischer Fluss: Erforschung dynamischer visueller Muster in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenBlob-Erkennung: Aufdecken von Mustern in visuellen Daten Bewertung: 0 von 5 Sternen0 BewertungenRaytracing-Grafiken: Erforschung des fotorealistischen Renderings in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenRadon-Transformation: Aufdecken verborgener Muster in visuellen Daten Bewertung: 0 von 5 Sternen0 BewertungenBildbearbeitung für Anfänger: 30 Top Tipps für die Bildbearbeitung von digitalen Bildern Bewertung: 0 von 5 Sternen0 BewertungenKantenerkennung: Grenzen in der Computer Vision erkunden Bewertung: 0 von 5 Sternen0 BewertungenDistanznebel: Erkundung der visuellen Grenze: Einblicke in den Distanznebel der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenBildbasierte Modellierung und Rendering: Erforschung des visuellen Realismus: Techniken in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenBündelanpassung: Optimieren visueller Daten für eine präzise Rekonstruktion Bewertung: 0 von 5 Sternen0 BewertungenHarris Eckendetektor: Enthüllung der Magie der Bildmerkmalserkennung Bewertung: 0 von 5 Sternen0 BewertungenMinimaler Begrenzungsrahmen: Enthüllung der Leistungsfähigkeit der räumlichen Optimierung in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenCanny Edge Detector: Enthüllung der Kunst der visuellen Wahrnehmung Bewertung: 0 von 5 Sternen0 BewertungenRendern von Computergrafiken: Erforschung des visuellen Realismus: Einblicke in die Computergrafik Bewertung: 0 von 5 Sternen0 BewertungenBabys und Kinder mit dem Smartphone fotografieren: So hältst du die schönsten Momente fest Bewertung: 0 von 5 Sternen0 BewertungenBewegungsschätzung: Fortschritte und Anwendungen in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenEpipolare Geometrie: Erschließung der Tiefenwahrnehmung in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenGeschwindigkeitsmomente: Die Dynamik erfassen: Einblicke in Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenBump-Mapping: Bump Mapping: Erforschung der Tiefe der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenZweidimensionale Computergrafik: Erkundung des visuellen Bereichs: Zweidimensionale Computergrafiken in Computer Vision Bewertung: 0 von 5 Sternen0 Bewertungen
Künstliche Intelligenz (KI) & Semantik für Sie
Aufstieg der Roboter: Wie unsere Arbeitswelt gerade auf den Kopf gestellt wird - und wie wir darauf reagieren müssen Bewertung: 0 von 5 Sternen0 BewertungenChatGPT: Begegnung mit einer neuen Welt: Lernen Sie Künstliche Intelligenz mit der Gratisversion ChatGPT 3.5 Bewertung: 0 von 5 Sternen0 BewertungenChatGPT – Für Einsteiger: Schreibprofi mit KI, Zeit und Geld sparen ohne peinliche Fehler Bewertung: 0 von 5 Sternen0 BewertungenChatGPT: Epische Reise des Erfolgs - 'Steigern Sie Ihren Reichtum': Mit Screenshots aus dem echten Leben - Erreichen Sie finanzielle Höhen Bewertung: 0 von 5 Sternen0 BewertungenDie Zukunft der Arbeit: Digitalisierung, Automatisierung, KI Bewertung: 0 von 5 Sternen0 BewertungenMeistern von ChatGPT: Entriegeln Sie die Kraft der KI für verbesserte Kommunikation und Beziehungen: German Bewertung: 0 von 5 Sternen0 BewertungenMenschlicher Geist und Künstliche Intelligenz: Die Entwicklung des Humanen inmitten einer digitalen Welt Bewertung: 0 von 5 Sternen0 BewertungenChatbotische Landingpages: Wie du deine Konkurrenz in den digitalen Staub schicken Bewertung: 0 von 5 Sternen0 BewertungenDie KI Bibel, mit künstlicher Intelligenz Geld verdienen: Echte Fallbeispiele und Anleitungen zum Umsetzen Bewertung: 1 von 5 Sternen1/5Chatbotische Medien-Gestaltung leicht gemacht: Von der Idee zum viralen Hit Bewertung: 0 von 5 Sternen0 BewertungenKI-Innovationen: Wie die Technologie die Grenzen verschiebt Künstliche Intelligenz verstehen und nutzen: Ein AI-Buch Bewertung: 0 von 5 Sternen0 BewertungenWissen statt Glauben!: Das Weltbild des neuen Humanismus Bewertung: 0 von 5 Sternen0 BewertungenKünstliche Intelligenz: Die vierte industrielle Revolution Bewertung: 0 von 5 Sternen0 BewertungenEinstieg ins Machine Learning: Grundlagen, Prinzipien, erste Schritte Bewertung: 0 von 5 Sternen0 BewertungenDigitalotopia: Sind wir bereit für die (R)Evolution der Wirklichkeit? Bewertung: 0 von 5 Sternen0 BewertungenKünstliche Intelligenz in Sozialen Medien Bewertung: 0 von 5 Sternen0 BewertungenRoboter im Alltag: Maschinen (beinahe) wie Menschen Bewertung: 0 von 5 Sternen0 Bewertungen
Rezensionen für Phong-Reflexionsmodell
0 Bewertungen0 Rezensionen
Buchvorschau
Phong-Reflexionsmodell - Fouad Sabry
Kapitel 1: Phong-Reflexionsmodell
Das Phong-Reflexionsmodell (auch Phong-Beleuchtung oder Phong-Beleuchtung genannt) wurde von dem Computergrafiker Bui Tuong Phong als empirische Beschreibung der lokalen Beleuchtung von Punkten auf einer Oberfläche entwickelt.
In der 3D-Computeranimation wird es gelegentlich als Phong-Schattierung
bezeichnet, insbesondere wenn das Modell mit der gleichnamigen Interpolationsmethode und im Zusammenhang mit Pixel-Shadern oder anderen Stellen verwendet wird, an denen eine Beleuchtungsberechnung als Shading
bezeichnet werden kann.
Das Phong-Reflexionsmodell wurde an der University of Utah von Bui Tuong Phong entwickelt, der es 1975 in seiner Doktorarbeit veröffentlichte. Es wurde zusammen mit einer Methode zur Interpolation der Berechnung für jedes Pixel veröffentlicht, das aus einem polygonalen Oberflächenmodell gerastert wird. Die Interpolationstechnik wird als Phong-Schattierung bezeichnet, auch wenn sie mit einem anderen Reflexionsmodell als dem von Phong verwendet wird. Zum Zeitpunkt ihrer Veröffentlichung galten Phongs Ansätze als revolutionär, aber sie sind in der Folge zur Standard-Schattierungstechnik für viele Rendering-Anwendungen geworden. Aufgrund ihrer typischerweise effektiven Nutzung der Rechenzeit pro produziertem Pixel haben Phongs Techniken eine breite Akzeptanz gefunden.
Die Phong-Reflexion ist ein Modell der lokalen Beleuchtung, das auf Beobachtungen basiert. Es zeigt die Art und Weise, wie eine Oberfläche Licht reflektiert, als eine Kombination aus diffuser Reflexion und spiegelnder Reflexion. Auf der Grundlage von Phongs beiläufiger Beobachtung weisen funkelnde Oberflächen kleine, intensive Glanzlichter auf, und stumpfe Oberflächen weisen breite, verblassende Lichter auf. Das Modell verfügt auch über einen Umgebungsterm, um die winzige Lichtmenge zu berücksichtigen, die in der Landschaft verteilt wird.
Für jede Lichtquelle in der Szene wird die Belichtungszeit berechnet, Komponenten i_{\text{s}} und i_{\text{d}} sind definiert als die Intensitäten (oft als RGB-Werte) der spiegelnden bzw. diffusen Komponenten der Lichtquellen.
Ein einziger Begriff i_{\text{a}} steuert die Umgebungsbeleuchtung; Sie wird manchmal als Summe der Beiträge aller Lichtquellen berechnet.
Für jedes Szenenmaterial werden folgende Parameter definiert:
k_{\text{s}} , wobei die Konstante die spiegelnde Reflexion darstellt, das Verhältnis von Reflexion des Spiegelbegriffs zum einfallenden Licht, k_{\text{d}} , wobei die Konstante die diffuse Reflexion darstellt, den Anteil des diffusen einfallenden Lichts, der reflektiert wird (Lambertsche Reflexion), k_{\text{a}} Dies ist eine Konstante für die Umgebungsreflexion, den Anteil der Umgebungstermreflexion, der an jedem angezeigten Punkt in der Szene vorhanden ist, und
\alpha , Was ist eine Konstante für den Glanz dieses Materials?, was ist größer für Oberflächen, die hochglanzpoliert und reflektierend sind?.
Wenn diese Konstante signifikant ist, wird das Glanzlicht verringert.
Darüber hinaus haben wir
{\displaystyle {\text{lights}}} , umfasst es alle Lichtquellen?, {\hat {L}}_{m} , was der Richtungsvektor vom Punkt auf der Oberfläche zu jeder Lichtquelle ist ( m gibt die Lichtquelle an), {\hat {N}} , der zu diesem Zeitpunkt auf der Oberfläche typisch ist, {\hat {R}}_{m} , In welche Richtung würde sich ein ordnungsgemäß reflektierter Lichtstrahl von dieser Stelle auf der Oberfläche bewegen?, und
{\hat {V}} , in welche Richtung blickt der Betrachter? (z. B. eine virtuelle Kamera).
Dann liefert das Phong-Reflexionsmodell eine Gleichung zur Berechnung der Beleuchtung jedes Oberflächenpunkts I_{\text{p}} :
I_{\text{p}}=k_{\text{a}}i_{\text{a}}+\sum _{m\;\in \;{\text{lights}}}(k_{\text{d}}({\hat {L}}_{m}\cdot {\hat {N}})i_{m,{\text{d}}}+k_{\text{s}}({\hat {R}}_{m}\cdot {\hat {V}})^{\alpha }i_{m,{\text{s}}}).wobei der Richtungsvektor {\hat {R}}_{m} als Reflexion von {\hat {L}}_{m} auf der Oberfläche, die durch die Oberflächennormale gekennzeichnet {\hat {N}} ist, unter Verwendung von
{\hat {R}}_{m}=2({\hat {L}}_{m}\cdot {\hat {N}}){\hat {N}}-{\hat {L}}_{m}Hüte zeigen an, dass die Vektoren normalisiert wurden.
Der diffuse Term wird nicht von der Viewer-Richtung beeinflusst ( {\hat {V}} ).
Der Glanzterm ist nur dann groß, wenn die Viewer-Richtung ( {\hat {V}} ) an der Reflexionsrichtung ausgerichtet ist {\hat {R}}_{m} .
Ihre Ausrichtung wird durch die \alpha Stärke des Kosinus des Winkels zwischen ihnen gemessen.
Der Kosinus des Winkels zwischen den normierten Vektoren {\hat {R}}_{m} und {\hat {V}} ist gleich ihrem Punktprodukt.
Wenn \alpha groß ist, Im Falle einer Reflexion, die praktisch spiegelbildlich ist, wird der spiegelnde Höhepunkt bescheiden sein, weil jede Perspektive, die nicht mit der Reflexion ausgerichtet ist, einen Kosinus kleiner als eins hat, der sich schnell Null nähert, wenn er auf eine hohe Potenz angehoben wird:.
Obwohl die oben vorgestellte Formulierung der Standardansatz ist, um das Phong-Reflexionsmodell auszudrücken, sollte jeder Term nur dann einbezogen werden, wenn sein Punktprodukt positiv ist. (Darüber hinaus sollte der spiegelnde Term nur dann einbezogen werden, wenn das Punktprodukt des diffusen Terms positiv ist.)
Wenn der Farbton als RGB-Werte ausgedrückt wird, wie es in der Computergrafik üblich ist, wird diese Gleichung in der Regel unabhängig für R-, G- und B-Stärken modelliert, was unterschiedliche Reflexionskonstanten k_{\text{a}}, k_{\text{d}} und k_{\text{s}} für die verschiedenen Farbkanäle zulässt.
Es gibt eine Reihe von Methoden, um das Phong-Reflexionsmodell zu approximieren, anstatt die exakten Formeln zu implementieren, was die Berechnung beschleunigen kann. Zum Beispiel ist das Blinn-Phong-Reflexionsmodell eine Modifikation des Phong-Reflexionsmodells, das effizienter ist, wenn der Betrachter und die Lichtquelle als unendlich betrachtet werden.
Im Folgenden finden Sie eine zweite Näherung für die Berechnung der Potenzierung im Spiegelterm: Unter Berücksichtigung der Tatsache, dass der Glanzterm nur dann berücksichtigt werden sollte, wenn sein Punktprodukt positiv ist, kann er als
\max(0,{\hat {R}}_{m}\cdot {\hat {V}})^{\alpha }=\max(0,1-\lambda )^{\beta \gamma }=\left(\max(0,1-\lambda )^{\beta }\right)^{\gamma }\approx \max(0,1-\beta \lambda )^{\gamma }wobei \lambda =1-{\hat {R}}_{m}\cdot {\hat {V}} , und \beta =\alpha /\gamma \, eine reelle Zahl ist, die keine ganze Zahl sein muss.
Wenn \gamma eine Potenz von 2 gewählt wird, d.h.
\gamma =2^{n} wobei n eine ganze Zahl ist, dann kann der Ausdruck (1-\beta \lambda )^{\gamma } effizienter berechnet werden, indem die Zeiten quadriert werden (1-\beta \lambda )\ n , d.h.
(1-\beta \lambda )^{\gamma }\,=\,(1-\beta \lambda )^{2^{n}}\,=\,(1-\beta \lambda )^{\overbrace {\scriptstyle 2\,\cdot \,2\,\cdot \,\dots \,\cdot \,2} ^{n}}\,=\,(\dots ((1-\beta \lambda )\overbrace {^{2})^{2}\dots )^{2}} ^{n}.Diese Schätzung des Spiegeltermes gilt, wenn die Größe des Objekts ausreichend ist, ganzzahlig \gamma (typischerweise ist 4 oder 8 ausreichend).
\lambda
\lambda =({\hat {R}}_{m}-{\hat {V}})\cdot ({\hat {R}}_{m}-{\hat {V}})/2\lambda =({\hat {R}}_{m}\times {\hat {V}})\cdot ({\hat {R}}_{m}\times {\hat {V}})/2.Letzteres ist viel weniger empfindlich gegenüber Normalisierungsfehlern in {\hat {R}}_{m} und {\hat {V}} als Phongs Punktprodukt-basiertes \lambda =1-{\hat {R}}_{m}\cdot {\hat {V}} und benötigt und muss praktisch nicht {\hat {R}}_{m} normalisiert werden, außer bei sehr niedrig aufgelösten Dreiecksnetzen. {\hat {V}}
Diese Methode ersetzt eine variable Potenzierung durch wenige Multiplikationen und eliminiert die Notwendigkeit einer korrekten reziproken Quadratwurzel-basierten Vektornormalisierung.
Das Phong-Reflexionsmodell in Kombination mit der Phong-Schattierung nähert sich dem Schatten realer Objekte an. Dies deutet darauf hin, dass die Phong-Gleichung den Farbton in einem Foto mit den Oberflächennormalen eines sichtbaren Objekts in Beziehung setzen kann. Inverse bezieht sich auf die Schätzung von Oberflächennormalen aus einem gerenderten Bild, unabhängig davon, ob es natürlich oder computergeneriert ist.
Das Phong-Reflexionsmodell hat zahlreiche Parameter, wie z.B. den Parameter für die diffuse Oberflächenreflexion (Albedo), der innerhalb eines Objekts variieren kann. Die einzige Möglichkeit, die Normalen eines Objekts in einem Foto zu bestimmen, besteht darin, andere Informationen wie die Anzahl der Lichtquellen, Lichtrichtungen und Reflexionsfaktoren einzubeziehen.
Zum Beispiel existiert ein zylindrisches Element, z. B. ein Finger, und möchte die Normale N=[N_{x},N_{z}] auf einer Linie auf dem Objekt berechnen.
Wir gehen von einem einzelnen Licht, dem Fehlen von spiegelnder Reflexion und konsistenten (annähernd bekannten) Reflexionsparametern aus.
Folglich können wir die Phong-Gleichung vereinfachen zu:
I_{p}(x)=C_{a}+C_{d}(L(x)\cdot N(x))Mit C_{a} einer Konstante, die dem Umgebungslicht entspricht, und C_{d} einer Konstante, die gleich der