Bresenham-Linien-Algorithmus: Effiziente pixelgenaue Linienwiedergabe für Computer Vision
Von Fouad Sabry
()
Über dieses E-Book
Was ist der Bresenham-Linienalgorithmus
Der Bresenham-Linienalgorithmus ist ein Linienzeichnungsalgorithmus, der die Punkte eines n-dimensionalen Rasters bestimmt, die ausgewählt werden sollten, um einen Abschluss zu bilden Annäherung an eine gerade Linie zwischen zwei Punkten. Es wird üblicherweise zum Zeichnen von Linienprimitiven in einem Bitmap-Bild verwendet, da es nur ganzzahlige Addition, Subtraktion und Bitverschiebung verwendet, was alles sehr kostengünstige Operationen in historisch gängigen Computerarchitekturen sind. Es handelt sich um einen inkrementellen Fehleralgorithmus und einen der frühesten Algorithmen, die auf dem Gebiet der Computergrafik entwickelt wurden. Zum Zeichnen von Kreisen kann eine Erweiterung des ursprünglichen Algorithmus namens Mittelpunktkreisalgorithmus verwendet werden.
Ihr Nutzen
(I) Einblicke und Validierungen zu folgenden Themen:
Kapitel 1: Bresenhams Linienalgorithmus
Kapitel 2: Linienzeichnungsalgorithmus
Kapitel 3: Xiaolin Wus Linienalgorithmus
Kapitel 4: Digitaler Differentialanalysator (Grafikalgorithmus)
Kapitel 5: Mittelpunktkreisalgorithmus
Kapitel 6: Kettenregel
Kapitel 7: Ableitung
Kapitel 8: Steigung
Kapitel 9: Differentialrechnung
Kapitel 10: Plot-Algorithmen für die Mandelbrot-Menge
(II) Antwort an die Öffentlichkeit Top-Fragen zum Bresenham-Linien-Algorithmus.
(III) Beispiele aus der Praxis für die Verwendung des Bresenham-Linien-Algorithmus in vielen Bereichen.
Für wen dieses Buch gedacht ist
Profis, Studenten und Doktoranden, Enthusiasten, Hobbyisten und diejenigen, die über das Grundwissen oder die Informationen für jede Art von Bresenham-Linien-Algorithmus hinausgehen möchten.
Ähnlich wie Bresenham-Linien-Algorithmus
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
Strichzeichnungsalgorithmus: Beherrschen von Techniken zur präzisen Bildwiedergabe Bewertung: 0 von 5 Sternen0 BewertungenLevel-Set-Methode: Weiterentwicklung der Computer Vision, Erforschung der Level-Set-Methode Bewertung: 0 von 5 Sternen0 BewertungenTrifokaler Tensor: Erforschung von Tiefe, Bewegung und Struktur in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenHough-Transformation: Enthüllung der Magie der Hough-Transformation in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenZweidimensionale Computergrafik: Erkundung des visuellen Bereichs: Zweidimensionale Computergrafiken in Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenDirekte lineare Transformation: Praktische Anwendungen und Techniken in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenBündelanpassung: Optimieren visueller Daten für eine präzise Rekonstruktion Bewertung: 0 von 5 Sternen0 BewertungenÜbungen zur Numerischen Analysis Bewertung: 0 von 5 Sternen0 BewertungenComputer-Vision-Grafikschnitte: Erforschung von Graphschnitten in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenModell einer Lochkamera: Perspektive durch Computeroptik verstehen Bewertung: 0 von 5 Sternen0 BewertungenBilineare Interpolation: Verbesserung der Bildauflösung und -klarheit durch bilineare Interpolation Bewertung: 0 von 5 Sternen0 BewertungenBildbasierte Modellierung und Rendering: Erforschung des visuellen Realismus: Techniken in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenGeometrisches Hashing: Effiziente Algorithmen zur Bilderkennung und -anpassung Bewertung: 0 von 5 Sternen0 BewertungenBeschreibende Geometrie: Den visuellen Bereich erschließen: Erkundung der beschreibenden Geometrie im Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenRastergrafiken: Die Grundlagen der Rastergrafik in der Computer Vision verstehen Bewertung: 0 von 5 Sternen0 BewertungenPolygon-Computergrafik: Erkundung der Schnittstelle zwischen Polygon-Computergrafik und Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenPartitionierung des binären Raums: Erkundung der binären Raumpartitionierung: Grundlagen und Anwendungen in der Bildverarbeitung Bewertung: 0 von 5 Sternen0 BewertungenVolumen Rendern: Erforschung des Visuellen Realismus in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenNumerische Grundlagen der Simulation: Kompendium Simulation und Regelung technischer Prozesse, Teil 5 Bewertung: 0 von 5 Sternen0 BewertungenVerfahrensoberfläche: Erforschung der Texturgenerierung und -analyse in Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenRaytracing-Grafiken: Erforschung des fotorealistischen Renderings in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenScan Linien Rendern: Erforschung des visuellen Realismus durch Scan Linien Rendern Techniken Bewertung: 0 von 5 Sternen0 BewertungenJetzt lerne ich analytische Geometrie für die Oberstufe: www.alles-Mathe.de Bewertung: 0 von 5 Sternen0 BewertungenDokumentmosaikierung: Visuelle Einblicke durch Dokumentmosaikierung erschließen Bewertung: 0 von 5 Sternen0 BewertungenEntfernung verdeckter Linien: Das Unsichtbare enthüllen: Geheimnisse des Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenDreidimensionale Multi-View-Rekonstruktion: Fortgeschrittene Techniken zur räumlichen Wahrnehmung in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenBewegungsschätzung: Fortschritte und Anwendungen in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenVektorgrafik-Editor: Ermöglichen Sie die visuelle Erstellung mit fortschrittlichen Algorithmen Bewertung: 0 von 5 Sternen0 BewertungenEinführung in die numerische Strömungsmechanik Bewertung: 1 von 5 Sternen1/5Rastergrafik-Editor: Visuelle Realitäten transformieren: Rastergrafik-Editoren in Computer Vision beherrschen 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 Bresenham-Linien-Algorithmus
0 Bewertungen0 Rezensionen
Buchvorschau
Bresenham-Linien-Algorithmus - Fouad Sabry
Kapitel 1: Bresenhams Linienalgorithmus
Der Linienalgorithmus von Bresenham ist ein Linienzeichnungsverfahren, das die n-dimensionalen Rasterpunkte identifiziert, die ausgewählt werden sollen, um eine gerade Linie zwischen zwei Punkten anzunähern. Es wird häufig verwendet, um Linienprimitive in einem Bitmap-Bild (z. B. auf einem Computerbildschirm) zu zeichnen, da es nur ganzzahlige Addition, Subtraktion und Bitverschiebung erfordert, was alles relativ kostengünstige Operationen in historisch vorherrschenden Computerarchitekturen sind. Es ist einer der frühen Algorithmen, die im Bereich der Computergrafik entwickelt wurden, und ist ein inkrementeller Fehleralgorithmus. Eine Modifikation des ursprünglichen Algorithmus kann verwendet werden, um Kreise zu erstellen.
Während Antialiasing-fähige Techniken wie der Wu-Algorithmus auch in der modernen Computergrafik weit verbreitet sind, bleibt Bresenhams Linienalgorithmus aufgrund seiner Geschwindigkeit und Einfachheit von Bedeutung. Der Algorithmus wird in Plottern und den Grafikchips moderner Grafikkarten verwendet. Auch in zahlreichen Software-Grafikbibliotheken vorhanden. Aufgrund der Einfachheit des Algorithmus wird er häufig in die Grafikhardware oder Firmware aktueller Grafikkarten implementiert.
Heute bezieht sich der Begriff Bresenham
auf eine Familie von Algorithmen, die Bresenhams ursprünglichen Ansatz erweitern oder verändern.
Der Linienalgorithmus von Bresenham ist nach Jack Elton Bresenham benannt, dem IBM-Mitarbeiter, der ihn 1962 entwickelte. Im Jahr 2001 veröffentlichte Bresenham:
Ich arbeitete im Rechenlabor des IBM San Jose Development Lab. Über das Schreibmaschinenterminal 1407 wurde ein Calcomp-Plotter mit einem IBM 1401 verbunden. Der Algorithmus wurde im Sommer 1962 oder möglicherweise einen Monat früher in der Produktion eingesetzt. Calcomp (Jim Newland und Calvin Heft) besaß Kopien der Programme, weil Unternehmen sie damals offen teilten. Als ich im Herbst 1962 nach Stanford zurückkehrte, spendete ich ein Exemplar an die Bibliothek des Stanford-Rechenzentrums. Auf der nationalen ACM-Tagung 1963 in Denver, Colorado, wurde eine Beschreibung der Strichzeichnungsroutine zur Präsentation angenommen. In jenem Jahr wurden nur die Tagesordnung der Referenten und Themen in einer Ausgabe der Mitteilungen der ACM veröffentlicht. Nach meinem Vortrag fragte jemand vom IBM Systems Journal, ob sie die Arbeit veröffentlichen dürften. Ich willigte gerne ein, und es wurde 1965 veröffentlicht.
Bresenhams Ansatz wurde erweitert, um Kreise, Ellipsen, kubische und quadratische Bézier-Kurven sowie native Anti-Aliasing-Versionen dieser Kurven zu erzeugen.
Die folgenden Konventionen werden verwendet:
Die obere linke Koordinate ist (0,0), so dass die Pixelkoordinaten nach rechts und unten wachsen (z. B. befindet sich das Pixel bei (7,4) direkt über dem Pixel bei (7,5)), während die untere rechte Koordinate (1,1) ist).
Die Mittelpunkte der Pixel haben ganzzahlige Koordinaten.
Die Endpunkte der Linie sind die Pixel bei (x_{0},y_{0}) und (x_{1},y_{1}) , wobei die erste Koordinate die Spalte und die zweite Koordinate die Zeile darstellt.
Der Algorithmus wird zunächst nur für das Oktant angezeigt, in dem das Segment nach unten und nach rechts ( x_{0}\leq x_{1} und y_{0}\leq y_{1} ) verläuft und dessen horizontale Projektion x_{1}-x_{0} länger ist als die vertikale Projektion y_{1}-y_{0} (die Linie hat eine positive Steigung kleiner als 1).
In diesem Achtel berechnet die Technik für jede Spalte x zwischen x_{0} und x_{1} , genau eine Zeile y, die ein Pixel der Linie enthält, während jede Zeile zwischen y_{0} und y_{1} mehrere gerasterte Pixel enthalten kann.
Die Bresenham-Technik wählt die ganze Zahl y aus, die dem Pixelmittelpunkt entspricht, der dem idealen (gebrochenen) y für dasselbe x am nächsten liegt. In aufeinanderfolgenden Spalten kann y gleich bleiben oder um 1 steigen. Die allgemeine Gleichung der Linie, die durch die Endpunkte verläuft, lautet:
{\frac {y-y_{0}}{y_{1}-y_{0}}}={\frac {x-x_{0}}{x_{1}-x_{0}}} .
Da wir die Spalte x haben, können wir die Zeile des Pixels, y, erhalten, indem wir diese Zahl auf die nächste ganze Zahl runden:
y={\frac {y_{1}-y_{0}}{x_{1}-x_{0}}}(x-x_{0})+y_{0}.
Die Steigung (y_{1}-y_{0})/(x_{1}-x_{0}) hängt nur von den Endpunktkoordinaten ab und kann im Voraus berechnet werden, und das ideale y für aufeinanderfolgende ganzzahlige Werte von x kann berechnet werden, beginnend mit y_{0} der Steigung und wiederholtem Addieren.
In der Praxis behält der Algorithmus die y-Koordinateninformation nicht bei, die jedes Mal um m = ∆y/∆x zunimmt, wenn x um eins zunimmt. Auf jeder Ebene wird eine Fehlergrenze beibehalten, die den Abstand zwischen (a) dem Punkt, an dem die Linie das Pixel verlässt, und (b) der oberen Kante des Pixels angibt.
Dieser Wert wird zuerst auf ( {\displaystyle y_{0}-0.5} aufgrund der Verwendung der Mittelkoordinaten des Pixels) gesetzt, jedes Mal, wenn die x-Koordinate um eins erhöht wird, wird m addiert.
Wenn die Ungenauigkeit größer als 0,5 ist, sind wir uns bewusst, dass sich die Linie um ein Pixel nach oben verschoben hat. Wir müssen die y-Koordinate erhöhen und eins vom Fehler subtrahieren, um den Abstand von der Oberseite des neuen Pixels widerzuspiegeln.
Der Bresenham-Algorithmus muss in zwei Schritten abgeleitet werden. Der erste Schritt besteht darin, die Steigungsschnittform der Gleichung einer Linie in eine andere Form zu übersetzen und dann diese neue Gleichung zu verwenden, um eine Linie zu zeichnen, die auf dem Konzept der Fehlerakkumulation basiert.
Die Steigungsschnittform einer Linie wird wie folgt geschrieben:
y=f(x)=mx+bwobei m die Steigung und b der y-Achsenabschnitt ist.
Da es sich hierbei nur um eine Funktion von handelt x , kann keine vertikale Linie symbolisiert werden.
Daher wäre es sinnvoll, diese Gleichung als Funktion von sowohl als auch zu schreiben, x y die in der Lage ist, Linien in jedem Winkel zu zeichnen.
Der Winkel (oder die Steigung) einer Linie kann als Anstieg über Lauf
oder angegeben werden \Delta y/\Delta x .
Dann, mit algebraischen Operationen,
{\begin{aligned}y&=mx+b\\y&={\frac {(\Delta y)}{(\Delta x)}}x+b\\(\Delta x)y&=(\Delta y)x+(\Delta x)b\\0&=(\Delta y)x-(\Delta x)y+(\Delta x)b\end{aligned}}Lasst diese letzte Gleichung eine Funktion von x und sein y , kann sie auch wie folgt geschrieben werden:
{\displaystyle f(x,y):=Ax+By+C=0}wo sich die Konstanten befinden
{\displaystyle A=\Delta y=y_{1}-y_{0}}{\displaystyle B=-\Delta x=-(x_{1}-x_{0})}{\displaystyle C=(\Delta x)b=(x_{1}-x_{0})b}Die Zeile wird dann für einige Konstanten A definiert, B und C überall f(x,y)=0 .
Das heißt, für alle, (x,y) die nicht in der Leitung sind, f(x,y)\neq 0 .
Diese Form enthält nur ganze Zahlen, wenn x und y ganze Zahlen sind, da die Konstanten A , B und C als ganze Zahlen definiert sind.
Zum Beispiel könnte die Zeile {\textstyle y={\frac {1}{2}}x+1} then this als geschrieben werden f(x,y)=x-2y+2 .
Der Punkt (2,2) steht auf dem Spiel.
f(2,2)=x-2y+2=(2)-2(2)+2=2-4+2=0Außerdem steht der Punkt (2,3) nicht auf der Linie.
f(2,3)=(2)-2(3)+2=2-6+2=-2Beides ist nicht der Punkt (2,1)
f(2,1)=(2)-2(1)+2=2-2+2=2Beachten Sie, dass sich die Punkte (2,1) und (2,3) auf gegenüberliegenden Seiten der Linie befinden und f(x,y) positiv oder negativ ausgewertet werden.
Eine Linie teilt eine Ebene in zwei Hälften und die Halbebene, die ein Negativ hat f(x,y) , kann als negative Halbebene bezeichnet werden, die andere Hälfte wird als positive Halbebene bezeichnet.
Diese Bemerkung ist entscheidend für den Rest der Herleitung.
Offensichtlich liegt der Startpunkt auf der Linie.
f(x_{0},y_{0})=0Nur weil die Linie so definiert ist, dass sie an ganzzahligen Koordinaten beginnt und endet, kann sie gezeichnet werden (obwohl es durchaus vernünftig ist, eine Linie mit nicht-ganzzahligen Endpunkten zeichnen zu wollen).
Wenn man bedenkt, dass die Steigung höchstens ist 1 , stellt sich nun das Problem, ob der nächste Punkt bei oder liegen soll (x_{0}+1,y_{0}) (x_{0}+1,y_{0}+1) .
Vielleicht sollte intuitiv der Punkt ausgewählt werden, der näher an der Linie bei x_{0}+1 liegt.
Wenn es näher am vorherigen Punkt liegt, fügen Sie es auf der Linie hinzu, wenn der zweite, dann der zweite.
Um dieses Problem zu beheben, werten Sie die Linienfunktion zwischen diesen beiden Positionen aus:
{\displaystyle f(x_{0}+1,y_{0}+{\tfrac {1}{2}})}Wenn dieser Wert positiv ist, liegt die Ideallinie unterhalb des Mittelpunkts und näher am Kandidatenpunkt (x_{0}+1,y_{0}+1) . Folglich hat sich die y-Koordinate nach vorne verschoben.
Andernfalls, Die optimale Gerade befindet sich auf oder über der Hälfte, Außerdem hat sich die y-Koordinate nicht verschoben; in diesem Fall wählen Sie den Punkt (x_{0}+1,y_{0}) .
An diesem Mittelpunkt ist der Wert der Linienfunktion die einzige Determinante dafür, welcher Punkt ausgewählt werden soll.
Die Abbildung rechts zeigt den ausgewählten Punkt (2,2) in Blau sowie zwei potenzielle Punkte (3,2) in Grün (3,3). Der schwarze Punkt (3, 2,5) liegt in der Mitte der beiden Kandidatenpunkte.
Anstatt f(x,y) an den Mittelpunkten auszuwerten, kann alternativ die Differenz zwischen den Punkten verwendet werden. Diese alternative Methode ermöglicht