【blender几何节点】制作几何节点生成树

news/2025/1/16 0:07:45/

实际上,用pcg功能的工具去搭单个可控制性较强的pcg案例(如单个生成树)而言,确实难度不大。但是要实现诸如speedtree这样通用性比较强的应用or插件(精心设计的诸多可调节参数多带来的强通用性,使其能够适应不同种类的树木程序化制作),我想更多的还是需要:
对现实树木的认真观察和分析,什么样的树具备什么样的结构及纹理特征,其叶片的分布生长是否具备特点
以及可以的话,增加一些更风格化的生成方案。

想看效果的话可以直接点链接去我的b站看。
效果视频
在这里插入图片描述
在这里插入图片描述
3d8a017e77478e829143c40329db24.png#pic_center" alt="在这里插入图片描述" width="500" />

1.核心思想:

首先是概括,我们把树木的主体概括为三种不同级别的树枝:树干,一级树枝,二级树枝,加上树叶。
树干:顾名思义只有一根,作为支撑树木的主体部分
一级树枝:依附于树干上的第一批树枝,作为二级树枝的父级
二级树枝:依附于一级树枝上,是实例数目最大的树枝集合,主要是最为树叶的父级,即树叶最终都会生成在二级树枝上
在这里插入图片描述
通过生成并合并这些不同等级的树枝,最终形成树木的主体,并进行树叶的随机实例化(在二级树枝上)
在这里插入图片描述
加上树叶后,套上材质(注意这里实例化生成的时候,树叶实例是自带材质的,只有树木的材质由于涉及到uv解算,需要在blender里自行制作)
在这里插入图片描述

2.详细解析

2.1.树干生成

通过单体曲线实例进行曲线重采样(即对曲线实例进行再细分,把曲线划分为等分段数的控制点)
下方两个噪波纹理,主要提供x,y方向上的随机变化,实现树干的扭曲效果。
两个噪波纹理对应的输入,为噪波缩放,对应组输入中的:x方向扭曲程度与y方向扭曲程度
3d1b1aee1afbc0c6046.png#pic_center" alt="在这里插入图片描述" />

重点过程

曲线直线的输出几何数据
在这里插入图片描述
曲线重采样后的调试输出几何数据
3d54fb84efc69.png#pic_center" alt="在这里插入图片描述" />
此时我们虽然对曲线进行了循环边切割细分,但可以看到目前曲线仍是一条直线的形式存在
在这里插入图片描述
为什么需要设置位置?因为通过两个噪波纹理合并矢量(只赋予XY方向),然后基于该矢量来设置变量后会发现,整个树干在扭曲的同时,会出现世界空间上的偏移。(注意红框部分,特别将其断开重连了)
在这里插入图片描述

因为是整体的偏移,所以通过整体去调节就可以搞定了。
在这里插入图片描述

那么现在我们得到了树干的曲线实例(目前还不是mesh),并且这个曲线实例是已经分好了段的(即分好了控制点,图中为20等分段)。

树枝生成方法的复用

另外还需要注意一点的是,树干,一级树枝,二级树枝的基础单元,都是进行了曲线重采样的曲线直线,只是其长度不同罢了。(后续也需要在组输入引入相关的参数设置)
那么就是说,一级树枝、二级树枝的生成中,可以完全引入与树干生成部分一模一样的节点组。

2.2.一级树枝生成

既然已经有了等分段(带控制点)的树干,那么我们第一反应就是将一级树枝实例化于这些控制点上,就会使用到实例化于点上这个节点。
如下图,橙色部分就是直接复用的树干生成的节点组,这里对曲线直线的长度做了对应的缩小。
蓝色部分(上),一个是基于概率做了筛选,我们没必要让每一个控制点都延伸出一级树枝,这样显得很假。
蓝色部分(下),主要是给一级树枝赋予一个随机旋转,
PS(在做完整插件时,树干,一级树枝,二级树枝对应这部分复用的代码,涉及曲线直线长度的这部分,需要在组输入里加入对应的输入参数)
在这里插入图片描述

重点过程

实例化于点上节点的输入
从上往下:
树干几何数据,基于概率选择的控制点,树干曲线实例(一级树枝长度),随机旋转值,随机缩放值
在这里插入图片描述

基于概率选择控制点
主要是使用端点选择,跟概率相乘,从上往下进行筛选
在目前的条件下,端点选择即便是提供了20+的末端尺寸,也无法选择到20+以外的控制点(因为曲线实例就只做了20等分的重采样)
在这里插入图片描述

随机旋转值
注意这里需要由随机值转弧度值,再合并矢量的过程。
对齐至欧拉矢量节点试做应用随机旋转值的功能,增加曲线切向后,旋转方向会更集中(更加竖直)
在这里插入图片描述

有曲线切向vs无曲线切向
在这里插入图片描述
在这里插入图片描述

随机实例缩放
ps:记得补充对应的上下界参数,作为组输入参数
3d1f78.png#pic_center" alt="在这里插入图片描述" />

2.3.二级树枝生成

二级树枝在一级树枝的基础上生成,刚好我们的一级树枝的的每一个曲线实例也是做过重采样的。
同样的,由于都是对重采样过的实例单体做处理,跟一级树枝生成的部分,复用率非常的高。
ps:同样这里少做了组输入的参数,如二级树枝的曲线单元长度,稍后要补做
在这里插入图片描述

对二级树枝生成来说,实例化于点上节点的输入则是:
一级树枝的几何数据,基于概率选择的控制点,树干曲线实例(二级树枝长度),随机旋转值(全部可复用)
因为这里二级树枝整体的体积已经比较小了,就没有再做随机的缩放
在这里插入图片描述

2.4.树枝的网格化

完了树干,一级树枝,二级树枝的生成后,实际上仍看不到数的实体。
这是因为当前上述实例仍处于一个曲线实例,而非网格实例的状态。
在这里插入图片描述

所以需要通过曲线到mesh的转换,使其在渲染中可见。(类似于3ds max的样条线实例化)
诚然可以直接通过曲线到网格节点来做转换,但是这么做出来的mesh半径完全一致,所以我们需要基于样条线的端点情况,给其赋予不同的半径,从而实现树枝半径的递减。
在这里插入图片描述

这里主要使用的是捕捉属性节点,捕捉各曲线实例中端点(控制点)的系数。
在这里插入图片描述

为了简单体现,我们对生成的单个曲线实例来做捕捉属性,可以看到下列十个端点(控制点)的信息。
在这里插入图片描述
在这里插入图片描述

可以看到越高的端点,系数越大,那么最终的曲线结果就是一条从低到高逐渐变亮的曲线
在这里插入图片描述

对于一级树枝的几何数据,动态半径后的效果如下
在这里插入图片描述

2.5.树叶的生成

树叶的实例化同样是实例化于点上,复用的东西很多。
当然树叶不可能再通过几何节点来做了,复杂的形状用几何节点来做的效率很低
这里通过自己制作的树叶单体来作为几何实例,实例化于二级树枝的控制点上
在这里插入图片描述

树叶单体
在这里插入图片描述

2.6.树干的材质

两种方法,一种是使用到贴图材质的,这种需要独立的计算uv,而使用blender自带的材质节点来做的话,就不需要额外的做uv计算。

独立uv计算

uv拆分实际上就是对mesh做裁剪,使之成为平面。
对于圆柱形物体来说,裁剪方法比较简单,我们在对树枝做mesh转换的时候,取横纵坐标直接作为矢量输出即可,虽然接缝处处理的不太美观。
在这里插入图片描述

主树干展开后的效果
3d7f2c977a5d2.png#pic_center" alt="在这里插入图片描述" />

ps:这里对一级、二级树枝展开后的UV无法正确导出,我一直没处理好这个问题。。。所以只能放弃了使用第三方贴图材质的路子,改用blender自带的材质节点来连树干材质

blender_149">blender材质制作

没有做uv展开的情况下,无法使用贴图作为材质,只能用blender自己的材质
两个噪波纹理相连,输出波纹状效果,套上颜色渐变,增加凹凸处理转换为法线即可
在这里插入图片描述


http://www.ppmy.cn/news/1446836.html

相关文章

神经网络与深度学习中的目标检测与语义分割

神经网络与深度学习中的目标检测与语义分割是计算机视觉领域的两个重要任务。 目标检测的主要任务是在给定的图片中精确找到物体所在位置,并标注出物体的类别。由于物体的尺寸变化范围大,摆放物体的角度和姿态不定,且可以出现在图片的任何地…

Docker常用命令 镜像库设置

Docker常用命令 & 镜像库设置 1. 镜像操作2. 容器操作3. 网络操作4. Docker Compose操作5. Docker volume操作6. Docker run介绍7. 镜像库设置 1. 镜像操作 列出本地所有的镜像 docker images从远程仓库拉取镜像到本地 docker pull <image_name>删除本地的指定镜像…

笔记-mathtype公式在PDF或打印出来显示不全

原文中的公式&#xff1a; 纸质版打印出来的公式有缺失 问题描述&#xff1a;mathtype公式编辑器所编辑的公式转成PDF或者打印出来有缺失 以下是解决方法的具体描述。 目录 一、准备工作二、操作步骤 一、准备工作 1、工具&#xff1a;mathtype、微软word 二、操作步骤 …

【RabbitMQ】可靠性策略(幂等,消息持久化)

MQ可靠性策略 发送者的可靠性问题生产者的重连生产者确认 MQ的可靠性数据持久化Lazy Queue 消费者的可靠性问题消费者确认机制消息失败处理 业务幂等性简答问题 发送者的可靠性问题 生产者的重连 可能存在由于网络波动&#xff0c;出现的客户端连接MQ失败&#xff0c;我们可以…

OLTP和OLAP,StarRocks数据库,TiDB数据库

OLTP和OLAP&#xff0c;StarRocks数据库&#xff0c;TiDB数据库 一、OLTP和OLAP二、StarRocks数据库三、TiDB数据库 一、OLTP和OLAP OLTP和OLAP是两种不同的数据处理方式&#xff0c;用于处理不同类型的工作负载。OLTP&#xff08;Online Transaction Processing&#xff09;是…

深入探索DreamFusion:文本到3D生成的革命性技术

深入探索DreamFusion&#xff1a;文本到3D生成的革命性技术 引言&#xff1a; 在人工智能和计算机视觉领域&#xff0c;DreamFusion无疑是一个引人注目的新星。这项技术&#xff0c;基于Google提出的深度学习模型&#xff0c;将自然语言与三维内容生成紧密结合&#xff0c;开…

.NET 检测地址/主机/域名是否正常

&#x1f331;PING 地址/主机名/域名 /// <summary>/// PING/// </summary>/// <param name"ip">ip</param>/// <returns></returns>public static bool PingIp(string ip){System.Net.NetworkInformation.Ping p new System.N…

目标检测YOLO实战应用案例100讲-基于多尺度表征学习和元增量学习的遥感影像目标检测(续)

目录 基于元学习和深度匹配的遥感图像目标检测 4.1相关工作 4.1.1元学习的介绍