GraphicsLab Project 之 Curl Noise

作者:i_dovelemon

日期:2020-04-25

主题:Perlin Noise, Curl Noise, Finite Difference Method

 

引言

        最近在研究流体效果相关的模拟。经过一番调查,发现很多的算法都基于一定的物理原理进行模拟,计算量相对来说都比较高昂。最终寻找到一个基于噪音实现的,可在视觉上模拟流体效果的方法:Curl Noise。题图就是通过 Curl Noise 模拟的流体向量场控制的百万粒子的效果。

 

背景知识

        在讲解什么是 Curl Noise 之前,我们需要了解一些相关背景知识。

 

向量场(Vector Field)

        一个2D 或者 3D 的向量场,表示的是赋予空间中任意点一个 2D 或者 3D 向量的函数。公式表示如下所示:

F(x,y)=P(x,y)i+Q(x,y)j

F(x,y,z)=P(x,y,z)i+Q(x,y,z)j+R(x,y,z)k

        其中,PQR 各表示一个标量函数,即它们的返回值是一个标量;ijk 各表示一个基向量。(参考文献[1])

        上面数学的解释大家可能不熟悉,但是很多人或多或少的都看过向量场的图片形式,如下所示:

 

散度和旋度(Curl and Divergence)

        首先,我们来定义一个 操作,如下所示:

=xi+yj+zk

        其中表示的是偏导数符号,不熟悉的读者可以去复习下微积分或者参考文献[2]。有了这个操作符之后,我们定义旋度为:

curlF=×F=(RyQz,PzRx,QxPy)

        其中×为叉积操作符(参考文献[3])。

        有了旋度之后,我们再来定义散度,同样的,公式如下所示:

divF=F=Px+Qy+Rz

        特别的,散度和旋度之间有如下的一个关系:

div(curlF)=0

        以上内容,参考文献[4]。

        根据上面的公式,我们可以知道,对于一个向量场的旋度场,它的散度为 0,即它是一个无源场(Divergence-Free)。而一个散度为 0 的向量场,表示这个场是不可压缩的流体,这对日常所见的流体来说是一个很重要的视觉性质,所以据此我们可以使用一个场的旋度场来模拟流体效果。

 

Curl Noise

        所谓 Curl Noise,即是对一个随机向量场,进行 Curl 操作之后得到的新场。因为满足散度为 0 的特性,所以这个场看上去就具有流体的视觉特性。如果用这个场作为速度去控制粒子,即可得到开头视频中流动的效果。

 

2D Curl Noise

        前面我们说过,需要一个随机的向量场。这里我们使用 Perlin Noise 来进行模拟,关于 Perlin Noise 网上一堆资料,这里就不再赘述。

        我们假设 Perlin Noise 的函数为:

N(x,y)

        它的返回值是一个标量值。然后据此建立一个新的向量场:

F(x,y)=(N(x,y),N(x,y))

        然后对这个新的向量场进行 Curl 操作,即可得到旋度场。

        前面只说过 3D 情况下的 Curl 操作是怎么样的,这里给出 2D 版本的 Curl 操作:

curlF(x,y)=(N(x,y)y,N(x,y)x)

        这里就只剩下了最后一个问题,那就是形如 N(x,y)x 这样的偏导数,该怎么计算。我们这里使用一个名为有限差分的方法(Finite Difference Method)来近似求解。

 

Finite Difference Method

        根据文献[2]中对于偏导数的描述,我们知道 N(x,y)x 只是一种表达方式,它的精确表示方法为:

N(x,y)x=Nx(x,y)=limh0N(x+h,y)N(x,y)h

        而后面极限的表达方式则给了我们近似计算这个偏导数的方法,只要给定一个较小的 h 值,就能够近似的得到偏导数的结果。而这种计算方法即为:有限差分方法(Finite Difference Method)。

        除了上面的极限表示方法之外,还有另外一种极限表示方法,如下所示:

N(x,y)x=Nx(x,y)=limh0N(x,y)N(xh,y)h

        这两种差分方法分别称之为前向差分(Forward Difference)和逆向差分(Backward Difference)方法。我这里主要使用逆向差分方法。

        有了计算偏导数的方法之后,我们就可以实际带到 2D Curl 操作的公式进行计算,如下是计算 2D Curl Noise 的伪代码:

复制代码
vec2 computeCurl(float x, float y)
{
    float h = 0.0001f;
    float n, n1, n2, a, b;

    n = N(x, y);
    n1 = N(x, y - h);
    n2 = N(x - h, y);
    a = (n - n1) / h;
    b = (n - n2) / h;

    return vec2(a, -b);
}
复制代码

         知道怎么计算 2D Curl Noise 之后,我们用计算出来的 Curl Noise 作为速度场去控制粒子进行运动,如下是 2D Curl Noise 控制粒子运动的效果:

 

3D Curl Noise

        有了前面 2D Curl Noise 的实现,如法炮制的实现 3D Curl Noise 的推导。

        3D Perlin Noise 函数定义为:

N(x,y,z)

        以此构造出来的 3D 向量场为:

F(x,y,z)=(N(x,y,z),N(x,y,z),N(x,y,z))

        对这个场进行 Curl 操作,得到:

curlF=(N(x,y,z)yN(x,y,z)z,N(x,y,z)zN(x,y,z)x,N(x,y,z)xN(x,y,z)y)

        据此,给出计算 3D Curl Noise 的伪代码:

复制代码
vec3 computeCurl(float x, float y)
{
    vec3 curl;
    float h = 0.0001f;
    float n, n1, a, b;

    n = N(x, y, z);

    n1 = N(x, y - h, z);
    a = (n - n1) / h;

    n1 = N(x, y, z - h);
    b = (n - n1) / h;
    curl.x = a - b;

    n1 = N(x, y, z - h);
    a = (n - n1) / h;

    n1 = N(x - h, y, z);
    b = (n - n1) / h;
    curl.y = a - b;

    n1 = N(x - h, y, z);
    a = (n - n1) / h;

    n1 = N(x, y - h, z);
    b = (n - n1) / h;
    curl.z = a - b;

    return curl;
}
复制代码

        以下是根据得到的 3D Curl Noise,并一次控制粒子进行运动的效果:

 

 

结论

        Curl Noise 在游戏中有大量的运用,Unity 的粒子系统的 Noise Module 就内置了 Curl Noise 的实现。作为游戏开发的人员,很有必要了解下这个技术的原理,便于在实际开发中灵活运用。本文的主要原理来自于参考文献[5],感兴趣的可以深入去了解。

        源代码已上传 Github:https://github.com/idovelemon/UnityProj/tree/master/CurlNoise 。

 

参考文献

[1] Section 5-1 : Vector Field

[2] Section 2-2:Partial Derivatives

[3] Section 5-4:Cross Product

[4] Section 6-1:Curl And Divergence

[5] Curl-Noise for Procedural Fluid Flow

posted @   i_dovelemon  阅读(2865)  评论(0编辑  收藏  举报
编辑推荐:
· 一个奇形怪状的面试题:Bean中的CHM要不要加volatile?
· [.NET]调用本地 Deepseek 模型
· 一个费力不讨好的项目,让我损失了近一半的绩效!
· .NET Core 托管堆内存泄露/CPU异常的常见思路
· PostgreSQL 和 SQL Server 在统计信息维护中的关键差异
阅读排行:
· DeepSeek “源神”启动!「GitHub 热点速览」
· 我与微信审核的“相爱相杀”看个人小程序副业
· 微软正式发布.NET 10 Preview 1:开启下一代开发框架新篇章
· C# 集成 DeepSeek 模型实现 AI 私有化(本地部署与 API 调用教程)
· spring官宣接入deepseek,真的太香了~
点击右上角即可分享
微信分享提示