Unity3D For iPhone游戏引擎之构建游戏地形的基本元素(五)

本教程深入讲解如何在Unity3D中创建真实感的3D游戏地形,从树木到草地的细致描绘,通过设置关键参数如BrushSize、TreeDensity等,实现丰富多样的自然景观。同时,探索自定义模型的添加,让游戏世界更加生动。此外,介绍地形参数的调整,如PixelError、BaseMapDist等,以构建出更加精细和逼真的游戏场景。

我们继续创建一个完美的3D游戏地形,将树木,花草,加入我们的游戏世界中,丰富3D世界的游戏元素。如下图所示MOMO继续向大家讲解 画树模型、画草模型、其他设置 ,这三个标签栏的意义。

画树模型

Hierarchy 标签栏中,点击Create – > Tree 可以创建一个树的模型,设置自己的树木模型,这里我们先导入系统自带的树木模型,以后在讨论自定义模型的制作。

因为新建的工程中是没有树木和草地的贴图元素,可以在Unity3D 的标准资源库中导入,导入的方法和上一章介绍的一样。打开Unity3D 在Project标签栏中 鼠标右键 Import package – > Tree Creator 将标准树木资源模型导入工程。

点击Edit Textures 出现一个下拉列表
add Tree 添加一个树的模型
Edit Tree 编辑树的模型
Remove Tree删除树的模型

红框内是设置树木的一些关键重要参数

Brush Size : 画笔绘制一次树木添加数量,数值越大越多,越小则越少,取值范围0到100。
Tree Density:树之间的百分比,在一片树中间在放入量一片树就得修改这个数值了,取值范围0到100。
Color Variation:树之间颜色差的范围,取值范围0到1。
TreeHeight:树的高度,它是与场景模型有一定比例,越大树越高,取值范围0到200。
Variation:树与树之间的高度比例,取值范围0到30。
Tree Width:树的宽度,它是与场景模型有一定比例,越大树越宽,取值范围0到200。
Variation: 树与树之间的宽度比例,取值范围0到30。

有了这些参数,我们就可以创建一些更贴切的3D树的模型在场景中啦。

Tree None(Game Object) 添加树木的模型.

设置树木的模型完毕后,用鼠标在场景中点击添加树木把, 按住Shift点击鼠标可以消除之前场景中已有的树木。

画草模型:

起始它不仅能草,还能画一些自定义模型,可以处理一些零碎的小东西丰富游戏场景,如下图所示,Add Grass Texture为添加一个草的纹理图,Add Detail Mesh 添加一个自定义的模型。

Brush Size: 和上面一样,标志绘制的面积。
Opacity: 绘制的高度
Target Strength:绘制的密度。

具体绘制的方法与添加模型的方法和画树类似,这里就不贴图概述了,盆友们打开编辑器试一试就OK啦。

看一看草绘制出来的效果

具体编辑 ,移动草,拖动,以及模型的方法和上面类似,快快构建场景中的小玩意吧。

其他设置

主要设置一些3D游戏地形的一些参数
一下面列出一些主要参数的介绍,盆友们可以自己拖动鼠标修改一下其中的具体数值就可以在游戏视图中清晰的看到效果。
Pixel Error:控制地形密度容差,数值越大越圆滑,越小地形角度越明显。
Base Map Dist:控制地形贴图的距离.
Case shadows: 是否显示地形阴影
Draw:是否绘制绘制场景模型,比如树,草等等。
Wind Settings 地形中风的设置
Speed:风速
Size:风的范围

通过本章的学习,有了这些地形知识我们快快创建属于我们的3D游戏地形吧。

注:教程版权归雨松MOMO所有。

内容概要:本文介绍了ENVI Deep Learning V1.0的操作教程,重点讲解了如何利用ENVI软件进行深度学习模型的训练与应用,以实现遥感图像中特定目标(如集装箱)的自动提取。教程涵盖了从数据准备、标签图像创建、模型初始化与训练,到执行分类及结果优化的完整流程,并介绍了精度评价与通过ENVI Modeler实现一键化建模的方法。系统基于TensorFlow框架,采用ENVINet5(U-Net变体)架构,支持通过点、线、面ROI或分类图生成标签数据,适用于多/高光谱影像的单一类别特征提取。; 适合人群:具备遥感图像处理基础,熟悉ENVI软件操作,从事地理信息、测绘、环境监测等相关领域的技术人员或研究人员,尤其是希望将深度学习技术应用于遥感目标识别的初学者与实践者。; 使用场景及目标:①在遥感影像中自动识别和提取特定地物目标(如车辆、建筑、道路、集装箱等);②掌握ENVI环境下深度学习模型的训练流程与关键参数设置(如Patch Size、Epochs、Class Weight等);③通过模型调优与结果反馈提升分类精度,实现高效自动化信息提取。; 阅读建议:建议结合实际遥感项目边学边练,重点关注标签数据制作、模型参数配置与结果后处理环节,充分利用ENVI Modeler进行自动化建模与参数优化,同时注意软硬件环境(特别是NVIDIA GPU)的配置要求以保障训练效率。
内容概要:本文系统阐述了企业新闻发稿在生成式引擎优化(GEO)时代下的全渠道策略与效果评估体系,涵盖当前企业传播面临的预算、资源、内容与效果评估四大挑战,并深入分析2025年新闻发稿行业大趋势,包括AI驱动的智能化转型、精准化传播、首发内容价值提升、内容资产化及数据可视化。文章重点解析央媒、地方官媒、综合门户和自媒体四类媒体资源的特性、传播优势与发稿策略,提出基于内容适配性、时间节奏、话题设计的策略制定方法,并构建涵盖品牌价值、销售转化与GEO优化的多维评估框架。此外,结合“传声港”工具实操指南,提供AI智能投放、效果监测、自媒体管理与舆情应对的全流程解决方案,并针对科技、消费、B2B、区域品牌四大行业推出定制化发稿方案。; 适合人群:企业市场/公关负责人、品牌传播管理者、数字营销从业者及中小企业决策者,具备一定媒体传播经验并希望提升发稿效率与ROI的专业人士。; 使用场景及目标:①制定科学的新闻发稿策略,实现从“流量思维”向“价值思维”转型;②构建央媒定调、门户扩散、自媒体互动的立体化传播矩阵;③利用AI工具实现精准投放与GEO优化,提升品牌在AI搜索中的权威性与可见性;④通过数据驱动评估体系量化品牌影响力与销售转化效果。; 阅读建议:建议结合文中提供的实操清单、案例分析与工具指南进行系统学习,重点关注媒体适配性策略与GEO评估指标,在实际发稿中分阶段试点“AI+全渠道”组合策略,并定期复盘优化,以实现品牌传播的长期复利效应。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值