博客
关于我
UE4搭建场景与特效文档—地形、水体、植被、雨雾效果
阅读量:657 次
发布时间:2019-03-15

本文共 1452 字,大约阅读时间需要 4 分钟。

UE4场景与特效搭建文档——地形、水体、植被与雨雾效果


目的

本文旨在实现游戏场景搭建,重点涵盖地形效果、水体效果、植被效果及雨雾效果的搭建,创造相对逼真的游戏环境场景。


硬件与软件配置

2.1 硬件

  • CPU:至强E5645 2.4GHZ
  • 内存:32GB DDR3
  • 硬盘:SSD 1TB
  • 显卡:GTX 1060 6GB

2.2 软件

  • 操作系统:Windows10家庭版
  • 游戏引擎:Unreal Engine 4.26
  • 引擎插件:landmass、water、volume、shallow

实现过程

1. 准备工作——导入骨骼动画

  • 导入带有骨骼的3D模型资源,如图3.1所示。
  • 在模型属性中勾选“只读骨骼”选项(如图3.2所示)以确保骨骼可正常生成。
  • 导入后检查骨骼状态,确保模型已成功解析骨骼结构(如图3.3所示)。
  • 双击右键生成骨骼,进入细节编辑页面,进行骨骼绑定操作(如图3.4所示)。
  • 选择动作蓝图“Animation BP”,复制并将其绑定到目标模型(如图3.5和图3.6所示)。
  • 设置动作范围和路径,确保动作可正常播放。

  • 制作地形与植被

    1. 准备地形材质

  • 在内容文件夹下创建texture文件夹,接着创建landscape子文件夹用于存放地形材质。
  • landscape文件夹中创建材质文件,命名为landscape1,并打开编辑器进行材质配置(如图4.1所示)。
  • 2. 地形材质蓝图设置

  • 使用LandscapeCoords、Texture Sample、Layer Blend、LandscapeLayerSample、LandScapeGrassOutput方法进行地形材质设置(如图4.2所示)。
  • 确保材质样式和法线样式分开渲染,可单独调整贴图和法线贴图效果。
  • 3. 植被与草地的制作

  • 右键点击新建植物,选择“地形草地类型”,并将其命名为需要添加的地形植被格式(如图4.3所示)。
  • 在网格图中添加植被个体,设置草地密度、起始剔除距离和终止剔除距离,优化草地生成效果。
  • 根据需要添加多个网格体元素,实现多种植物的复合效果。

  • 制作地形与水体

    1. 地形生成

  • 在主界面选择“地形(landscape)”模式,创建新的地形实例,并启用编辑图层(如图5.1所示)。
  • 添加材质球并设置场景大小,完成地形生成。
  • 使用雕刻工具对地形进行修改,实现更符合需求的地形形态。
  • 2. 地形植被绘制

  • 切换到“绘制”模式,选择地形材质进行绘制(如图5.2所示)。
  • 保存地形图层信息后,地形将逐渐渲染掉边缘过渡。
  • 在草地材质中进行绘制,生成草地植被效果(如图5.3所示)。

  • 生成水体

    1. 设置水体actor

  • 使用插件中的水体actor(如图6.1所示),在地图中选择并拖入适用的水体actor。
  • 对水体进行参数调整,优化地形表现(如图6.2所示)。
  • 2. 水体参数设置

  • 使用蓝图属性修改水体体积、深度、宽度等参数,实现自然流动效果。
  • 修改其它物理属性,使水体与地形更好地融合。

  • 雨雾效果添加

    1. 添加雾

  • 安装并打开Volumetrics插件,创建雾效actor并拖入地图(如图7.1所示)。
  • 调整雾的浓度与不透明度,设置内散射颜色和雾颜色以改变光照效果。
  • 2. 添加光线透过雾的散射效果

  • 在平行光源中设置光束效果(如图7.2所示)。
  • 调整光束强度、雾度和颜色,实现自然光透过效果(如图7.3所示)。

  • 以上内容完整介绍了UE4搭建地形、水体、植被及雨雾效果的实现方法。通过以上详细步骤,可以轻松完成高质量场景搭建。

    转载地址:http://inwmz.baihongyu.com/

    你可能感兴趣的文章
    OpenCV与AI深度学习 | 如何使用YOLOv9检测图片和视频中的目标
    查看>>
    OpenCV与AI深度学习 | 如何在 Docker 容器中使用 GPU
    查看>>
    OpenCV与AI深度学习 | 实战 | OpenCV中更稳更快的找圆方法--EdgeDrawing使用演示(详细步骤 + 代码)
    查看>>
    OpenCV与AI深度学习 | 实战 | OpenCV传统方法实现密集圆形分割与计数(详细步骤 + 代码)
    查看>>
    OpenCV与AI深度学习 | 实战 | OpenCV实现扫描文本矫正应用与实现详解(附源码)
    查看>>
    OpenCV与AI深度学习 | 实战 | YOLO11自定义数据集训练实现缺陷检测 (标注+训练+预测 保姆级教程)
    查看>>
    OpenCV与AI深度学习 | 实战 | YOLOv10模型微调检测肾结石并提高准确率
    查看>>
    OpenCV与AI深度学习 | 实战 | 使用OpenCV和Streamlit搭建虚拟化妆应用程序(附源码)
    查看>>
    OpenCV与AI深度学习 | 实战 | 使用OpenCV确定对象的方向(附源码)
    查看>>
    OpenCV与AI深度学习 | 实战 | 使用YOLOv8 Pose实现瑜伽姿势识别
    查看>>
    OpenCV与AI深度学习 | 实战 | 使用YoloV8实例分割识别猪的姿态(含数据集)
    查看>>
    OpenCV与AI深度学习 | 实战 | 使用姿态估计算法构建简单的健身训练辅助应用程序
    查看>>
    OpenCV与AI深度学习 | 实战 | 基于OpenCV和K-Means聚类实现颜色分割(步骤 + 代码)
    查看>>
    OpenCV与AI深度学习 | 实战 | 基于YoloV5和Mask RCNN实现汽车表面划痕检测(步骤 + 代码)
    查看>>
    OpenCV与AI深度学习 | 实战 | 基于YOLOv9+SAM实现动态目标检测和分割(步骤 + 代码)
    查看>>
    OpenCV与AI深度学习 | 实战 | 基于YOLOv9和OpenCV实现车辆跟踪计数(步骤 + 源码)
    查看>>
    OpenCV与AI深度学习 | 实战 | 文本图片去水印--同时保持文本原始色彩(附源码)
    查看>>
    OpenCV与AI深度学习 | 实战 | 通过微调SegFormer改进车道检测效果(数据集 + 源码)
    查看>>
    OpenCV与AI深度学习 | 实战—使用YOLOv8图像分割实现路面坑洞检测(步骤 + 代码)
    查看>>
    OpenCV与AI深度学习 | 实战篇——基于YOLOv8和OpenCV实现车速检测(详细步骤 + 代码)
    查看>>