Houdini 中的 Noises 概念

Houdini 中有各式各样的 Noise 生成器。这些 Noise 通过不同的算法实现，在性能和表现上也有不同的差异。

在 Houdini 中我们可以通过 Random 和 Noise 来生成一些不规则的效果。但这两者最大不同之处在于，Random 采用了伪随机过程来生成结果，该结果通过 seed 来控制，生成的结果是不可预测的。从图像上来说，Random 呈现的曲线是一条充满着断点的，不光滑的曲线。对于我们来说，Random 是非常难以控制的，因此 Random 应该使用在需要完全随机的地方。

Houdini 中的 Random 大致有三种：

• random：通过N维空间中的位置信息来生成随机数，使用的 seed 是整型。
• hscript_rand：该方法可以使用浮点数作为 seed 来生成随机数，结果可能跟操作系统相关。
• n-random：n-random 会返回一个 [0,1] 之间的数。该方法并不使用 seed，因此不能重现之前的结果。因为这种特性，n-random 被称为不确定随机数生成方法（non-deterministic random number generator）。

比起 Random，在实际生产中我们更倾向使用 noise，因为 noise 自身带有非常高的可控性。以 Perlin Noise 作为例子来说一下为什么是可控的。来看一看 Perlin Noise（1D） 的简单产生过程：

1. 在 X 轴上按一定的间隔随机采样点
2. 将这些点使用插值连接起来（比如 sin / cos）
3. 再对 X 轴上的点进行间隔细分，进行每个点的随机采样
4. 再将这些点使用插值连接起来，得到第二条光滑的曲线（Octaves）
5. 然后将该曲线与之前的曲线相叠加

通过以上的步骤，我们发现我们可以得到一种整体上平滑，但在局部上又有类似“分型(Fractal)” 形状的曲线。这样的曲线之所以易于控制，是因为其总体上来说可以看做是一种“波”，换句话说，我们可以通过频率（Frequency）、位移（Offset）、粗糙度（Roughness）等等来控制 Noise 的大致分布和细节。因此，对于某些需要一定的随机结果，但在大体上又应该有总体趋势的特效场景来说（比如城市里的汽车，有各种不同的车，但大部分都是本田和丰田），Noise 是非常有用的。

以 VOP 节点为例，Houdini 中有这么几个参数：

• Frequency，该参数代表了 Noise 的频率。越大代表 Noise 的“褶皱”就越明显。
• Amplitude，该参数是对 Noise 一个整体的缩放。
• Roughness，对 Amplitude 的叠加。
• Attenuation，控制 Noise 之间的衰减程度，越大越平滑。
• Turbulence，对 Frequency 进行叠加，不会在整体上改变 noise 的大致分布。

Houdini 中的 Noise 大致分为两个部分：连续的 Noise 和 非连续的 Noise.

连续的 Noise 分为如下几类：

• Perlin：基于 lattice points（也就是之前说的细分点）的 Noise。波动比较平稳，波动范围大部分在 0 的附近。
• Simplex：与 Perlin 类似，振幅较 Perlin 更加大。在 2D 的分布中，simplex 会呈现等边三角形状的图案（Perlin 是四边形，参考//Simplex noise demystified, Simplex noise demystified, 2005//)。Simplex 的效率较 Perlin 更高，形状更自然，几乎没有可以被人眼观测到的制造痕迹。
• Sparse Convolution：该类型 Noise 位置在 $0$ 以上，不会出现正负相减的波动。同时该种曲线非常平稳（resistant to change）。
• Sinusoidal：周期性的 Noise，比如 sin, cos 等等。

非连续的 Noise 分为如下几类：

• Worley：这种曲线的主要特点是在波峰（Peak）处不是连续的。根据这个特点，Worley、Voronoi、Cell 这三种类型的 Noise 都可以归为此类。
• Alligator：这种 Noise 看起来像是心电图一样，其位置永远在 0 之上，而不连续的点处于靠近 0 的地方。

Noise 1D 对比，图片来源：SideFX



Noise 3D 对比，图片来源：SideFX

• Make some noise with Python and generate terrain
• Working with Noise