后处理效果都需要c#脚本和shader文件配合来实现效果，其中模糊算法c#脚本都具有类似的过程。其中包括均值模糊，高斯模糊，径向模糊，方向模糊，中值模糊，光圈模糊，粒状模糊，散景模糊等等。在unity中在摄像机上挂载重写了OnRenderImage函数的C#脚本，找到对应shader代码。

本资源实现了选中物体描边特效，并且描边颜色随时间变化，描边宽度随时间扩大和缩小，不同时间选中的物体，其颜色渐变规律各异，按住Ctrl键单击可以追加选中描边，重复选中取消描边，点击地面或空白处，所有已描边物体取消描边。 其原理如下：首先使用纯色对选中的物体进行渲染，得到模板纹理，接着对模板纹理进行模糊处理，使模板颜色往外扩，得到模糊纹理，再根据模板纹理和模糊纹理对所有物体重新渲染，渲染规则：如果该像素点在模板纹理内部，就渲染原色，如果在模板纹理外部，就根据模糊纹理的透明度判断渲染原色还是模糊纹理色。

提供GPU CUDA架构下的图像处理方法，主要包括图像的RGB转灰度图，与均值模糊处理

利用计算机处理（数字滤波）改善影像质量，包括去除高频噪声与干扰，及影像边缘增强、线性增强以及去模糊等。利用MATLAB实现算术均值滤波器、几何均值滤波器、中值滤波器、修正的阿尔法均值滤波器、自适应中值滤波器，并比较不同滤波器的降噪结果。

基于改进型的人工势场法，模糊处理，可以供在人工势场法方面深入研究做参考

人工智人-家居设计-基于ARM的智能配电监测仪的数据采集与模糊处理研究.pdf

为了解决煤矿井下复杂光照条件导致人脸识别率低的问题, 提出了一种适用于煤矿井下复杂光照条件下的人脸识别方法。首先利用小波分解将人脸图像分解为低频和高频部分, 对低频部分利用直方图均衡化处理, 增强图像对比度; 然后采用引入模糊隶属度因子的小波去噪模型对高频部分进行滤波处理, 并通过新的PAL模糊增强算法对高频部分进行模糊增强, 在不同阈值下的非线性变换得到不同尺度、不同方向的特征图像, 并进行反模糊处理; 最后对处理后的低频和高频部分进行小波重构。实验表明, 在井下复杂光照条件下, 本文提出的人脸识别方法能有效改善人脸图像的整体效果, 增强图像的细节信息, 且平均识别率能够达到94.45%, 显著提高了井下复杂光照下的人脸识别率。

卷积神经网络去模糊 Tensorflow中的深度CNN实施可对文本图像进行去模糊处理 目录 安装 克隆项目， > git clone git@github.com:satwikkansal/deblurring_cnn.git > cd deblurring_cnn 安装依赖项， > pip install -r requirements.txt 用法 可以按照的说明下载数据集。 下载后，将数据相应地放置在data/train和data/test目录中。 使用以下命令开始训练， > python train.py 输出将保存在output目录中。 贡献 欢迎所有补丁！ 执照 MIT许可证-有关详细信息，请参阅文件 致谢 参考： http : //www.fit.vutbr.cz/~ihradis/pubs.php? file=/pub/10922/hradis1

C++图片处理，dmeo中只是使用了QImage传递了内存地址，处理过程完全是C++diamante，讲解博客地址：http://www.cnblogs.com/swarmbees/p/5722882.html

hslogic算法仿真——人工势场 - 模糊处理，避障处理，matlab仿真 Xo=[0,0];%起点位置 k=10;%计算引力需要的增益系数 K=0;%初始化 m=1;%计算斥力的增益系数，自己设定 d=2;%障碍影响距离，当障碍和车的距离大于这个距离时，斥力为0，即不受该障碍的影响,自己设定 n=10;%障碍个数 l=0.5;%步长 J=200;%循环迭代次数 X_target=[10,10]; X_obs=[1 1.5;3 3;4 4.5;3 6;6 2.5;5.5 7;8 8.5;9,9.5;10 5;7 6];%这个向量是n*2维，障碍的位置 X_robot=Xo;%X_robot是机器人的定位坐标,将车的起始坐标Xo赋给X_robt