UE4_后期_ben_模糊和锐化滤镜

2024-06-12 04:52
文章标签 锐化 ue4 ben 滤镜 模糊 后期

本文主要是介绍UE4_后期_ben_模糊和锐化滤镜,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

学习笔记,不喜勿喷,侵权立删,祝愿生活越来越好!

本篇教程主要介绍后期处理的简单模糊和锐化滤镜效果,学习之前首先要回顾下上节课介绍的屏幕扭曲效果:

这是全屏效果,然后又介绍了几种蒙版,方形蒙版,圆形边缘蒙版,角滤镜三种蒙版效果。忘记的同学需要去复习下知识点。

让我们来介绍下模糊和锐化滤镜效果:

一、模糊滤镜效果制作

我们将从采样场景本身开始,我们会对场景进行多次采样,然后把它们结合起来一起创建一个模糊的图像,我们需要做七个样本,

我们要在当前像素的正中央做一个样本进行渲染,然后再做六个样本,在样本周围形成一个环,中间的样本要比周边样本的权重更重,然后我们把所有的样本混合在一起。

我们的结果是模糊的,所以我们首先要做的是如何得到这7个uv坐标样本,一旦我们有了uv坐标,我们将使用它们对场景进行采样,第三步,我们将七个样本组合在一起,为了创建这个模糊的图像,我们有一个简单的三步过程。

1、获取采样点的uv坐标值

我们首先要弄清楚的是如何获取屏幕采样点坐标,以使他们的场景采样七次,首先我们按下2键,然后得到7个二维常数向量值,这些值代表我们制作的每个采样点,我们知道第一个采样点在正中间,可能是(0,0),那么它的左边和右边的采样值,悬殊2和-2,最后采样点是4个角,在中心采样点的上面和下面,大体位置应该如下图所示:

这是我们7个采样点,我们接下来要做的是将这些值转换成实际像素的值,为了做到这一点,我们我们需要一个节点叫屏幕分辨率ScreenResolution,

其中Visible Resolution会告诉我们像素的数量,以及我们当前所处的视口中向下的像素数,渲染并获得实际像素的大小,

我们需要做的就是用1除以可见屏幕的分辨率,所以我们添加一个除法蓝图节点,这样会获得单个像素的大小。

我们现在就可以得到正确的像素偏移,我们只需要乘以每个值,所以我要继续加一个乘法蓝图节点,乘以每一个值:

这样我们就有了7个像素的偏移,剩下要做的就是添加这些偏移到我们的纹理坐标,添加一个纹理坐标节点,然后让我们的7个纹理偏移加到纹理坐标上去,

这样就分别得到了它们的uv坐标值,我们有了7组uv坐标值。我们可以对场景进行采样,这是创建uv的第一步。表示我们正在做的采样点。

2、用UV坐标来采样我们的场景

uv坐标允许我们在场景中进行采样,然后是围绕中心的六个采样点的uv坐标,我们现在用uv坐标来采样我们的场景,我们添加场景纹理节点,

细节面板选择后期处理输入0,

这个蓝图节点复制7个,我们把我们的uv坐标连接起来,

我们采样了我们的场景7次,现在我需要把我们的采样组合在一起,为了做到这一点,我们需要对中心的采样权重分配多一点,周围采样的权重小一些,我们的方法是我们的采样乘以一个小于1的值,我们把中心的占比设置为0.3,我们所有的采样占比加起来要为1,剩余的6个采样比重均分0.7,那么也就中每一个约为0.1167,节点设置如下:

剩下的就是把它们采样到的颜色加起来。

3、叠加采样颜色

我们用加法节点把它们组合起来。

运行效果如下:

我们来看看,直接采样场景颜色的效果:

模糊效果还是比较明显的。根据需要我们可以使用lerp节点在模糊和清晰之间进行插值。

我们来添加一个线性插值节点,我们把模糊的带入B,清晰的带入A,alpha来通过数值或者蒙版来控制场景区域的模糊或者清晰程度。

当alpha值为10时,我们来看看效果:

注意插值的计算公式:(1-α)XA+αXB。

二、锐化滤镜效果制作

我们可以在模糊滤镜的基础上,利用lerp蓝图节点的神奇魔力来锐化我们的场景,我们知道模糊滤镜的lerp值为0时是清晰的场景,如果是0以下呢?当值为-1时,我们来算一下,你知道原理是什么吗?0是普通场景,1是模糊场景,-1是锐化场景,我把模糊变成负的,它把模糊推开,结果是锐化,当值为-2时,你会发现变得更加尖锐,当值为-5时,会更加锐化,对通常会模糊的场景进行多次采样,然后往反方向锐化,它的作用是增加每个个体边缘的像素的对比,我们有个滤镜,当往负方向走我们可以锐化,我们往正方向走,可以模糊,酷毙了!

运行效果如下图:

想法是你取多个像素进行混合,它们一起得到一个平均值,然后更高的值会模糊,如果是负值会锐化。

下图是usm锐化的方法:

这篇关于UE4_后期_ben_模糊和锐化滤镜的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1053245

相关文章

笔记本电脑屏幕模糊?6招恢复屏幕清晰!

在数字化时代的浪潮中,笔记本电脑已成为我们生活、学习和工作中不可或缺的一部分。然而,当那曾经清晰明亮的屏幕逐渐变得模糊不清时,无疑给我们的使用体验蒙上了一层阴影。屏幕模糊不仅影响视觉舒适度,更可能对我们的工作效率和眼睛健康构成威胁。 遇到笔记本电脑屏幕模糊的情况时我们应该如何解决?本文将与大家分享6个简单易懂的解决方法。 方法一:调整Windows分辨率 电脑屏幕模糊显示不清晰怎

yii2 模糊搜索,使索引生效

$str1 = ‘名称’; $str2 = ‘描述’; Course::find() // %这样放,可以使name索引(设置了索引的话。同时false不能删掉,否则索引失效)生效 ->where([‘LIKE’, ‘name’, $str1.’%’, false]) ->andWhere([‘status’=>1]) // %这样放,可以使desc索引(设置了索引的话。同时false不能删掉,否

GridLookUpEdit多列模糊查询最简单方式

(注明:较低版本可能不适用此方法,该方法目测所知适用于17.1或以上的版本(可能13.2后的也可以,具体大家测试一下),对于19.1后的版本,修改SearchMode属性为AutoSugget则支持多列过滤) 关于 DevExpress winfom的 GridLookUpEdit控件实现多列过滤的方法,这里介绍一个简单的方式,一个公用方法提供调用即可实现多列过滤。 介绍方法之前,普及一下知识

基于深度学习的模糊图像还原

基于深度学习的模糊图像还原 模糊图像还原(Image Deblurring)是计算机视觉中的一个重要任务,旨在从模糊的图像中恢复出清晰的图像。模糊可以由于多种原因产生,例如相机抖动、运动模糊、焦点失准等。传统的图像去模糊方法通常依赖于先验知识和复杂的数学模型,而深度学习方法则通过大规模数据训练神经网络来自动学习图像模糊与清晰之间的映射关系,从而实现更为高效和精准的模糊图像还原。 深度学习在模糊

redis linux 命令模糊删除key

摘要: redis-cliKEYS"pattern"|xargsredis-cliDELRediskeys命令支持模式匹配,但是del命令不支持模式匹配,有时候需要根据一定的模式来模糊删除key,这时只能结合shell命令来完成了。具体命令是:redis-cliKEYS"pattern"|xargsredis-cliDEL其中pattern是keys命令支持的模式,这样就可以模糊删除key了

java redis通过key模糊删除,批量删除,批量查询相关数据

@RunWith(SpringRunner.class)@SpringBootTestpublic class RedisTest {@Autowiredprivate StringRedisTemplate stringRedisTemplate;@Autowiredprivate RedisTemplate redisTemplate;/*** 使用redis模糊清除缓存*/@Test

redisTemplate模糊删除实现

redis 没有直接提供模糊删除的实现,我们可以根据现有的指令进行组合实现: /*** @author huoNan* @version 1.0* @package com.cyipp.skynet.dcms* @className AppTest* @description 测试类* @time 2018/8/16 16:24*/@RunWith(SpringRunner.class)@S

C#实现边缘锐化(图像处理)

在 C# 中进行图像的边缘锐化,可以通过卷积滤波器实现。边缘锐化的基本思想是通过卷积核(也称为滤波器或掩模)来增强图像中的边缘。我们可以使用一个简单的锐化核,例如: [ 0, -1, 0][-1, 5, -1][ 0, -1, 0] 这个卷积核可以用于增强图像中的边缘。下面是如何在 C# 中实现这一操作的完整代码,包括加载图像、应用锐化滤波器和保存结果图像。 1. 安装 Sys

SQL查询语句通配符与ACCESS模糊查询like的解决方法

我今天在写个页面的时候,也很郁闷,表中明明有记录,但在ASP里就是搜索不到,原来是因为access与SQL的查询语句通配符问题不同所引起的。 ACCESS的通配符和SQL SERVER的通配符比较===================================================ACCESS库的通配符为:*   与任何个数的字符匹配?   与任何单个字母的字符匹配 SQL

高光谱图像融合超分辨率、全色锐化PyTorch工具箱--HIFToolBox

高光谱融合工具箱(HIFToolBox) 旨在收录高光谱和多光谱/全色锐化领域的SOTA算法。收录算法主要分三类:基于模型的算法、自/无监督学习算法,以及监督学习算法。 获取地址 :主页 预训练权重 :HIFTool目前发布了在QB数据集上,所有收录的监督网络的预训练权重。 使用方法: 在配置好PyTorch的环境中打开 Network_training.py.选择算法类型 > 0:包括模型(