数字电视的马赛克业务

数字电视为用户提供了许多模拟电视无法提供的服务,马赛克业务就是其中一种有特色的业务。简要介绍了马赛克业务的原理以及DVB规范中马赛克业务的实现,并提出了一种利用机顶盒图形层合成马赛克画面来模拟马赛克业务的方法。     

马赛克语言在当代艺术设计中的应用延伸

文章将马赛克语言作为当代艺术设计的一种创作方法,分别从马赛克材料媒介的选择、艺术表现形式的延展两个方面进行分析,选取具有马赛克相似视觉表现形式的艺术设计作品,探索马赛克语言在多个领域的应用。文章拓展了马赛克语言的使用维度,使这种语言能够更好地运用到当代艺术设计创作中。     

基于网格扩张的视频图像马赛克检测算法

提出一种基于网格扩张的视频图像马赛克检测算法,算法以网格扩张的方式遍历图像中的像素,并迅速发现图像中具有相似像素的矩形区域,即马赛克。通过实验表明,该算法在确保较高效率的同时有较高的准确率,满足了视频图像中马赛克检测的功能和性能要求。     

模糊变清晰除去影片马赛克

在网络上获取的很多视频，都可能因为压缩过程中细节的丢失而产生马赛克，这样也就严重影响了观看的体验。如果可以把视频的细节补充回来，那也就可以消除马赛克了。此外对于画质不太理想的视频，优化后即可获碍更好的播放体验。     

用VB实现马赛克

本文给出的“用VB实现马赛克”,可用“图像马赛克”和“局部马赛克”两种方式对图像处理。     

Bayer阵列图像去马赛克算法综述

Bayer阵列图像去马赛克技术是对稀疏采样的Bayer阵列图像进行RGB信息重建,图像重建质量是成像设备评价的重要因素之一,同时也对其他计算机视觉任务(如图像分割、人脸识别)产生影响。随着深度学习方法的快速发展,图像去马赛克领域提出了多种高性能算法。为了便于研究者更全面了解图像去马赛克算法的原理和研究进展,本文对该领域的经典算法和深度学习算法进行综述。首先对Bayer采样阵列原理和图像去马赛克技术进行概述。然后将现有方法分为传统方法和基于深度学习方法两类进行总结,同时根据去马赛克任务是否具有独立性,将深度学习方法分为独立去马赛克任务和联合去马赛克任务两类,分析不同方法的原理和优缺点,重点阐述基于深度学习的去马赛克方法的网络结构和重建机理,介绍去马赛克领域常用的公共数据集和性能评价指标,并对图像去马赛克相关实验进行分析对比。最后,围绕网络深度、运算效率和实用性等方面分析了现阶段图像去马赛克技术面临的挑战及未来发展方向。目前,基于深度学习的图像去马赛克方法已成为主流发展方向,但仍然存在计算成本较高、实际应用性不强等问题。因此,如何开发出重建精度高、处理时间短以及实用性强的图像去马赛克方法,...     

马赛克自动铺贴机上C51单片机协作系统的设计与开发

介绍了一种应用于马赛克自动铺贴机上的C51单片机协作系统的设计思想、关键技术及实现过程.该系统可根据预设的马赛克图案自动生成颜色传感器接口及控制马赛克颗粒分拣的C51源程序,并可自动激活Keil系统的编译器、链接器生成可下载到单片机的HEX文件.系统增强了马赛克自动铺贴机的自动编程功能,提高生产效率.     

基于FCM聚类和模板匹配的视频马赛克检测方法

马赛克是数字电视节目中常见的一种视频缺陷现象,会造成视频质量的下降,因此在视频序列中有效地定位并修复马赛克块变得越来越重要。本文提出一种基于FCM模糊聚类和模板匹配的方法检测视频中的马赛克块,首先,使用canny边缘检测方法检测图像的边缘。其次,使用FCM聚类方法对像素进行分类。最后,利用模板匹配的方法检测马赛克块。基于OpenCV库函数进行算法实现,实验结果验证了所提算法的有效性。     

绘声绘影中马赛克跟踪遮罩效果的实现

在视频作品中，为了保护隐私或处理某些不宜公开的局部画面时，常常会利用马赛克效果对局部的关键画面进行跟综遮盖。在《绘声绘影9》视频编辑软件中虽然提供了Mosalc（马赛克）视频滤镜，但它是对整个画面进行马赛克处理，不能直接在视频素材上一次性实现局部马赛克效果。因此。需要先在覆叠轨道上对马赛克效果进行裁切或遮罩，再通过适当的透明设置将其与原来的视频素材进行叠加．以保证该看的能看到、不能看的看不到。[编者按]     

科技的马赛克

马赛克以一种特殊的方式存在于我们的生活中,较之而言,科技在我们的生活中也扮演着一种特殊的角色。马赛克是一种用碎片组成的几何形图形,生活也被科技的碎片所包裹在我们的周围。从视觉角度看马赛克最原始的初衷是模糊,让你对事物的审视是模糊的,而科技难道对于我们来说就是清晰的吗?我们只能打一个问号,对于科技我们只能从不同的角度出发去看待。     

基于边缘信息的图像去马赛克方法

提出了一种去马赛克方法,能够有效提高由低分辨率设备以及噪声干扰得到的马赛克图像的质量。主要基于经典的边缘及滤波算法,利用几何特征及概率思想将马赛克区域定位并去除。方法的实施能够明显提高放大图像的主观质量。进一步的研究工作将通过并行的技术提高运算速度,并重点关注减少系统资源的开销,从而降低方法部署的成本。     

打造随面部移动的马赛克

在后期处理人物视频素材时,有时我们需要把受访者用马赛克或模糊层遮挡起来。下面就给大家介绍两种给视频加马赛克的方法,让你把视频人物遮得严严实实!添加模糊层马赛克的视频给人一种直接在原始画面上覆盖一层的感觉,这也正是我们制作时的基本思路,无论使用何种软件,都要掌握这一思想。首先打开After Effects,在素材层上新建     

基于马赛克图形的人机识别系统的设计与分析

机器人可以不断地访问网站资源，从而消耗资源，产生拒绝服务攻击。为了解决这个问题，Basso等人提出了一个基于马赛克的人机交互证明算法．该算法虽然能在一定程度上阻止拒绝服务攻击，但是它也存在不足：合成的蹈片里总有一张真的图片是完全没有被覆盖的．并且每次重叠都只是重叠1／4的部分，使得真的图片的排列非常有规律，就容易泄漏真的图片的位置.针对这些不足，提出了一种改进的基于马赛克的人机交互证明算法，来阻止拒绝服务攻击。     

基于马赛克技术的秘密图像共享改进算法

针对秘密图像共享产生无意义影子图像的问题,为了减少影子图像的噪点,把秘密图像分割成小块,并重新分组。然后通过比较图像块相似度把秘密图像共享到载体图像中,得到含有秘密图像的马赛克图像。最后采用可逆的信息隐藏技术,把位置信息隐藏到马赛克图像中,得到有意义的影子图像。实验表明,该算法可以提高影子图像的质量,与zhai等人的算法相比马赛克图像的PSNR平均提高7dB。结论证明：该算法增强和保障了秘密图像的安全性和完整性。     

AI黑科技真的能去马赛克吗

人们都不喜欢马赛克,以至于诞生出了"马赛克阻止人类文明进步"的箴言.影片里看到马赛克,会感觉索然无味;文档里看到马赛克,会兴致扫地……无数朋友都在寻找一个问题的答案——马赛克真的是不可消除的吗?有码能不能用什么黑科技,一键变成无码? 从原理上来说,马赛克属于永久性的信息丢失.马赛克的原理很简单,把大量的小像素点合并到一个大的像素点,并取平均色,就制造成了马赛克.马赛克显然属于不可逆运算,因为无法从一个平均数,推断出它是由哪几个数平均而来的.     

多媒体系统常见故障自我检修问与答（下）

问:在播放VCD时,画面有时出现“马赛克”碎块,但一会儿又重新播放,这是为什么? 答:目前上市的解压卡虽然其功能都大同小异,但性能及质量却是不一样的。一般来说,性能与价格是成正比的;对于“马赛克”碎块现象,无论性能与价格比多高,目前的解压卡多多少少都有可能出现这种现象。 出现这种现象的原因,大多数人认为可能是盗版影碟片的问题。盗版与正版固然有一定的差别,但不能说出现此现象都是因盘片而引起的。我们不妨作这样一个试验,选几张在安有视霸卡的计算机多媒体系统播放出现过“马赛克”现象的光盘,拿到家用VCD影碟机播放,有的就可能不出现“马赛克”     

克隆放大让你远离马赛克

在网络上我们经常会看到一些小而精美的图片,可惜由于太小而无法正常使用,如果一放大又会失真!还有,在处理数码照片时,使用普通的放大方法,倍数稍微一大照片就会模糊,一格一格的马赛克看着真叫人难受。要是有一个既能消除马赛克,又能保证图片不失真的工具该多好啊。现在,就让“克隆放大”来帮我们这个忙!“克隆放大”是一款采用了模糊处理技术,能有效消除马赛克现象的图片放大软件,目前支持的图片格式有BMP、JPG、GIF等,其放大效果是目前所有图像处理软件中最好的。我们可以在http://www.skycn.com/soft/7934.html 下载到它的最新版。安…     

视频区域马赛克 跟踪效果制作

时常看到电视上采访当事人时,画面中的人物面部始终有马赛克跟踪效果,使人无法看清人物的面部。这种效果看起来感觉很专业,其实制作起来并不困难,下文将会利用会声会影9来教大家轻松制作区域马赛克的跟踪效果。     

能恢复原貌的“马赛克”

一次,笔者需要对某张图片进行马赛克处理,结果忘记备份原图,造成了很大损失,为了不再发生这种情况,笔者上网搜索,找到了一款非常不错的马赛克软件,它最大的特色就是由它处理的图片,可以通过软件进行还原,但浏览时,只能看到有马赛克的图片。Mozaiker小档案软件版本:1.2软件大小:     

基于深度学习的彩色以及近红外图像去马赛克

单传感器捕获的彩色-近红外（RGB-NIR）图像存在光谱干扰，从而导致重建出的标准彩色图像（RGB）图像与近红外（NIR）图像存在色彩失真以及细节信息模糊。针对这个问题提出一种基于深度学习的去马赛克方法，通过引入跳远连接与稠密连接解决了梯度消失和梯度弥散问题，使得网络更容易训练，并且提升了网络的拟合能力。首先，用浅层特征提取层提取了马赛克图像的像素相关性以及通道相关性等低级特征；然后，将得到的浅层特征图输入到连续多个的残差稠密块以提取专门针对去马赛克的高级语义特征；其次，为充分利用低级特征与高级特征，将多个残差稠密块提取到的特征进行组合；最后，通过全局跳远连接恢复最终的RGB-NIR图像。在深度学习框架Tensorflow上使用公共的图像与视觉表示组（IVRG）数据集、有植被的户外多光谱图像（OMSIV）数据集和森林（Forest）三个公开数据集进行实验。实验结果表明，所提方法优于基于多级自适应残差插值、基于卷积卷积和神经神经网络以及基于深度残差U型网络的主流的RGB-NIR图像去马赛克方法。