最近在做毕业设计，想做一个跟网易音乐播放界面差不多的，在做到播放详情界面的时候用到Glide加载网络图片作为整个布局的背景，但是背景太明显反而显得不好看，上网查了查，找到了高斯模糊感觉还行，接下来我就说一下使用流程。 第一步肯定是在build中加入依赖库 //加载图片 compile 'com.github.bumptech.glide:glide:3.7.0' //高斯模糊 compile 'jp.wasabeef:glide-transformations:2.0.1' transformations库里面还有好多其他转换形式，具体github地址glide转换库 第二步 加载一张图片的话比较简单，Gilde做的非常好了，不会的自己去搜。 //加载背景，也是加载专辑封面 Glide.with(MusicPlayerActivity.this) .load(service.getImageUri()) .dontAnimate() .error(R.drawable.no_music_rotate_img) .into(allBg); 第三部就是在上面代码中加一句话就可以了。 // "14":模糊度；"3":图片缩放3倍后再进行模糊，缩放3-5倍个人感觉比较好。 .bitmapTransform(new BlurTransformation(this, 14, 3)) 完整的代码 //加载背景， Glide.with(MusicPlayerActivity.this) .load(service.getImageUri()) .dontAnimate() .error(R.drawable.no_music_rotate_img) // 设置高斯模糊 .bitmapTransform(new BlurTransformation(this, 14, 3)) .into(allBg); 完整代码点这里 在MusicPlayerActivity中使用到

CVPR2017 https://arxiv.org/abs/1703.03872 GitHub: https://github.com/Joker316701882/Deep-Image-Matting 抠图问题还是比较难的，简单的用一个公式表达如下： 左边是图像位置 i 的 RGB 值，右边是 前景和背景的线性组合。 matte estimation alpha 是未知的。对于每个像素，有3个已知量，7个未知量，所以这个一个 underconstrained 问题，即变量个数大于方程个数。 当前针对抠图问题的方法主要有两个问题： 1）当前方法将 matting equation 设计为两个颜色的线性组合，即将抠图看做一个 color problem染色问题，这种方法基于一个假设就是颜色是一个可区分的特征，distinguishing feature（通常还加入了位置信息）。但是当背景和前景的颜色空间分布重叠时，这种方法的效果就不是很好了。 2） 当前基于抠图的数据库很小。 the alphamatting.com dataset 只有27张训练图像，8张测试图像。 本文解决了上述两个问题。针对数据库问题，我们建立了一个大的抠图数据库。建立方式如下： 找一些背景比较单一的图像，这些图像的真值比较容易得到。将人扣出来，然后再将其放到背景比较复杂的图中去。 4 Our method 整个网络分两个部分，一个是 deep convolutional encoder-decoder network，is penalized by the alpha prediction loss and a novel compositional loss 输入图像块和对应的 trimap，输出 alpha prediction。第二部分是一个小的卷积网络用于 refines 前面个网络的输出 alpha prediction。 4.1. Matting encoder-decoder stage Losses: 我们这里设计了两个 Losses： 第一个loss 是 the alpha-prediction loss，是 预测的 alpha values 和alpha values的真值的绝对差。第二个loss是 the compositional loss ，预测的RGB颜色值和对应的真值绝对差。.

1.在“此电脑”上单击右键，选择“管理”，找到“磁盘管理”，在空间较大的磁盘中，单击右键，选择“压缩卷”，为Ubuntu腾出空间。 2. ubuntu U盘启动盘制作 A.从Ubuntu官网上下载“Ubuntu-16.04.2-desktop-amd64.iso”，最好是最新版本，有WIFI，桌面做的比较好 B.使用UltraISO制作U盘启动盘。启动UltraISO，点击“打开”加载“Ubuntu-16.04.2-desktop-amd64.iso”文件，插入U盘，选择“启动(B)”->“写入硬盘映像”。 3. BIOS设置 每一款电脑的BIOS不一样，所以根据自己的电脑主板的BIOS进行设置。本人所使用的是惠普(HP)暗影精灵II代PLUS，所以，以此为例。 按F10进入BIOS->系统设置.将“安全启动模式”设置为“禁用”，有些英文的，是Secure Boot是disabled状态。 将U盘启动 “U盘/USB硬盘”设置为第一启动顺序。 4，安装Ubuntu系统 插入U盘，重启电脑，然后，一路下一步，直到下图，选择“其他选项”，再点“继续” 单击“+”号 添加区域 /boot boot空间设置大一点，如果有足够的空间，可以将它多设置点，不要按网上的200M来整理，因此，后期装软件的时候，boot老满足 / swap交换空间 /home 安装启动引导器的设置路径，一定要和挂载/boot的一致。 然后，一路下一步，就可以了。 五，设置启动项 重启电脑后，进行BIOS中，设置“操作系统的启动管理”的值设置为“ubuntu”，保存并重启，则进入Win10和Ubuntu选择界面。至此，安装完成。

转载地址：http://www.hackbase.com/article-216889-1.html 从信息泄密谈到爬虫 2017-3-17 11:16|投稿: xiaotiger|来自: 互联网 摘要: 2016年8月，一位自称“Peace”的黑客声称盗取了2亿雅虎用户账户和密码，并寻求在暗网(dark web)上进行售卖。黑客所声称的2亿条信息的泄露似乎盗取自2012年，同时发生的还有MySpace（3.6亿条）和Linkedln（1亿条）两 … 2016年8月，一位自称“Peace”的黑客声称盗取了2亿雅虎用户账户和密码，并寻求在暗网(dark web)上进行售卖。黑客所声称的2亿条信息的泄露似乎盗取自2012年，同时发生的还有MySpace（3.6亿条）和Linkedln（1亿条）两家网站的信息泄露。 有趣的是 Linkedln 的泄露事件还间接导致了扎克伯格的推特账号被黑。因为扎克伯格在两个网站都使用了同一个密码：“dadada”…… 在信息化时代，数据泄露无处不在，这种风险可能来自于我们上网的每一个步骤。下面笔者将介绍一种批量获取信息的方式——爬虫。编程语言基于Python，如果对这门语言不是很熟悉可以先了解下它的语法结构。本文将对于爬虫做一个简单入门介绍。 关于爬虫 我们一直在说的爬虫究竟是个什么鬼？ 网络爬虫（web crawler），是一个自动提取网页的程序，它为搜索引擎从网路上下载网页。传统爬虫从一个或若干初始网页的URL开始，获得初始网页上的URL，在抓取网页的过程中，不断从当前页面上抽取新的URL放入队列，直到满足系统的一定停止条件。另外，所有被爬虫抓取的网页将会被系统存贮，进行一定的分析、过滤，并建立索引，以便之后的查询和检索。 （摘自百度百科） 简单来讲，爬虫是通过程序或者脚本获取网页上的一些文本、图片、音频的数据。 从笔者的经验来看，做一个简单的爬虫程序有以下几个步骤：确立需求、网页下载、网页分析与解析、保存。接下来大家可以跟随笔者的流程，我们来写个抓取豆瓣书籍信息的爬虫。 1、需求 以豆瓣读书为例，我们爬取豆瓣的书籍信息，需要获取的信息包括：图书名称，出版社，作者，年份，评分。 2、网页下载 页面下载分为静态和动态两种下载方式。 静态主要是纯 html 页面，动态是网页会使用 javascript 处理，并通过Ajax 异步获取的页面。在这里，我们下载的是静态页面。 在下载网页的过程中我们需要用到网络库。在 Python 中有自带的 urllib、urllib2 网络库，但是我们一般采用基于 urllib3 的第三方库Requests ，这是一个深受 Pythoner 喜爱的更为高效简洁的网络库，能满足我们目前的 web 需求。 3、网页分析与解析 1）网页分析： 选好网络库后我们需要做的是：分析我们要爬取的路径——也就是逻辑。 这个过程中我们要找到爬取的每一个入口，例如豆瓣读书的页面。已知图书标签的 url，点击每个 url 能得到图书列表，在图书列表中存放需要的图书信息，求解如何获得图书信息。 所以很简单！我们的爬取路径就是：图书标签 url —> 图书列表—>图书信息。 2）网页解析： 网页解析主要就是通过解析网页源代码获取我们需要的数据，网页解析的方式有很多种，如：正则表达式， BeautifulSoup， XPath 等等，在这里我们采用的是 XPath。Xpath 的语法很简单，是根据路径来进行定位。 举个栗子：上海的位置是 地球—中国—上海，语法表达为 //地球/中国[@城市名=上海] 接下来我们需要解析网页获取到图书的 tag 标签的url。打开网页，右击选择审查元素，然后就会出现调试工具，左上角点击获取我们需要的数据，下面的调试窗口就会直接定位到其所在代码。

go语言入门-搞定cmd package main import ( "bufio" "fmt" "io" "os/exec" "regexp" "strconv" "strings" ) func main() { command := "ping" params := []string{"-a", "127.0.0.1"} //执行cmd命令: ls -l execCommand(command, params) // command := "ipconfig" // params := []string{"/all"} // //执行cmd命令: ls -l // ip := getip(command, params) // fmt.Println(ip) // ip2 := IncIP(ip, 1) // ip3 := IncIP(ip, 2) // ip4 := IncIP(ip, 3) // ip5 := IncIP(ip, 4) // fmt.Println(ip2) // fmt.

图像修复问题就是还原图像中缺失的部分。基于图像中已有信息，去还原图像中的缺失部分。 从直观上看，这个问题能否解决是看情况的，还原的关键在于剩余信息的使用，剩余信息中如果存在有缺失部分信息的patch，那么剩下的问题就是从剩余信息中判断缺失部分与哪一部分相似。而这，就是现在比较流行的PatchMatch的基本思想。 CNN出现以来，有若干比较重要的进展： 被证明有能力在CNN的高层捕捉到图像的抽象信息。 Perceptual Loss的出现证明了一个训练好的CNN网络的feature map可以很好的作为图像生成中的损失函数的辅助工具。 GAN可以利用监督学习来强化生成网络的效果。其效果的原因虽然还不具可解释性，但是可以理解为可以以一种不直接的方式使生成网络学习到规律。 基于上述三个进展，参考文献[1]提出了一种基于CNN的图像复原方法。 CNN网络结构 该算法需要使用两个网络，一个是内容生成网络，另一个是纹理生成网络。内容生成网络直接用于生成图像，推断缺失部分可能的内容。纹理生成网络用于增强内容网络的产出的纹理，具体则为将生成的补全图像和原始无缺失图像输入进纹理生成网络，在某一层feature_map上计算损失，记为Loss NN。 内容生成网络需要使用自己的数据进行训练，而纹理生成网络则使用已经训练好的VGG Net。这样，生成图像可以分为如下几个步骤： 定义缺失了某个部分的图像为x0 x0输入进内容生成网络得到生成图片x x作为最后生成图像的初始值 保持纹理生成网络的参数不变，使用Loss NN对x进行梯度下降，得到最后的结果。 关于内容生成网络的训练和Loss NN的定义，下面会一一解释 内容生成网络 生成网络结构如上，其损失函数使用了L2损失和对抗损失的组合。所谓的对抗损失是来源于对抗神经网络. 在该生成网络中，为了是训练稳定，做了两个改变： 将所有的ReLU/leaky-ReLU都替换为ELU层 使用fully-connected layer替代chnnel-wise的全连接网络。 纹理生成网络 纹理生成网络的Loss NN如下： 它分为三个部分，即Pixel-wise的欧式距离，基于已训练好纹理网络的feature layer的perceptual loss，和用于平滑的TV Loss。 α和β都是5e-6， Pixel-wise的欧氏距离如下： TV Loss如下： Perceptual Loss的计算比较复杂，这里利用了PatchMatch的信息，即为缺失部分找到最近似的Patch，为了达到这一点，将缺失部分分为很多个固定大小的patch作为query，也将已有的部分分为同样固定大小的patch，生成dataset PATCHES，在匹配query和PATCHES中最近patch的时候，需要在纹理生成网络中的某个layer的激活值上计算距离而不是计算像素距离。 但是，寻找最近邻Patch这个操作似乎是不可计算导数的，如何破解这一点呢？同MRF+CNN类似，在这里，先将PATCHES中的各个patch的的feature_map抽取出来，将其组合成为一个新的卷积层，然后得到query的feature map后输入到这个卷积层中，最相似的patch将获得最大的激活值，所以将其再输入到一个max-pooling层中，得到这个最大值。这样，就可以反向传播了。 高清图像上的应用 本算法直接应用到高清图像上时效果并不好，所以，为了更好的初始化，使用了Stack迭代算法。即先将高清图像down-scale到若干级别[1,2,3,…,S]，其中S级别为原图本身，然后在级别1上使用图像均值初始化缺失部分，得到修复后的结果，再用这个结果，初始化下一级别的输入。以此类推。 效果 上图从上往下一次为，有缺失的原图，PatchMatch算法，Context Decoder算法（GAN+L2)和本算法。 内容生成网络的作用 起到了内容限制的作用，上图比较了有内容生成网络和没有内容生成网络的区别，有的可以在内容上更加符合原图。 应用 图像的语义编辑，从左到右依次为原图，扣掉某部分的原图，PatchMatch结果，和本算法结果。 可知，该方法虽然不可以复原真实的图像，但却可以补全成一张完整的图像。这样，当拍照中有不想干的物体或人进入到摄像头中时，依然可以将照片修复成一张完整的照片。 总结 CNN的大发展，图像越来越能够变得语义化了。有了以上的图像复原的基础，尽可以进行发挥自己的想象，譬如：在图像上加一个东西，但是光照和颜色等缺明显不搭，可以用纹理网络进行修复。 该方法的缺点也是很明显： 性能和内存问题 只用了图片内的patch，而没有用到整个数据集中的数据。 参考文献 [1]. Yang C, Lu X, Lin Z, et al. High-Resolution Image Inpainting using Multi-Scale Neural Patch Synthesis[J].

https://onion.link/ 暗网搜索入口 https://Onion.City 搜索引擎 ===》https://cse.google.com 其实是在利用google搜索 https://hansamkt2rr6nfg3.onion.link/category/74/3/ qq https://hansamkt2rr6nfg3.onion.link 数据交易地址 https://hansamkt2rr6nfg3.onion.link/listing/62557/ 126.com & 163.com-qq.com-tom.com-Yahoo-Sina – Sohu – eYou 1.845.606.627 COMPLETE Leak Database 数据列表 This complete Big Asian leak Contain this leak Email:Pass 1.845.606.627 NetEase-Sina - Sohu - eYou - 126.com - 163.com.etc plaintext & MD5 Technology 2015-10 Description Entries 163.com and 163.net 1074.795.268 qq.com 126.936.489 126.com 143.725.840 sina.com sina.com.cn 31.037.726 (yahoo.co.jp-yahoo.com yahoo.com.cn-yahoo.com.hk 23.590.165 yahoo.com.tw-yahoo.cn) sohu.com 23.198.610 hotmail.com 17.928.531 tom.com 8.

王宝强坦言人最重要河道治理边坡防护格宾网厂的是忠诚，并强调清者自清，做贼的人一定心虚，疑似暗指前妻马蓉。 新浪娱乐讯 王宝强参加某节目的时候，在互相推理猜出谁是凶手时他表示忠诚是最重要的，做贼的人定河道治理边坡防护格宾网厂会心虚。 新浪娱乐讯 近日，王宝强 参加某综艺节目，在节目上，王宝强与人一起推理猜测谁是真的凶手。在投凶手的过程中，王宝强坦言人最重要的是忠诚，并强调清者自清，做贼的人一定心虚。这一段感悟，不由得让人想起此前其被前妻马蓉和经纪人宋喆双双背叛。或许在经历这一场风波之后，王宝强更能体会诚的重要性。 在节目上，对手指出王宝强反应迟钝，嘴也笨。但王宝强表示这些都没有关系，人最重要的是忠诚。对方指出这个不重要河道治理边坡防护格宾网厂，王宝强打断强烈表示这一点很重要。王宝强也称自己不会示弱，并强调清者自清。 Post navigation Previous Post:用Java实现给图片添加文字水印Next Post:暗网数据交易 Recent Posts 暗网网址导航大全（2021年12月更新） 暗网网址合集 暗网链接 Deep Web Link Director 全球十大暗网搜索引擎 最详细的暗网教程——tor洋葱浏览器的安装和使用方法 最新darkweb暗网搜索引擎——Tordex | The Uncensored Tor Search Engine 顶级保密暗网网址分享 如何进入暗网？教程+工具 Tor 洋葱浏览器 如何进入暗网详细步骤（暗网网桥获取方法） 什么是“暗网”？我们该如何访问? Deep Web / Dark Web 大全 Tagsandroid (10) application (5) google (7) hacker (5) internet (5) java (7) Linux (16) network (6) qq (4) Source Code Analysis (15) tor (44) ubuntu (14) web (21) windows (9) 互联网 (7) 产品 (6) 代理服务器 (5) 信息安全 (4) 其他 (7) 区块链 (4) 存储 (4) 安全 (11) 工作 (20) 工具 (10) 手机 (9) 搜索引擎 (5) 暗网 (16) 服务器 (10) 杂项 (17) 活动 (12) 测试 (5) 浏览器 (19) 深度学习 (5) 照片 (6) 爬虫 (7) 物理学猜想 (10) 环境搭建 (3) 生活 (23) 电信 (4) 电话 (5) 百度 (4) 算法 (5) 网络 (52) 网络安全 (18) 网络安全知识 (6) Categories AI (5) AltiumDesigner (7) BTC (6) darknet (25) Database (3) DeepLearning (78) Docker (1) GIS (9) Google (2) iOS (7) IT (7) java (37) Life (93) linux (86) LPC (11) macOS (6) mysql (5) Python (52) qt (5) SEO (2) threejs (5) Unity (19) 产品设计 (15) 人工智能 (12) 信息安全 (36) 前端 (128) 区块链 (14) 图像处理 (59) 图形视频 (36) 大数据 (15) 嵌入式 (7) 工具 (45) 开发 (57) 性能优化 (2) 技术 (18) 搜索 (10) 操作系统 (35) 教程知识 (1) 教育 (2) 数字图像处理 (3) 数据分析 (2) 数据库 (4) 数据结构 (3) 数论 (1) 显卡驱动 (1) 智能搜索技术 (3) 未分类 (496) 机器学习 (23) 模型压缩 (2) 模拟电路 (1) 模拟题 (1) 比特币 (3) 水下图像增强 (1) 测试 (4) 浏览器 (1) 深网 (2) 渗透测试 (4) 游戏 (2) 游戏开发 (16) 爬虫 (6) 环境搭建 (2) 生活 (5) 电子商务 (1) 硬件设计 (1) 社工库 (1) 神经机制 (1) 移动web (1) 移动开发 (76) 程序员 (6) 站长 (1) 算法 (9) 统计搜索 (9) 网络优化 (7) 网络安全 (80) 视觉 (4) 计算机 (31) 论文 (8) 设计 (6) 资源搜集 (1) 资讯 (34) 软件工具 (15) 软件开发 (26) 运维 (21) 逆向 (2) 项目管理 (4) Archives December 2021 (1) August 2021 (8) April 2020 (4) March 2020 (63) February 2020 (154) January 2020 (134) December 2019 (14) November 2019 (25) October 2019 (27) September 2019 (43) August 2019 (32) July 2019 (51) June 2019 (49) May 2019 (65) April 2019 (64) March 2019 (97) February 2019 (49) January 2019 (78) December 2018 (70) November 2018 (69) October 2018 (31) September 2018 (73) August 2018 (109) July 2018 (70) June 2018 (58) May 2018 (51) April 2018 (52) March 2018 (52) February 2018 (19) January 2018 (25) December 2017 (39) November 2017 (31) October 2017 (26) September 2017 (42) August 2017 (46) July 2017 (50) June 2017 (71) May 2017 (32) April 2017 (29) March 2017 (36) February 2017 (18) January 2017 (25) December 2016 (20) November 2016 (17) October 2016 (19) September 2016 (14) August 2016 (23) July 2016 (26) June 2016 (15) May 2016 (11) April 2016 (21) March 2016 (18) February 2016 (21) January 2016 (14) December 2015 (13) November 2015 (13) October 2015 (6) September 2015 (7) August 2015 (12) July 2015 (11) June 2015 (3) May 2015 (9) April 2015 (12) March 2015 (7) February 2015 (10) January 2015 (10) December 2014 (14) November 2014 (6) October 2014 (10) September 2014 (6) August 2014 (10) July 2014 (11) June 2014 (6) May 2014 (9) April 2014 (6) March 2014 (5) February 2014 (3) January 2014 (3) December 2013 (12) November 2013 (7) October 2013 (6) September 2013 (7) August 2013 (4) July 2013 (5) June 2013 (6) May 2013 (28) April 2013 (17) March 2013 (4) February 2013 (2) January 2013 (6) December 2012 (6) November 2012 (4) October 2012 (6) September 2012 (6) August 2012 (4) July 2012 (8) June 2012 (5) May 2012 (8) April 2012 (15) March 2012 (5) February 2012 (2) January 2012 (3) December 2011 (9) November 2011 (4) October 2011 (1) September 2011 (4) August 2011 (4) July 2011 (4) June 2011 (4) May 2011 (6) April 2011 (2) March 2011 (4) February 2011 (2) January 2011 (3) December 2010 (6) November 2010 (6) October 2010 (5) September 2010 (8) August 2010 (8) July 2010 (7) June 2010 (3) May 2010 (14) April 2010 (7) February 2010 (4) January 2010 (11) December 2009 (8) November 2009 (3) October 2009 (5) September 2009 (4) July 2009 (7) April 2009 (5) March 2009 (5) February 2009 (3) January 2009 (3) December 2008 (5) November 2008 (5) October 2008 (3) September 2008 (3) August 2008 (2) July 2008 (5) June 2008 (6) May 2008 (9) April 2008 (4) March 2008 (5) February 2008 (4) January 2008 (3) December 2007 (6) November 2007 (3) October 2007 (1) September 2007 (5) August 2007 (2) July 2007 (3) June 2007 (3) May 2007 (1) April 2007 (1) March 2007 (2) February 2007 (2) January 2007 (3) December 2006 (1) November 2006 (3) September 2006 (3) July 2006 (1) June 2006 (3) May 2006 (3) April 2006 (1) March 2006 (2) February 2006 (3) January 2006 (1) December 2005 (2) November 2005 (1) September 2005 (1) August 2005 (1) July 2005 (2) April 2005 (2) March 2005 (3) February 2005 (2) January 2005 (2) December 2004 (2) November 2004 (4) September 2004 (2) August 2004 (2) July 2004 (2) September 2003 (1) May 2002 (1) March 2002 (1)

程序背景 在网络中的很多地方都有水印的存在，比如微信公众号上面的图片，微博，以及这个CSDN博客上面的图片……所以突发奇想，看看自己能否写一个可以给图片添加水印的工具类。 程序代码 package image; import java.awt.Color; import java.awt.Font; import java.awt.Graphics2D; import java.awt.Image; import java.awt.image.BufferedImage; import java.io.File; import java.io.FileOutputStream; import javax.imageio.ImageIO; /** * @author 白芷 * @Date 2017/03/12 * @use 利用Java代码给图片加水印 */ public class WaterMarkUtils { /** * @param srcImgPath 源图片路径 * @param tarImgPath 保存的图片路径 * @param waterMarkContent 水印内容 * @param markContentColor 水印颜色 * @param font 水印字体 */ public void addWaterMark(String srcImgPath, String tarImgPath, String waterMarkContent,Color markContentColor,Font font) { try { // 读取原图片信息 File srcImgFile = new File(srcImgPath);//得到文件 Image srcImg = ImageIO.

win7系统 开机后发现桌面右下角的音量图标不见了，而且也没有声音，查看声卡驱动程序又是好的，一般我们可以从“打开和关闭系统图标”中开起音量图标，不过用户在进入设置时才发现“音量”图标打开为“灰色”不可设置，那么究竟是什么问题呢？ 在检查了驱动程序安装没有错误的情况下，很有可能是win7 中 Explorer.exe 没正确启动引起的我们只要将其重新启动一遍即可； 操作步骤： 1、右键点击任务栏，“启动任务管理器”； 2、切换到“进程”找到 Explorer.exe 选择后“结束”进程； 3、结束后，再点击“文件”——“新建任务（运行）”——输入“explorer.exe”回车； 4、然后确认音量图标是否出现，出现后可能有时是静音的，我们取消静音状态即可。