以下是一個基于Python的圖片馬賽克消除函數實現，結合了圖像處理和深度學習方法。由于馬賽克消除涉及復雜的圖像重建任務，建議根據實際需求選擇合適的方法：

import cv2
import numpy as np
from PIL import Imagedef remove_mosaic(image_path, output_path, method='traditional', block_size=10, scale_factor=0.1):"""去除圖片馬賽克的函數，支持傳統圖像處理和深度學習方法:param image_path: 輸入圖片路徑:param output_path: 輸出圖片路徑:param method: 方法選擇，可選 'traditional'(傳統方法) 或 'gan'(深度學習方法):param block_size: 傳統方法中分塊大小:param scale_factor: 傳統方法中縮放比例"""# 讀取圖片img = cv2.imread(image_path)if img is None:raise ValueError("圖片路徑無效，請檢查文件是否存在")if method == 'traditional':# 傳統圖像處理方法# 1. 縮小圖片模糊馬賽克區域small_img = cv2.resize(img, None, fx=scale_factor, fy=scale_factor, interpolation=cv2.INTER_NEAREST)# 2. 放大恢復分辨率restored_img = cv2.resize(small_img, (img.shape[1], img.shape[0]), interpolation=cv2.INTER_NEAREST)# 3. 使用圖像修復填補細節（可選）mask = create_mosaic_mask(img, block_size)if mask is not None:restored_img = cv2.inpaint(restored_img, mask, inpaintRadius=3, flags=cv2.INPAINT_TELEA)# 保存結果cv2.imwrite(output_path, restored_img)elif method == 'gan':# 深度學習方法（需提前訓練或加載預訓練模型）# 注意：此部分需要根據實際模型調整代碼# 示例代碼（假設已加載預訓練模型）from tensorflow.keras.models import load_modelmodel = load_model('pretrained_gan_model.h5')img_resized = cv2.resize(img, (256, 256))img_input = img_resized / 255.0restored = model.predict(np.expand_dims(img_input, axis=0))cv2.imwrite(output_path, (restored[0] * 255).astype(np.uint8))else:raise ValueError("未知方法，請選擇 'traditional' 或 'gan'")def create_mosaic_mask(img, block_size):"""創建馬賽克區域掩碼（用于傳統方法中的圖像修復）:param img: 輸入圖片:param block_size: 分塊大小:return: 二值掩碼圖像"""h, w = img.shape[:2]mask = np.zeros((h, w), dtype=np.uint8)for y in range(0, h, block_size):for x in range(0, w, block_size):# 標記馬賽克塊中心區域center_x = x + block_size // 2center_y = y + block_size // 2if center_x < w and center_y < h:mask[center_y, center_x] = 255return mask# 使用示例
# 傳統方法處理
remove_mosaic('input.jpg', 'output_traditional.jpg', method='traditional', block_size=15, scale_factor=0.05)# 深度學習方法處理（需提前準備模型）
# remove_mosaic('input.jpg', 'output_gan.jpg', method='gan')

方法說明：

1. 傳統圖像處理方法（推薦輕度馬賽克）：

   • 通過縮小-放大操作模糊馬賽克區域
   • 使用OpenCV的inpaint算法修復細節
   • 支持自定義分塊大小和縮放比例

2. 深度學習方法（推薦復雜馬賽克）：

   • 需要提前訓練或加載預訓練GAN模型
   • 示例代碼需根據實際模型結構調整
   • 效果依賴模型訓練數據質量

注意事項：

1. 傳統方法對嚴重馬賽克效果有限，深度學習方法需要足夠計算資源
2. 使用深度學習方法時，建議準備包含馬賽克和原始圖像的數據集進行訓練
3. 可結合多種方法提升效果，例如先縮小處理再使用inpaint

建議先使用傳統方法測試效果，如果需要更高精度再嘗試深度學習方案。對于文字類馬賽克，可嘗試網頁提到的Depix工具。