【图像处理基石】老照片修复入门：用技术唤醒沉睡的回忆

在抽屉深处，总有几张泛黄的老照片：可能是爷爷年轻时的军装照，可能是父母的结婚照，也可能是你小时候的周岁留影。这些照片承载着最珍贵的情感，但岁月总会留下痕迹------划痕、褪色、折痕、甚至边角缺失，让回忆变得模糊。

老照片修复，正是用计算机视觉技术"抚平"岁月痕迹的过程。作为入门者，不用一开始就钻研复杂的深度学习模型，只需掌握核心问题、简单工具和基础代码，就能让老照片"重获新生"。本文从场景、技术、实践三个维度，带你入门老照片修复。

一、先搞懂：老照片常见的"损坏问题"

修复前，得先知道老照片通常会遇到哪些问题------不同问题对应不同的修复思路，对症下药才能事半功倍。

损坏类型	表现形式	修复核心目标
划痕/噪点	黑白或彩色的细线（如灰尘划痕）、随机噪点	去除瑕疵，同时保留照片细节（如发丝）
褪色/偏色	整体颜色暗淡（如黑白照泛黄）、局部偏色（如人脸发青）	恢复色彩平衡，提升对比度
折痕/撕裂	贯穿画面的深色折痕、边缘撕裂导致的像素缺失	填补缺失像素，让折痕处过渡自然
大面积缺失	照片边角丢失、局部内容损坏（如人脸部分缺失）	基于上下文推理，生成合理的缺失内容

比如一张1980年的家庭合影，可能同时存在"泛黄（褪色）+ 小划痕（灰尘）"，这时候优先处理褪色，再修复划痕，效果会更好。

二、入门级修复技术：从"傻瓜工具"到"基础代码"

老照片修复技术分两类：传统图像处理（适合简单问题） 和 深度学习（适合复杂问题）。入门阶段，我们先从"能快速出效果"的方法入手，不用纠结底层原理。

2.1 零代码入门：用工具搞定80%的简单修复

如果不想写代码，市面上很多工具能解决大部分基础问题，操作简单，效果直观。推荐3个入门级工具，覆盖不同需求：

（1）Photoshop（适合精细修复小瑕疵）

PS是老照片修复的"经典工具"，基础功能足够应对划痕、褪色：

1. 去划痕/噪点：打开照片 → 滤镜 → 降噪 → 减少杂色（调整"强度"，避免细节模糊）；或用"修补工具"（圈选划痕，拖到附近相似区域，PS自动匹配纹理）。
2. 修复褪色：图像 → 调整 → 色相/饱和度（增加"饱和度"改善泛黄）；或用"曲线"（拉高暗部，提升整体亮度）。
3. 处理折痕：用"仿制图章工具"（按住Alt取样附近正常区域，再涂抹折痕处，注意力度均匀）。

（2）在线工具（适合快速修复，无需安装）

如果没有PS，在线工具更轻便，推荐2个免费/低成本选项：

• 美图秀秀网页版（老照片修复）：上传照片后，直接点击"老照片修复"模块，自动处理褪色、划痕，支持手动调整强度（适合新手）。
• Let's Enhance（侧重画质提升） ：除了修复瑕疵，还能提升老照片的分辨率（比如把模糊的人脸变清晰），免费额度足够处理少量照片（官网链接）。

（3）手机APP（适合随时随地修复）

如果照片在手机里，用APP更方便：

• 醒图（"老照片修复"功能）：自动识别划痕和褪色，支持手动优化细节（如调整人脸清晰度）。
• Snapseed（专业级免费APP）：用"修复"工具去划痕，"调整图片"模块改善色彩，适合有一定基础的用户。

2.2 代码入门：用Python+OpenCV修复小瑕疵

如果想尝试技术实现，用OpenCV（轻量级计算机视觉库）写几行代码，就能处理划痕、褪色等基础问题。下面以"修复泛黄+去划痕"为例，给出完整可运行的代码。

步骤1：环境准备

先安装必要的库（只需1行命令）：

pip install opencv-python numpy matplotlib

步骤2：代码实现（修复泛黄+去划痕）

import cv2
import numpy as np
import matplotlib.pyplot as plt

# 1. 读取老照片（注意：OpenCV默认读取为BGR格式，需转RGB）
old_photo = cv2.imread("old_photo.jpg")  # 替换为你的老照片路径
old_photo_rgb = cv2.cvtColor(old_photo, cv2.COLOR_BGR2RGB)

# 2. 修复"泛黄"（核心：调整色彩平衡，减少黄色分量）
# 方法：将RGB转为YCrCb格式，调整Cr通道（红色分量）和Cb通道（蓝色分量）
ycrcb = cv2.cvtColor(old_photo, cv2.COLOR_BGR2YCrCb)
y, cr, cb = cv2.split(ycrcb)

# 减少黄色：增加Cr（红色）、增加Cb（蓝色），抵消黄色
cr = cv2.add(cr, 15)  # 红色分量+15（可根据泛黄程度调整，范围5-20）
cb = cv2.add(cb, 10)  # 蓝色分量+10（可调整）

# 合并通道，转回RGB
ycrcb_fixed = cv2.merge((y, cr, cb))
color_fixed = cv2.cvtColor(ycrcb_fixed, cv2.COLOR_BGR2RGB)

# 3. 修复"小划痕"（核心：用双边滤波去噪，再用Inpainting补划痕）
# 3.1 先做双边滤波：平滑图像但保留细节（比高斯滤波更适合老照片）
blurred = cv2.bilateralFilter(color_fixed, d=9, sigmaColor=75, sigmaSpace=75)

# 3.2 手动创建划痕Mask（黑色=待修复区域，白色=正常区域）
# 实际场景中可通过边缘检测自动生成Mask，这里简化为手动画一条划痕
mask = np.ones_like(blurred[:, :, 0]) * 255  # 初始全白（正常区域）
cv2.line(mask, (50, 100), (300, 200), 0, 3)  # 画一条黑色划痕（坐标可根据照片调整）

# 3.3 用Inpainting修复划痕
# inpaintRadius：修复半径，值越大覆盖范围越广（建议5-10）
inpaint_result = cv2.inpaint(blurred, mask, inpaintRadius=7, flags=cv2.INPAINT_TELEA)

# 4. 显示对比结果
plt.figure(figsize=(16, 5))
# 原图
plt.subplot(1, 4, 1)
plt.imshow(old_photo_rgb)
plt.title("原图（泛黄+划痕）")
plt.axis("off")
# 色彩修复后
plt.subplot(1, 4, 2)
plt.imshow(color_fixed)
plt.title("步骤1：修复泛黄")
plt.axis("off")
# Mask（划痕区域）
plt.subplot(1, 4, 3)
plt.imshow(mask, cmap="gray")
plt.title("步骤2：划痕Mask")
plt.axis("off")
# 最终修复结果
plt.subplot(1, 4, 4)
plt.imshow(inpaint_result)
plt.title("最终结果（去划痕）")
plt.axis("off")

plt.show()
# 保存结果
cv2.imwrite("fixed_photo.jpg", cv2.cvtColor(inpaint_result, cv2.COLOR_RGB2BGR))
print("修复完成，结果已保存为 fixed_photo.jpg")

代码说明：

• 泛黄修复：通过调整YCrCb通道的红色和蓝色分量，抵消黄色（老照片泛黄本质是蓝色分量流失）；
• 划痕修复：用cv2.inpaint函数，根据划痕周围的正常像素"推断"并填充划痕区域；
• 参数调整：如果泛黄仍明显，可增大cr和cb的增量；如果划痕没修复干净，可增大inpaintRadius。

三、进阶：复杂老照片修复（深度学习助力）

如果遇到大面积缺失（如照片边角丢失）、人脸模糊、严重折痕等传统方法搞不定的问题，就需要用到深度学习技术。入门者不用自己训练模型（耗时且需要大量数据），直接用开源的预训练模型即可。

3.1 推荐2个入门级开源项目

这些项目都有详细的文档和测试脚本，跟着步骤就能跑通：

（1）LaMa：适合大面积缺失修复

• 功能：能修复老照片中的大面积划痕、缺失区域，甚至去除水印；
• 优势：效果好、速度快，支持自定义Mask；
• 使用步骤 ：

  1. 克隆仓库：git clone https://github.com/advimman/lama.git；

  2. 下载预训练权重（仓库README中有百度云/Google Drive链接）；

  3. 运行测试命令（替换图片和Mask路径）：

     python bin/predict.py \
       model.path=big-lama \
       input_image=old_photo_missing.jpg \
       mask=mask_missing.png \
       output_dir=results

  4. 在results文件夹中查看修复结果。

（2）Face-RESTORE：专注老照片人脸修复

• 功能：针对老照片中模糊的人脸，修复五官细节、去除皱纹和模糊；
• 优势：专门优化人脸场景，比通用模型效果更自然；
• 使用方式 ：直接下载预编译的Windows客户端（GitHub链接），无需代码，上传照片即可修复。

3.2 数据集推荐（想深入学习的同学）

如果想自己训练模型，推荐几个常用的老照片修复数据集：

• Old Photo Restoration Dataset：包含大量真实老照片和对应的修复结果；
• CelebA-HQ（人脸子集）：可用于人脸修复模型的训练；
• DIV2K：高分辨率图像数据集，适合训练画质提升模块。

四、老照片修复的"避坑指南"

1. 先备份原图：修复前一定要保存原图副本，避免操作失误导致不可逆损失；
2. 不要过度修复：过度提升对比度或锐度，会导致照片失真（比如人脸变成"塑料感"）；
3. 优先手动标记Mask：自动生成的Mask可能误判正常区域（如把发丝当成划痕），复杂场景下手动调整Mask效果更好；
4. 结合人工微调：工具和代码的修复结果不是终点，比如人脸修复后，可手动调整肤色，让效果更自然。

五、总结

老照片修复不是"冷冰冰"的技术，而是用代码和工具"唤醒回忆"的过程。作为入门者，你不需要一开始就掌握深度学习的复杂模型：

• 简单问题（小划痕、轻微泛黄）：用Photoshop、醒图或OpenCV的基础代码就能解决；
• 复杂问题（大面积缺失、人脸模糊）：用LaMa、Face-RESTORE等开源工具，站在"巨人的肩膀"上快速出效果；
• 进阶方向：如果想深入，再学习图像分割（用于生成精准Mask）、GAN模型（用于生成真实细节）等技术。

不妨从家里最有意义的一张老照片开始，试着用本文的方法修复它------当看到模糊的笑脸重新清晰，你会感受到技术的温度。