图像去水印实测：OpenCV inpainting vs LaMa，传统算法和 AI 模型差距有多大

顺手处理自己拍的照片：背景里的路人、桌面上的杂物、老照片的划痕，或者自家产品图早期压的旧水印------这些都属于"图像修复（Inpainting）"问题。本文实测两条主流技术路线：OpenCV 内置的 inpainting 传统算法，和近年被广泛采用的 LaMa 深度学习模型，看看它们的原理差异和实际效果边界。（注：请仅处理拥有版权的图片，去除他人版权作品的水印涉嫌违法。）

一、原理：一个在"扩散"，一个在"脑补"

OpenCV inpainting 提供两个经典实现：INPAINT_TELEA（Telea，2004，基于快速行进法 FMM）和 INPAINT_NS（基于 Navier-Stokes 流体力学方程）。核心思想一致：把待修复区域边界上已知的像素，沿等照度线（亮度梯度方向）逐步向内扩散、插值。

本质是数学插值：它不知道"这里本来应该是什么"，只知道"周围长什么样"。因此对细划痕、窄文字条效果尚可，但面对大块缺失区域，结果就是模糊的色块糊在一起。

LaMa（Large Mask Inpainting，Suvorov 等，2021，arXiv:2109.07161）是生成式模型路线。三个关键设计：

FFC（快速傅里叶卷积） ：普通卷积的感受野是局部的，逐层缓慢扩大；FFC 在频域做卷积，天然具有全图级感受野------修复画面中央的一大块区域时，网络能"看到"整张图的全局结构（比如断掉的栏杆、桌沿的直线走向）。
高感受野感知损失：用带空洞卷积的判别器约束修复结果，保证大尺度结构连贯。
大遮罩训练：训练时故意遮挡 10%~50% 的大面积区域，逼模型学会真正的语义补全，而不是只会贴邻域纹理。

简单说：OpenCV 在"把边界像素抹进来"，LaMa 在"根据语义猜这里本来是什么"。

二、代码实测

环境：Python 3.10+，pip install opencv-python simple-lama-inpainting

两边的输入都是：原图（3 通道）+ 掩码图（单通道二值图，白色 255 = 待修复区域）。

OpenCV 路线（3 行核心代码）：

python 复制代码

import cv2

img = cv2.imread("photo.jpg")
mask = cv2.imread("mask.png", cv2.IMREAD_GRAYSCALE)
result = cv2.inpaint(img, mask, inpaintRadius=3, flags=cv2.INPAINT_TELEA)
cv2.imwrite("result_cv.jpg", result)

LaMa 路线（simple-lama-inpainting 封装包）：

python 复制代码

from simple_lama_inpainting import SimpleLama
from PIL import Image

lama = SimpleLama()  # 首次运行自动下载 big-lama 预训练权重
image = Image.open("photo.jpg")
mask = Image.open("mask.png")  # 白色区域将被修复

result = lama(image, mask)
result.save("result_lama.png")

掩码可以用任意画图工具把要消除的区域涂白来制作；生产环境更常见的做法是配合 SAM 等分割模型自动生成掩码，本文不展开。

三、实测结论与选型建议

在细划痕、窄条水印这类小面积、背景简单的场景，两者差距不大，甚至 OpenCV 更快更稳------开源工具 lama-cleaner 的官方文档也明确提到：cv2 无需 GPU，简单背景下结果甚至可能优于 AI 模型。

但大面积遮罩（半透明大水印、完整人物、成片杂物）下分化明显：

维度	OpenCV inpainting	LaMa
小划痕/窄区域	够用，毫秒级	同样优秀
大面积缺失	糊成色块	语义级补全（栏杆、直线能接上）
依赖	仅 CPU，opencv 一个包	需下载预训练权重，CPU 秒级/张
可解释性	数学过程确定	生成式，极端场景可能"幻觉"
适用场景	批量轻量处理	质量敏感的成品图

选型结论：背景纯净、区域小 → OpenCV；结构复杂、区域大 → LaMa；拿不准 → 两个都跑一遍对比，成本很低。

四、不想装环境？直接用在线版

上面两条路线都需要本地配置 Python 环境、准备掩码文件。如果只是偶尔处理几张图，可以直接用封装了 LaMa 模型的在线工具------智能便民工具箱的「AI 消除」，浏览器里上传图片、涂抹要消除的区域即可，免费、无需注册：

https://www.itptg.com/tools/magic-eraser.html

总结

OpenCV inpainting 和 LaMa 代表了图像修复的两个时代：前者是确定性的数学扩散，胜在轻量快速；后者是生成式语义补全，胜在大遮罩下的结构连贯。按场景选型，比迷信"AI 一定更好"更务实。

参考：Suvorov et al., Resolution-robust Large Mask Inpainting with Fourier Convolutions, arXiv:2109.07161；OpenCV Inpainting 文档；simple-lama-inpainting (PyPI)。