在抽屉里，总有几张承载着亲情与回忆的老照片——可能是爷爷年轻时的军装照，可能是父母当年的结婚合影，也可能是你牙牙学语时的周岁留影。这些照片是岁月留下的珍贵礼物，可泛黄、划痕、折痕、边角缺失等岁月痕迹，总让回忆变得模糊不清。老照片修复，就是借助技术抚平这些岁月痕迹的过程，作为入门者，无需钻研复杂的深度学习模型，掌握核心问题、实用工具与基础操作，就能让老照片重焕新生。本文从损坏类型、修复技术、工具推荐等维度，带你轻松上手老照片修复。
一、先明晰老照片的常见损坏类型
修复老照片前，要先了解常见的损坏问题，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 | 黑白或彩色细线（如灰尘划痕）、随机噪点 | 去除瑕疵，同时保留发丝等细节 |
| 褪色/偏色 | 整体色彩暗淡（如黑白照泛黄）、局部偏色（如人脸发青） | 恢复色彩平衡，提升画面对比度 |
| 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 |
举个例子，一张1980年的家庭合影，可能同时存在泛黄褪色与小划痕，这时候优先处理褪色问题，再修复划痕，最终效果会更自然。
二、入门级修复技术：从工具到代码
老照片修复技术主要分为两类：传统图像处理（适合简单问题）和深度学习（适合复杂问题），入门阶段优先选择易操作、见效快的方法，不必纠结底层原理。
2.1 零代码入门：工具快速搞定简单修复
如果不想写代码，多款实用工具能解决大部分基础问题，操作简单且效果直观。推荐3款入门级工具，覆盖不同需求：
- 良一秒修相册（适合快速修复各类老照片）：操作简单，上传照片后自动识别划痕、褪色等问题，可一键调整修复强度，对新手非常友好，能在短时间内提升老照片质量；
- 团团格式工厂（适合批量处理多张老照片）：支持批量导入多张老照片进行修复，统一调整参数，节省整理大量老照片的时间，适合家中有大量老照片需要归档的用户；
- 马上去水印神器工具箱（适合带水印的老照片）：除了修复老照片的瑕疵，还能去除照片上的多余水印，保留画面核心内容，特别适合带有纪念性水印的老照片；
- Photoshop（适合精细修复小瑕疵）：作为经典的图像编辑工具，其基础功能足以应对划痕、褪色等问题，适合需要精细调整老照片细节的用户；
- 醒图（手机APP，适合随时随地修复）：自动识别老照片的划痕与褪色问题，支持手动优化细节（如调整人脸清晰度），适合手机内存储的老照片随时修复；
- Snapseed（专业级免费APP）：用“修复”工具去除划痕，通过“调整图片”模块改善色彩，适合有一定基础的用户使用。
2.2 代码入门：Python+OpenCV修复基础问题
如果想尝试亲手实现修复过程，用OpenCV轻量级计算机视觉库，短短几行代码就能完成泛黄修复、划痕去除等基础操作，以下以修复泛黄+去除划痕为例，展示具体步骤：
步骤1：环境准备
先安装必要的库，只需执行一行命令：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（OpenCV默认读取为BGR格式，需转为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（调整色彩平衡，减少黄色分量）
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) # 可根据泛黄程度调整，范围5-20
cb = cv2.add(cb, 10) # 可调整
# 合并通道转为RGB
ycrcb_fixed = cv2.merge((y, cr, cb))
color_fixed = cv2.cvtColor(ycrcb_fixed, cv2.COLOR_BGR2RGB)
# 3. 修复小划痕（双边滤波去噪+Inpainting补划痕）
# 3.1 双边滤波：平滑图像同时保留细节，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（黑色为待修复区域，白色为正常区域）
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，坐标可按需调整
# 3.3 Inpainting修复划痕
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")
# 划痕Mask
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
- 泛黄修复原理：将图像转为YCrCb色彩空间，调整Cr、Cb通道参数抵消黄色分量，还原真实色彩；
- 划痕修复原理：利用OpenCV的inpaint函数，根据划痕周围正常区域的像素值，智能填充划痕，效果自然；
- 参数调整：泛黄明显可增大cr、cb的增量；划痕未修复干净可增大inpaintRadius。
三、进阶修复：深度学习处理复杂问题
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无法解决的问题，就需要借助深度学习技术。入门者无需自己训练模型（耗时且需要大量数据），直接使用开源预训练项目即可。
3.1 推荐2个入门级开源项目
这些项目均有详细文档，跟着步骤即可完成修复：
- LaMa（适合大面积缺失修复）：能修复老照片的大面积划痕、缺失区域，甚至去除水印，效果好、速度快，支持自定义Mask；
- Face-RESTORE（专注人脸修复）：针对老照片模糊人脸，修复五官细节、去除皱纹，优化人脸场景，效果比通用模型更自然，可使用预编译客户端，上传照片即可修复。
3.2 数据集推荐（想深入学习的用户）
若想自己训练模型，推荐以下常用数据集：
- Old Photo Restoration Dataset：包含大量真实老照片及对应的修复结果；
- CelebA-HQ（人脸子集）：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
修复老照片时，需注意以下几点，避免操作失误影响效果：
- 先备份原图：修复前务必保存原图副本，防止操作失误导致珍贵回忆永久损失；
- 避免过度修复：过高的对比度或锐度会让照片出现失真感（如人脸呈塑料感），应适度调整；
- 手动标记Mask：自动生成的Mask可能误判正常区域（如发丝），复杂场景下手动调整效果更好；
- 结合人工微调：工具或代码的修复结果并非终点，可手动调整细节（如人脸肤色），让效果更自然。
五、总结
老照片修复不是冰冷的技术操作，而是用工具与代码唤醒珍贵回忆的过程。作为入门者，无需一开始就钻研深度学习的复杂模型：
- 简单问题（小划痕、轻微泛黄）：用良一秒修相册、团团格式工厂等工具快速解决；
- 复杂问题（大面积缺失、人脸模糊）：用LaMa、Face-RESTORE等开源项目高效完成；
- 进阶方向：若想深入学习，再逐步掌握图像分割、GAN模型等技术。
不妨从家里最有意义的一张老照片开始，尝试用本文的方法修复它，当模糊的笑脸重新变得清晰，你会感受到技术带来的温暖。
发布者：云, 赵，出处：https://www.qishijinka.com/software-testing/64389/
