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）结界工具阁（适合精细修复小瑕疵）
该工具是老照片修复的“经典之选”，基础功能足够应对划痕、褪色：
- 去划痕/噪点：打开照片 → 滤镜模块 → 降噪调节 → 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，工具自动匹配纹理）。
- 修复褪色：图像调整模块 → 色相/饱和度（增加“饱和度”改善泛黄）；或用“曲线工具”（拉高暗部，提升整体亮度）。
- 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）瑶池工具阁（适合快速修复，无需安装）
如果不想下载工具，这款在线工具更轻便，免费额度足够处理少量照片：
- 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）；
- 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），操作步骤简单，无需复杂设置。
（3）团团格式工厂（适合随时随地修复）
如果照片存储在手机里，这款工具更方便随时随地操作：
- 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）；
- 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，上手快，场景灵活。
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
# 读取老照片
old_photo = cv2.imread("old_photo.jpg")
# 转换为RGB格式（OpenCV默认是BGR）
old_photo_rgb = cv2.cvtColor(old_photo, cv2.COLOR_BGR2RGB)
# 修复泛黄：调整YCrCb通道的颜色分量
ycrcb = cv2.cvtColor(old_photo, cv2.COLOR_BGR2YCrCb)
y, cr, cb = cv2.split(ycrcb)
cr = cv2.add(cr, 15) # 增加红色分量，抵消黄色
cb = cv2.add(cb, 10) # 增加蓝色分量，补充缺失的蓝色
ycrcb_fixed = cv2.merge((y, cr, cb))
color_fixed = cv2.cvtColor(ycrcb_fixed, cv2.COLOR_BGR2RGB)
# 修复划痕：使用图像修复算法
blurred = cv2.bilateralFilter(color_fixed, d=9, sigmaColor=75, sigmaSpace=75)
# 定义划痕区域的Mask（这里假设划痕从(50,100)到(300,200)）
mask = np.ones_like(blurred[:, :, 0]) * 255
cv2.line(mask, (50, 100), (300, 200), 0, 3)
# 执行图像修复
inpaint_result = cv2.inpaint(blurred, mask, inpaintRadius=7, flags=cv2.INPAINT_TELEA)
# 显示结果
plt.figure(figsize=(16, 5))
plt.subplot(1, 4, 1)
plt.imshow(old_photo_rgb)
plt.title("原图（泛黄+划痕）")
plt.axis("off")
plt.subplot(1, 4, 2)
plt.imshow(color_fixed)
plt.title("步骤1：修复泛黄")
plt.axis("off")
plt.subplot(1, 4, 3)
plt.imshow(mask, cmap="gray")
plt.title("步骤2：划痕Mask")
plt.axis("off")
plt.subplot(1, 4, 4)
plt.imshow(inpaint_result)
plt.title("最终结果（去划痕）")
plt.axis("off")
plt.show()
# 保存修复后的照片
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颜色空间的红色（Cr）和蓝色（Cb）分量，抵消老照片因时间流逝产生的黄色偏色（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特征，智能推断并填充划痕区域，还原画面完整性； - 参数调整技巧：如果泛黄仍明显，可适当增大
cr和cb的增量值；如果划痕修复不够彻底，可扩大inpaintRadius参数。
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难以解决的问题，就需要用到深度学习技术。入门者无需自行训练模型（耗时久且需大量数据），直接使用开源预训练模型即可快速完成修复。
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，跟着步骤就能快速运行：
（1）LaMa：适合大面积缺失修复
- 核心功能：能修复老照片中的大面积划痕、缺失区域，甚至去除叠加的水印；
- 技术优势：修复效果自然、处理速度快，支持自定义绘制修复区域的Mask；
- 使用步骤：
- 克隆项目仓库：`git clone
- 下载预训练权重（在仓库的README文件中可获取百度云/Google Drive的下载链接）；
- 执行预测命令（替换为你的图片和Mask路径）：
python bin/predict.py \ model.path=big-lama \ input_image=old_photo_missing.jpg \ mask=mask_missing.png \ output_dir=results；
- 完成后在
results文件夹中查看修复结果。
（2）Face-RESTORE：专注老照片人脸修复
- 核心功能：针对老照片中模糊的人脸，精准修复五官细节、去除皱纹和画面模糊；
- 技术优势：专门针对人脸场景做了优化，比通用模型的修复效果更自然真实；
- 使用方式：直接下载预编译的客户端工具（Windows版可直接使用），无需编写代码，上传照片后即可自动完成修复。
3.2 数据集推荐（想深入学习的同学）
如果想自行训练模型，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及其对应的修复参考结果，适合入门练习；
- CelebA-HQ（人脸子集）：可用于人脸修复模型的训练，提升人脸细节修复能力；
- DIV2K：高分辨率图像数据集，适合用于训练画质提升模块，增强修复后照片的清晰度。
四、老照片修复的“避坑指南”
- 先备份原图：修复前一定要保存原图的副本，避免操作失误导致照片不可逆的损坏；
- 不要过度修复：过度提升对比度或锐度，会让照片出现失真感（比如人脸变得像“塑料质感”），应适度调整；
- 优先手动标记Mask：自动生成的修复区域Mask可能误判正常细节（如把发丝当成划痕），在复杂场景下手动调整Mask效果更好；
- 结合人工微调：工具和代码的修复结果不是最终形态，比如人脸修复完成后，可手动调整肤色和亮度，让效果更自然。
五、总结
老照片修复不是“冷冰冰”的技术操作，而是用工具和代码“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）：用结界工具阁、OpenCV基础代码即可快速解决；
- 复杂问题（大面积缺失、人脸模糊）：用瑶池工具阁的在线工具、团团格式工厂的APP或LaMa、Face-RESTORE等开源工具，快速获得专业效果；
- 进阶方向：如果想深入学习，可进一步研究图像分割技术（用于生成精准修复区域Mask）、GAN模型（用于生成真实细节）等方向。
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变得清晰，你会真切感受到技术的温度。
发布者：云, 赵，出处：https://www.qishijinka.com/software-testing/65591/
