一、旧照修复概述：让记忆重见天日
说实话，每次拿到一张泛黄、破损的老照片，我心里都会咯噔一下。这不仅仅是一张纸，更是一段被时间侵蚀的记忆。图像复原，说白了就是跟时间赛跑，把那些快要消失的画面，一点一点拽回来。
我做了这么多年图像处理，最深的感触是：修复旧照，三分靠技术，七分靠耐心。你想想看，一张照片可能经历了半个世纪的氧化、折叠、污渍，指望一键搞定？不现实。但好消息是，有了合适的工具和方法，大部分问题都能解决。
核心认知：图像复原不是"无中生有"，而是"有据可循"。我们做的每一笔修复，都要基于图像本身残留的信息。
1.1 什么是图像复原？
图像复原，英文叫 Image Restoration。它跟图像增强不一样——增强是"让好看的更好看"，复原是"把坏掉的修回原样"。我习惯这么理解：复原就是逆向工程。我们假设图像在退化过程中经历了某种数学变换，然后想办法把这个变换反推回去。
举个例子。一张照片褪色了，本质上是因为染料分子随时间分解。我们没法让分子重新组合，但可以通过颜色校正，模拟出它原本的色调。嗯，这里要注意：复原是有极限的。信息一旦彻底丢失，神仙也救不回来。
我的经验：判断一张照片能不能修，先看"信息是否还在"。如果人脸完全糊成一团，那基本没戏。但如果只是划痕、噪点、褪色，放心，大概率能搞定。
1.2 旧照片常见问题
这些年我经手过的旧照，问题五花八门。归纳起来，逃不出这四类：
| 问题类型 | 成因 | 表现特征 |
|---|---|---|
| 划痕 | 物理摩擦、折叠 | 白色或黑色线条，随机分布 |
| 褪色 | 光照、氧化 | 整体偏黄/偏蓝，对比度下降 |
| 噪点 | 胶片颗粒、扫描噪声 | 细密颗粒感，像蒙了一层纱 |
| 破损 | 撕裂、霉斑、水渍 | 局部缺失，边缘不规则 |
我曾经收到一张1940年代的全家福，上面全是霉斑。说实话，第一眼看到时我头皮发麻。但后来我用逐块修复的方法，花了三天时间，愣是把每个人的脸都还原出来了。那种成就感，嗯，很难形容。
1.3 修复流程概览
做修复，我有一套固定的流程。不是死板，而是踩过太多坑总结出来的。你跟着走，至少不会翻车：
- 数字化采集——用高分辨率扫描仪把照片转成数字格式。分辨率至少600dpi，低了细节全丢。
- 预处理——去噪、对比度拉伸、颜色校正。这一步是打地基。
- 缺陷检测与修复——找到划痕、破损的位置，用算法或手动工具修补。
- 细节增强——锐化、纹理重建，让画面更清晰。
- 最终调色——调整整体色调，让它看起来自然。
为什么先预处理再修复？我刚开始时犯过错误，直接上手修划痕，结果因为噪点太多，修完反而更假。后来学乖了：先降噪，再修复，顺序不能乱。
避坑指南：我曾经在预处理阶段把对比度拉得太高，结果把照片里的暗部细节全压没了。后来花了双倍时间重新做。记住：预处理要"温柔"，别上来就下猛药。
1.4 工具与库介绍
工欲善其事，必先利其器。我常用的工具就三个，各有各的脾气：
OpenCV
这是我最常用的库。功能全面，速度飞快。从基础的滤波、形态学操作，到高级的图像修复算法（比如Telea算法），它都有。我习惯用它做批量处理。
import cv2
# 读取一张旧照片
img = cv2.imread('old_photo.jpg')
# 用中值滤波去噪
denoised = cv2.medianBlur(img, 5)
# 用Telea算法修复划痕
mask = cv2.imread('mask.jpg', 0)
restored = cv2.inpaint(denoised, mask, 3, cv2.INPAINT_TELEA)PIL (Pillow)
PIL轻量、易上手。适合做简单的颜色调整、裁剪、格式转换。我一般用它做预处理阶段的快速试错。
from PIL import Image, ImageEnhance
img = Image.open('old_photo.jpg')
# 增强对比度
enhancer = ImageEnhance.Contrast(img)
img_enhanced = enhancer.enhance(1.5)
# 增强锐度
enhancer = ImageEnhance.Sharpness(img_enhanced)
img_sharp = enhancer.enhance(2.0)scikit-image
这个库偏学术，算法更"讲究"。比如去噪方面，它提供了非局部均值去噪（NL-means），效果比普通滤波好很多。但速度慢，适合单张精修。
from skimage import io, restoration
img = io.imread('old_photo.jpg')
# 非局部均值去噪
denoised = restoration.denoise_nl_means(img, patch_size=5, patch_distance=6)我的建议：新手先用PIL上手，熟悉基本操作。等遇到复杂问题，再上OpenCV。至于scikit-image，适合你追求极致效果时用。别一上来就全学，会懵。
知识体系总览
下面这张图，是我自己整理的修复知识框架。你把它存脑子里，后面学起来就不会迷路：
你看，整个知识体系其实就四个维度：问题、流程、工具、技术。后面每一章，都会围绕这张图展开。我建议你把这图存下来，学完一章回来对照一下，看看自己学到哪了。
好了，第一章就到这里。记住：修复旧照，修的不只是像素，更是记忆。带着这份敬畏心，我们后面慢慢聊。