李维的指尖划过父亲书房里那本厚重的相册。灰尘在午后斜照的阳光中飞舞，像无数微小的精灵。相册里，大多是黑白或严重褪色的老照片，边角卷曲，带着时光的氤氲。其中一张，是父亲年少时在老家门口的照片，但照片本身却布满了划痕、污渍，颜色也黯淡得几乎只剩昏黄。
父亲每次看到这张照片，总会凝视很久，眼神里有一种李维难以完全捕捉的怀念与淡淡遗憾。他曾念叨过：“要是能把它修好，像新的一样就好了。”但找专业的照片修复师，费用不菲，而且过程繁琐，父亲觉得麻烦，便一直作罢。
这个周末，李维坐在自己的电脑前，又想起了父亲凝视照片的神情。他是一名Python程序员，日常工作就是与代码逻辑打交道，解决各种系统性问题。此刻，他盯着屏幕上密密麻麻的代码，突然灵光一现：我能不能用Python来解决这个问题？
这个念头让他兴奋起来。他深知Python在自动化处理、图像识别和数据分析领域的强大能力。修复老照片，本质上不就是一种对图像数据的分析、处理和重建吗？
说干就干。李维的第一步是“数字化”。他找来家里那台普通的平板扫描仪，小心翼翼地将那张珍贵的照片扫描成高分辨率的数字图像文件。瞬间，那张布满岁月痕迹的照片变成了他电脑里的一个.tiff文件，一组等待被解读和修复的像素数据。
接下来，就是Python大显身手的时刻。李维打开了熟悉的Jupyter Notebook，创建了一个新项目。他首先需要合适的“工具”——Python强大的第三方库。
“pip install opencv-python numpy matplotlib pillow”，他在终端里敲下命令。OpenCV是计算机视觉的瑞士军刀，NumPy是处理数值计算的基石，Matplotlib用于查看图像，Pillow则是另一个经典的图像处理库。
库安装完毕，代码编写开始。他首先写了几行导入语句：
import cv2
import numpy as np
from matplotlib import pyplot as plt
然后，他将扫描好的图像加载到内存中：
image = cv2.imread('old_photo.tiff')
cv2.imshow('Original Damaged Photo', image)
cv2.waitKey(0)
屏幕上弹出的窗口展示着那张破损的照片，数字化的它更清晰地放大了那些划痕和噪点。挑战就在眼前。
李维知道，修复的第一步通常是去噪和清理明显的瑕疵。他回忆着OpenCV中的图像处理函数。
“试试中值滤波，”他自言自语。这种滤波器对去除“椒盐噪声”（就像照片上的白色划痕和黑色斑点）特别有效。他添加了代码：
# 中值滤波，去除椒盐噪声
denoised_image = cv2.medianBlur(image, 5)
运行，对比。效果立竿见影！一些细小的、孤立的斑点消失了，照片整体变得平滑了一些。但一些较深的划痕依然顽固。
对于这些线性的划痕，他需要更精准的工具。他想到了OpenCV中的inpaint函数——图像修复函数。这个函数的神奇之处在于，它能根据周围像素的信息，智能地填充指定区域（比如划痕区域）。
但前提是，他必须告诉程序哪些地方需要修复。他需要创建一个“蒙版”（mask），一个同样大小的图像，在上面用白色标记出需要修复的区域，黑色区域则保持不变。
手动标记所有划痕？那会是一个极其枯燥且耗时的工作。这不是他想要的自动化解决方案。
“能不能自动检测到这些划痕？”李维思考着。他尝试使用边缘检测算法，如Canny算法，来突出这些划痕的轮廓。
# 转换为灰度图
gray = cv2.cvtColor(denoised_image, cv2.COLOR_BGR2GRAY)
# Canny边缘检测
edges = cv2.Canny(gray, 50, 150)
结果显示，边缘检测确实捕捉到了一些划痕，但也包含了太多我们想保留的图像细节（如人物的眉毛、衣领的线条）。直接使用这个作为蒙版会破坏原图。
看来全自动生成完美蒙版有点困难。李维决定采用一种半自动的方法。他写了一个简单的循环，用Matplotlib交互式地显示图像，然后他用鼠标在图中划痕的位置大致画线，程序会记录这些位置并生成蒙版。
“虽然不能完全‘无人驾驶’，但已经比用Photoshop画笔一点一点抠省力太多了！”他满意地想。十几分钟后，一个大致覆盖了主要划痕的蒙版就创建好了。
现在，祭出大杀器：
image = cv2.imread('old_photo.tiff')
# 创建一个和原图同样尺寸的全零数组（黑色）
mask = np.zeros(image.shape[:2], dtype=np.uint8) # shape[:2] 只取高度和宽度，不要通道
# 2. 手动在mask上绘制需要修复的区域（设置为白色）
# 使用 cv2.line, cv2.rectangle, cv2.circle 等绘图函数
# 例如，画一条白色的线来覆盖划痕
# cv2.line(要画的图像, 起点坐标, 终点坐标, 颜色, 线宽)
mask = cv2.line(mask, (50, 30), (200, 30), (255), 3) # (255)代表白色，线宽为3像素
mask = cv2.line(mask, (100, 150), (100, 300), (255), 2) # 再画一条竖线
denoised_image = cv2.medianBlur(image, 5)
# 使用图像修复算法
inpainted_image = cv2.inpaint(denoised_image, mask, 3, cv2.INPAINT_TELEA)
cv2.imshow('Inpainted_image Damaged Photo', inpainted_image)
cv2.waitKey(0)
运行！几乎是在一瞬间，程序运行完毕。李维屏住呼吸，对比修复前后的图像。 “太神奇了……”他忍不住惊叹。屏幕上，那些困扰了这张照片几十年的深刻划痕，几乎消失得无影无踪。算法智能地推断并填充了划痕下的图像信息，虽然仔细看某些纯色区域有点模糊，但整体效果远超他的预期！
清理了物理损伤，下一步是解决颜色问题。照片严重褪色，泛黄且对比度很低。
他使用OpenCV的直方图均衡化函数来增强对比度：
# 分离颜色通道，分别对对比度进行均衡化（常在YUV色彩空间的Y通道进行）
yuv = cv2.cvtColor(inpainted_image, cv2.COLOR_BGR2YUV)
yuv[:,:,0] = cv2.equalizeHist(yuv[:,:,0])
enhanced_image = cv2.cvtColor(yuv, cv2.COLOR_YUV2BGR)
接着，他又尝试调整了图像的亮度和饱和度，让那张昏黄的照片逐渐焕发出更自然、更生动的色调。他甚至写了几行代码，尝试基于机器学习模型为黑白照片自动上色，虽然效果有些地方不太准确，但那种淡淡的、合理的色彩，反而增添了一种奇妙的复古美感，而非技术瑕疵。
整个过程，他不断地微调参数，运行代码，查看结果。就像一位数字时代的工匠，在用代码雕琢时光。
傍晚，父亲下班回家。李维把他拉到电脑前。 “爸，你看。” 他点击了运行整个脚本的最后一个单元格。屏幕上，原本破损昏黄的老照片，仿佛穿越了时光，变得清晰、干净、色彩柔和。照片上三个男孩的笑容，从未如此生动和真切地呈现在他们眼前。
父亲愣住了，身体微微前倾，凑近屏幕，眼睛瞪大了。他伸出手，似乎想触摸屏幕上那些清晰的笑脸。 “这……这是怎么做到的？”他的声音里充满了难以置信的惊喜，“你找别人修了？”
“不，爸，”李维笑着摇摇头，指了指屏幕上还开着的代码编辑器窗口，里面是几十行排列整齐的Python代码，“是它修的。我用Python写的程序。”
父亲看着那些他完全看不懂的英文字符和符号，又看看眼前焕然一新的老照片，眼神从困惑变为惊奇，最后化为一种深深的欣慰和自豪。他不懂代码，但他看到了代码创造出的、触手可及的奇迹。
“好……真好……”父亲喃喃道，目光久久没有离开屏幕上兄弟三人的笑脸，“谢谢你，儿子。这……太棒了。”
那一刻，李维感受到一种前所未有的满足感。这种满足感，不同于完成一个商业项目带来的成就感。这是一种用自己掌握的技术，直接触及所爱之人内心深处最柔软的地方，并为其带来真切快乐的幸福感。代码不再是冰冷的逻辑和符号，它成了编织情感、修复记忆的月光，温柔地照亮了过去，也让当下的温暖更加熠熠生辉。
他保存好修复好的电子版，并第一时间冲印了出来。当晚，那张崭新的“旧照片”被郑重地摆在了客厅的桌子上。父亲看了又看，甚至给老兄弟们打了视频电话，兴奋地展示。
看着父亲高兴的样子，李维心里又萌生了一个新想法：相册里还有那么多老照片呢！也许，他可以把这个脚本优化一下，做一个批处理功能？或者，做一个带简单按钮的桌面小软件，让父亲也能自己操作？
他微微一笑，再次坐回了电脑前。对于Python工匠来说，生活里待解决的问题，永远是最好的灵感来源。而用代码温暖生活，正是技术最浪漫的归宿。
暂无评论内容