3.2 图像增强与复原

3.2 图像增强与复原

本节摘要：图像增强让"看得清"，图像复原让"恢复原样"。本节讲 ImageOps 模块的自动增强工具（自动对比度、均衡化、裁剪、翻转），以及降噪、去雾、对比度拉伸等复原方法，并给出"老照片修复"的完整流程示例。

阅读收获

阅读完本节，你应当能够：

1. 用 ImageOps 做自动对比度与直方图均衡化
2. 用 ImageOps 裁剪、翻转、缩放
3. 应用降噪与对比度拉伸处理"发灰/有噪点"图片
4. 完成"老照片修复"的增强流程
5. 理解直方图与均衡化的原理

问题与直觉：图片"生病"了怎么办

有些图片"生病了"：曝光不足发黑、低对比发灰、老照片有噪点、扫描件背景脏。图像增强就是"治病"——让图片恢复清晰、正常的观感。Pillow 的 ImageOps 模块是内置的"急诊医生"。

from PIL import Image, ImageOps

img = Image.open("dark.jpg")
# 自动对比度：拉伸像素范围，让黑的更黑、白的更白
enhanced = ImageOps.autocontrast(img)
​

autocontrast 一行代码，就能救活一张"发灰"的图——它把像素值范围从"压缩的区间"拉伸到"全 0-255"。

核心原理：ImageOps 工具包

常用工具速查

# 自动对比度（可设 cutoff 忽略极端像素）
ImageOps.autocontrast(img, cutoff=2)

# 直方图均衡化（让像素分布更均匀）
ImageOps.equalize(img)

# 扩展画布（加边）
ImageOps.expand(img, border=20, fill="white")

# 灰度图（等价 convert L 的便捷版）
ImageOps.grayscale(img)

# 裁剪白边（去除扫描件的空白边缘）
ImageOps.crop(img, border=10)

# 翻转（transpose 的便捷封装）
ImageOps.flip(img)
ImageOps.mirror(img)

# 等比缩放（thumbnail 的便捷封装）
ImageOps.fit(img, (300, 300))
​

autocontrast vs equalize 的区别

两者都提升观感，但侧重点不同：autocontrast 解决"发灰"，equalize 解决"亮暗不均"（如逆光照片）。

💡 关键直觉：直方图是"图片病历"。一张图的直方图（像素分布）能一眼看出问题：都挤在暗端=曝光不足，都挤在中部=对比低。学会看直方图，增强就有方向。

工程实践要点：复原三步法

复原流程：去噪 → 对比度 → 锐化

from PIL import Image, ImageFilter, ImageOps

img = Image.open("old_photo.jpg").convert("L")  # 老照片转灰度

# 第一步：降噪（轻度模糊）
denoised = img.filter(ImageFilter.MedianFilter(size=3))

# 第二步：增强对比（自动对比度）
contrasted = ImageOps.autocontrast(denoised)

# 第三步：锐化细节（非锐化掩膜）
restored = contrasted.filter(
    ImageFilter.UnsharpMask(radius=2, percent=120, threshold=2)
)
restored.save("restored.jpg")
​

去噪→增强→锐化是图像复原的经典三步：先去掉杂质，再拉开层次，最后找回细节。顺序很重要——先锐化会把噪点一起放大。

对比度拉伸的精细控制

autocontrast 的 cutoff 参数很实用：

# cutoff=2：忽略最暗/最亮各 2% 的极端像素再拉伸
# 避免"一个过曝亮点"把整张图拉暗
enhanced = ImageOps.autocontrast(img, cutoff=2)
​

cutoff 是"抗极端值"的保险——照片里有个过曝的灯，不做 cutoff 的话，拉伸会被它带偏。

⚠️ 常见坑 1：降噪过度变"塑料感"。MedianFilter 是保边的（比均值模糊好），但 size 太大会抹掉细节。从 size=3 开始，效果不够再加大。

⚠️ 常见坑 2：老照片的偏色不能靠灰度解决。真正的老照片修复需要分通道处理（R/G/B 各自去噪增强再合并），彩色修复比灰度修复复杂得多。

动手实验：复原效果对比

from PIL import Image, ImageFilter, ImageOps

# 制造一张"生病"的图来测试
img = Image.open("photo.jpg").convert("L")
img = ImageOps.autocontrast(img.point(lambda p: int(p * 0.6)))

# 复原
denoised = img.filter(ImageFilter.MedianFilter(size=3))
restored = ImageOps.autocontrast(denoised).filter(
    ImageFilter.UnsharpMask(radius=2, percent=120, threshold=2)
)

img.save("sick.jpg")
restored.save("healed.jpg")
​

亲手制造"病图"再治好它，你会清楚每一步的作用：中值滤波去掉亮点噪点、autocontrast 拉开层次、UnsharpMask 找回细节。

进阶：ImageOps 的隐藏能力

ImageOps 不只做增强，还有几个"隐藏功能"值得掌握：

from PIL import Image, ImageOps

# 等比适配到指定框
img_fit = ImageOps.fit(img, (300, 300))          # 裁剪+缩放
img_contain = ImageOps.contain(img, (300, 300))  # 等比缩放不裁剪

# 加边框/加画布
img_border = ImageOps.expand(img, border=20, fill="gray")

# 去黑边/白边（扫描件去边）
img_cropped = ImageOps.crop(img, border=5)

# 灰度图便捷版
gray = ImageOps.grayscale(img)

# 反色（负片效果）
inverted = ImageOps.invert(img.convert("L"))
​

💡 关键直觉：fit 与 contain 的分工：fit 会"裁剪掉超出部分"（保证固定尺寸不变形），contain 会"留白"（保证完整显示）。需要哪个取决于"固定尺寸优先"还是"内容完整优先"。

实战：文档扫描件增强

把"灰底、歪斜、有噪点"的扫描件处理成"干净黑白文档"：

def enhance_document(img):
    """文档增强：灰度→对比→去噪→二值化"""
    img = img.convert("L")
    img = ImageOps.autocontrast(img, cutoff=5)
    img = img.filter(ImageFilter.MedianFilter(size=3))
    img = img.point(lambda p: 255 if p > 140 else 0)
    return img

scan = Image.open("scan.jpg")
clean = enhance_document(scan)
clean.save("scan_clean.jpg")
​

文档增强四步：灰度→对比度→去噪→二值化。阈值 140 可按实际扫描件微调。这个流程对"手机拍文档""老扫描件"都很有效。

FAQ：增强复原高频问题

问：均衡化和自动对比度哪个好？
看问题：图片"发灰"（整体低对比）用 autocontrast；"局部过曝/欠曝"（亮暗分布不均）用 equalize。大多数场景 autocontrast 更稳，equalize 适合逆光图。

问：中值滤波和模糊滤波哪个去噪好？
中值（MedianFilter）保边，去"椒盐噪声"效果好；模糊（GaussianBlur）去"高斯噪声"，但会糊边。椒盐噪点优先 Median，颗粒噪点用轻微 Gaussian。

问：为什么复原后颜色变了？
如果原图是彩色、复原时转了灰度，颜色当然没了。彩色复原要分通道处理，或用 numpy 做彩色去噪。

问：cutoff 参数有什么用？
忽略最暗/最亮各 cutoff% 的极端像素再拉伸。防止"一个过曝的高光点"把整张图拉暗。一般 1-5 就够。

动手演练：老照片修复流程

把增强与复原技术组合成"老照片修复"完整流程（灰度版）：

def restore_old_photo(path):
    """老照片修复：灰度 + 去噪 + 对比 + 锐化"""
    img = Image.open(path).convert("L")

    # 1. 去噪：中值滤波去椒盐噪点
    img = img.filter(ImageFilter.MedianFilter(size=3))

    # 2. 去污点：二次中值（大核去大污点）
    img = img.filter(ImageFilter.MedianFilter(size=5))

    # 3. 自动对比度：拉开发灰的层次
    img = ImageOps.autocontrast(img, cutoff=3)

    # 4. 锐化：找回细节
    img = img.filter(ImageFilter.UnsharpMask(radius=2, percent=130, threshold=2))

    return img

old = Image.open("old_scan.jpg")
restored = restore_old_photo(old)
restored.save("old_restored.jpg")
​

修复五步：小核去噪 → 大核去污 → 对比拉伸 → 锐化。"修复"的核心是"先清理、再增强、后锐化"的顺序纪律。

进阶：彩色修复与局部处理

灰度修复只是入门，彩色老照片修复要"分通道"：

from PIL import Image, ImageEnhance

def restore_color_photo(img):
    """彩色修复：各通道独立去噪增强，再合并"""
    img = img.convert("RGB")
    channels = []
    for ch in img.split():
        ch = ch.filter(ImageFilter.MedianFilter(size=3))
        ch = ImageOps.autocontrast(ch, cutoff=2)
        channels.append(ch)
    merged = Image.merge("RGB", tuple(channels))
    merged = ImageEnhance.Color(merged).enhance(1.15)
    merged = merged.filter(ImageFilter.UnsharpMask(radius=1.5, percent=100, threshold=2))
    return merged

img = Image.open("old_color.jpg")
restored = restore_color_photo(img)
restored.save("old_color_restored.jpg")
​

分通道修复的原理：老照片不同通道的劣化程度不同（青色通道易褪色、红通道易偏黄），分通道独立处理比整体处理精准。"分而治之"是图像修复的通用心法。

动手演练：简易去雾

去雾是图像复原的进阶需求，用简单方法做一个"去雾近似"：

def simple_dehaze(img, strength=1.3):
    """简易去雾：提对比 + 降亮 + 微锐"""
    from PIL import ImageEnhance
    img = img.convert("RGB")
    img = ImageEnhance.Brightness(img).enhance(0.9)
    img = ImageEnhance.Contrast(img).enhance(strength)
    img = ImageEnhance.Color(img).enhance(1.2)
    img = img.filter(ImageFilter.UnsharpMask(radius=1.5, percent=80, threshold=2))
    return img

img = Image.open("foggy.jpg")
simple_dehaze(img).save("dehazed.jpg")
​

去雾思路：雾 = 亮度偏高 + 对比偏低 + 色彩发灰。"反向调节"（降亮、提对比、增饱和、微锐）就是简易去雾。专业去雾（暗通道先验）复杂得多，但"识别问题→反向修正"的框架是通用的。

增强复原的常见误区

误区根源：把"增强"当"魔法"而非"权衡"。增强是"在噪点与细节、明与暗之间找平衡"——理解每一步的代价（锐化放大噪点、提对比死白），才能调出好效果。

实战：批量老照片修复

把修复流程做成批量工具，处理整批老照片：

from PIL import Image, ImageFilter, ImageOps
from multiprocessing import Pool
import os

def restore_one(args):
    src, dst = args
    try:
        with Image.open(src) as img:
            img = img.convert("RGB")
            img = img.filter(ImageFilter.MedianFilter(size=3))
            img = ImageOps.autocontrast(img, cutoff=2)
            img = img.filter(ImageFilter.UnsharpMask(radius=2, percent=120, threshold=2))
            img.save(dst, quality=92)
        return (src, True)
    except Exception as e:
        return (src, False, str(e))

def batch_restore(src_dir, dst_dir, workers=4):
    os.makedirs(dst_dir, exist_ok=True)
    tasks = [(os.path.join(src_dir, f), os.path.join(dst_dir, f))
             for f in os.listdir(src_dir) if f.lower().endswith((".jpg", ".jpeg", ".png"))]
    with Pool(workers) as pool:
        results = pool.map(restore_one, tasks)
    ok = sum(1 for r in results if r[1])
    print(f"修复完成 {ok}/{len(tasks)}")

batch_restore("old_photos", "restored")
​

批量修复 = 修复管线 + 批量框架。修复管线（去噪→对比→锐化）是"内容"，批量框架（Pool+错误隔离）是"骨架"。

增强复原的实际项目：扫描文档增强

扫描件增强是 ImageOps 的经典落地场景，做完整工具：

def enhance_scan(img):
    """扫描件增强：灰度→对比→去噪→二值化→去边"""
    img = img.convert("L")
    img = ImageOps.autocontrast(img, cutoff=3)
    img = img.filter(ImageFilter.MedianFilter(size=3))
    img = img.point(lambda p: 255 if p > 150 else 0)
    img = ImageOps.crop(img, border=3)
    return img

def batch_scans(src_dir, dst_dir):
    """批量扫描件增强"""
    os.makedirs(dst_dir, exist_ok=True)
    for f in os.listdir(src_dir):
        if not f.lower().endswith((".jpg", ".png", ".tiff")):
            continue
        with Image.open(os.path.join(src_dir, f)) as img:
            enhance_scan(img).save(os.path.join(dst_dir, f))

batch_scans("scans", "scans_enhanced")
​

扫描件增强四步：对比（拉层次）→ 去噪（清噪点）→ 二值化（黑白分明）→ 去边（清边缘）。"扫描件清洗"是 OCR 前的标准预处理。

增强复原的评估方法

增强做得好不好，不能只靠"看着舒服"——用量化指标评估：

def evaluate_enhancement(original, enhanced):
    """量化评估增强效果：对比度提升 + 清晰度"""
    def stats(img):
        gray = img.convert("L")
        px = list(gray.getdata())
        n = len(px)
        mean = sum(px) / n
        std = (sum((p - mean) ** 2 for p in px) / n) ** 0.5
        return mean, std

    o_mean, o_std = stats(original)
    e_mean, e_std = stats(enhanced)
    print(f"原图: 亮度 {o_mean:.0f}, 对比 {o_std:.0f}")
    print(f"增强: 亮度 {e_mean:.0f}, 对比 {e_std:.0f}")
    print(f"对比提升: {e_std/o_std*100:.0f}%")

img = Image.open("old.jpg")
enhanced = ImageOps.autocontrast(img.filter(ImageFilter.MedianFilter(3)), cutoff=2)
evaluate_enhancement(img, enhanced)
​

评估指标：对比度（标准差）、清晰度（相邻差）、亮度（均值）——"量化评估"让增强从"玄学"变"科学"。

增强复原的性能考量

增强操作在大批量场景的性能规律：

import time

img = Image.open("photo.jpg").convert("RGB")

# 各增强操作的耗时对比
tests = {
    "autocontrast": lambda: ImageOps.autocontrast(img),
    "equalize": lambda: ImageOps.equalize(img),
    "MedianFilter(3)": lambda: img.filter(ImageFilter.MedianFilter(size=3)),
    "GaussianBlur(3)": lambda: img.filter(ImageFilter.GaussianBlur(radius=3)),
}
for name, fn in tests.items():
    t0 = time.time()
    fn()
    print(f"{name:20s}: {(time.time()-t0)*1000:.1f}ms")
​

增强性能要点：autocontrast/equalize 快（直方图类）、滤波类中速（与尺寸相关）、先缩再增强快 4 倍。"先缩尺寸、再选高效操作、多进程并行"是性能三板斧。

本节小结：图像增强与复原是"给图片治病"的能力——去噪、增强、锐化三步是修复的黄金顺序，ImageOps 提供自动工具，分通道处理让彩色修复更精准。理解"先清理、再增强、后锐化"的顺序纪律与量化评估方法，你就能系统性地改善任何"生病"的图片。

增强复原的实战项目：一键照片增强

把增强复原能力封装成"一键照片增强"工具，作为日常使用：

def one_click_enhance(img_path, out_path, mode="auto"):
    """一键照片增强：自动检测 + 定向处理"""
    img = Image.open(img_path).convert("RGB")

    # 亮度检测
    gray = img.convert("L")
    mean = sum(gray.getdata()) / (img.width * img.height)
    print(f"检测亮度: {mean:.0f}")

    # 按亮度选择处理
    if mean < 100 and mode == "auto":
        print("偏暗 → 提亮")
        img = ImageEnhance.Brightness(img).enhance(1.3)
    elif mean > 180 and mode == "auto":
        print("偏亮 → 压暗")
        img = ImageEnhance.Brightness(img).enhance(0.85)
    else:
        # 正常亮度 → 轻度增强
        img = ImageOps.autocontrast(img, cutoff=2)
        img = img.filter(ImageFilter.UnsharpMask(radius=1.5, percent=80, threshold=2))

    img.save(out_path, quality=90)

one_click_enhance("photo.jpg", "enhanced.jpg")
​

一键增强的价值："亮度检测 + 定向处理"让修图从"手动调参"变"自动判断"——"检测问题 → 选择方案 → 自动执行"是智能修图的基本框架。这个工具可以直接扩展成"自动美化""智能修图"类产品，把 3.2 的增强知识变成可交付的能力。

增强复原的常见问题补充

问：为什么增强后图片有噪点？
锐化或对比度拉伸会把原有噪点放大。先降噪（MedianFilter）再增强对比、最后锐化，顺序不能乱。或降低增强幅度。

问：自动对比度对什么图无效？
对"本身曝光正确的图"作用很小；对"灰度范围已经全"的图也无提升。先看直方图（4.3）判断"有没有可拉伸的空间"。

问：增强和调色能一起用吗？
能。顺序建议：先调色（Enhance 系）再增强（ImageOps 系）最后滤镜（锐化）。每步都小幅调整，避免叠加过度。

问：怎么判断增强效果？
用量化指标（对比度标准差、清晰度相邻差）对比增强前后——数字提升才是有效增强，靠感觉容易误判。

增强复原的完整工作流

把增强复原放进"诊断→方案→执行→验证"的完整工作流：

诊断（直方图看问题）
  → 方案（去噪/对比/锐化选择）
  → 执行（管线顺序执行）
  → 验证（量化指标对比）
​

**"诊断→方案→执行→验证"**是增强复原的完整闭环——先看直方图（诊断），再选方案，后验证效果。这个工作流让增强从"凭感觉"变"按流程"，是 3.2 知识的最终组织形态。

图：图像增强复原流程——去噪到锐化

重点提炼

• ImageOps 工具包：autocontrast/equalize/expand/crop/fit
• autocontrast vs equalize：拉伸范围 vs 重分布直方图
• 复原三步：降噪→增强→锐化，顺序关键
• MedianFilter 保边：比均值模糊更安全
• cutoff 抗极端：避免过曝点带偏拉伸
• fit vs contain：裁剪定尺寸 vs 完整显示
• 文档增强四步：灰度→对比→去噪→二值化
• 老照片五步：小核去噪→大核去污→对比→锐化
• 彩色修复分通道：各通道独立处理更精准
• 简易去雾：识别问题→反向修正
• 增强误区：权衡而非魔法
• 批量修复：管线+框架分离
• 扫描件增强：OCR 前标准预处理
• 量化评估：对比度/清晰度/亮度指标
• 性能考量：先缩尺寸、直方图类快
• 直方图是病历：看图知问题，增强有方向

增强复原处理的是"拍得不好"，色彩管理处理的是"显示不一致"——下一节进入颜色为什么"看着不对"的深层原因。