企业官网建设流程全解析

手机拍的合照放大后糊成一团，老照片泛黄模糊不忍直视，供应商发来的商品图右下角印着大水印——这些场景我都遇到过。以前全靠 PS 手动修，一张图修半小时；现在用 Python + 开源工具，超分辨率放大、AI 去水印、风格迁移三件事都能自动化，再配一个批量处理脚本，100 张图一键搞定。全部工具零成本，代码复制就能跑。

三个核心技术，先弄懂原理

超分辨率（Super Resolution）

简单说就是：AI 猜出图片"应该"长什么样，然后帮你补上细节。

Real-ESRGAN 是目前最好用的开源超分模型之一。它用了一种叫"对抗训练"的策略——一个生成器负责放大图片，一个判别器负责判断"这图是不是真的"，两个网络互相对抗，最后生成器练出来的放大效果就非常逼真。

支持 2x、4x 放大，不只是拉伸像素，而是真正"脑补"出纹理细节。

Inpainting（图像修复）

传统去水印的做法是"周围像素糊过来"，效果生硬。AI inpainting 的思路不一样——它理解整张图的语义，知道这里是"背景"、那里是"衣服纹理"，修复的时候不是简单糊弄，而是根据上下文生成合理的内容。

今天用两个方案：

• OpenCV 的inpaint：轻量快速，适合简单去瑕疵
• LaMa（Large Mask Inpainting）：效果更好，适合复杂场景去水印

风格迁移（Style Transfer）

把一张照片变成梵高星空风格、水彩画风、素描风……原理不复杂：用卷积神经网络分别提取"内容图"的内容特征和"风格图"的纹理特征，然后把两者融合。

先用 PIL 的滤镜做轻量级的素描/油画效果（零依赖、秒出结果），再介绍怎么用预训练模型做更炫的风格迁移。

环境准备

pipinstallopencv-python-headless numpy Pillow realesrgan basicsr tqdm

Real-ESRGAN 依赖 PyTorch，如果没装过，先pip install torch torchvision（有 GPU 的话装 CUDA 版本，没有就装 CPU 版本）。

超分辨率：模糊图变清晰

importcv2importosfromrealesrgan.archs.srvgg_archimportSRVGGNetCompactfromrealesrganimportRealESRGANerfrombasicsr.utils.download_utilimportload_file_from_urldefupscale_image(input_path,output_path,scale=2):"""Real-ESRGAN 超分辨率放大（scale: 2 或 4）"""# 模型首次自动下载，之后走本地缓存model_url=("https://github.com/xinntao/Real-ESRGAN/releases/download/"f"v0.2.5.0/realesr-general-x4v3.pth")model_path=load_file_from_url(url=model_url,model_dir="models",progress=True)model=SRVGGNetCompact(num_in_ch=3,num_out_ch=3,num_feat=64,num_conv=32,upscale=4,act_type="prelu")# 有 GPU 用 GPU，没有就用 CPUdevice="cuda"ifcv2.cuda.getCudaEnabledDeviceCount()>0else"cpu"upsampler=RealESRGANer(scale=4,model_path=model_path,model=model,tile=0,tile_pad=10,pre_pad=0,half=(device=="cuda"),device=device)img=cv2.imread(input_path,cv2.IMREAD_UNCHANGED)output,_=upsampler.enhance(img,outscale=scale)os.makedirs(os.path.dirname(output_path)or".",exist_ok=True)cv2.imwrite(output_path,output)

关键参数说明：

模型首次运行会从 Real-ESRGAN 官方仓库 的 releases 页面 自动下载，之后走本地缓存。

运行效果（本机实测）：拿一张 900×600 的图先缩小 4 倍再放大回原尺寸，模拟出"糊成一团"的废片，再用 Real-ESRGAN 4x 超分——模糊的 900×600 直接变成清晰的 3600×2400：

!在这里插入图片描述

!在这里插入图片描述

两张图对比着看，超分后文字边缘、纹理细节明显变实了，这就是对抗训练练出来的放大效果。CPU 跑这一张大约十几秒，有 GPU 会快一个量级。

📐 原图尺寸: 900x600 ✅ 超分完成: super.jpg（4x 放大 -> 3600x2400）

去水印 / 去瑕疵

方案 A：OpenCV inpaint（轻量级，秒出结果）

importcv2importnumpyasnpdefremove_watermark_opencv(input_path,mask_path,output_path,method="telea"):""" 用 OpenCV 的 inpaint 去除水印/瑕疵 :param input_path: 原图路径 :param mask_path: 水印区域的 mask 图片路径（白色=要去除的区域） :param output_path: 输出路径 :param method: 'telea' 或 'ns'（两种修复算法） """img=cv2.imread(input_path)mask=cv2.imread(mask_path,cv2.IMREAD_GRAYSCALE)ifimgisNoneormaskisNone:raiseFileNotFoundError("图片或 mask 文件不存在")# 二值化 mask：确保是黑白分明_,mask=cv2.threshold(mask,127,255,cv2.THRESH_BINARY)# 选择修复算法ifmethod=="telea":result=cv2.inpaint(img,mask,inpaintRadius=5,flags=cv2.INPAINT_TELEA)else:result=cv2.inpaint(img,mask,inpaintRadius=5,flags=cv2.INPAINT_NS)cv2.imwrite(output_path,result)print(f"✅ OpenCV inpaint 完成:{output_path}")

mask 怎么搞？用画图工具把水印区域涂白，其他地方涂黑，保存为 PNG 就行。下面给一个自动生成 mask 的偷懒方案。

方案 B：没有 mask？用颜色阈值自动生成

defauto_mask_by_color(input_path,output_path,lower_color=(200,200,200),upper_color=(255,255,255)):""" 自动检测白色/浅色水印区域并生成 mask，然后修复 适合半透明白色水印场景 """img=cv2.imread(input_path)# 转换到 HSV 色彩空间，更容易区分水印hsv=cv2.cvtColor(img,cv2.COLOR_BGR2HSV)# 根据颜色范围生成 masklower=np.array([0,0,lower_color[0]],dtype=np.uint8)upper=np.array([180,40,upper_color[0]],dtype=np.uint8)mask=cv2.inRange(hsv,lower,upper)# 形态学操作：膨胀 mask，让修复范围稍微大一点kernel=np.ones((5,5),np.uint8)mask=cv2.dilate(mask,kernel,iterations=2)# inpaint 修复result=cv2.inpaint(img,mask,inpaintRadius=7,flags=cv2.INPAINT_TELEA)cv2.imwrite(output_path,result)print(f"✅ 自动去水印完成:{output_path}")# 使用示例# auto_mask_by_color("photo_with_watermark.jpg", "photo_clean.jpg")

用自动阈值方案处理的效果（左为带白色水印的原图，右为修复后）：

!在这里插入图片描述

!在这里插入图片描述

OpenCV 的 Inpaint 文档在 OpenCV 官方文档（Inpainting） ，想用效果更强的 LaMa 模型可以参考 GitHub 仓库 advimman/lama 。

风格迁移：照片变油画 / 素描 / 水彩

先来个零门槛版本——用 PIL 滤镜，不需要任何模型下载：

fromPILimportImage,ImageFilter,ImageOps,ImageEnhancedefapply_artistic_style(input_path,output_path,style="sketch"):"""PIL 滤镜实现艺术风格：sketch 素描 / oil 油画 / edge 线稿（watercolor、emboss 同套路）"""img=Image.open(input_path)ifstyle=="sketch":# 素描：灰度 + 反色 + 高斯模糊 + 颜色减淡混合gray=ImageOps.grayscale(img)blurred=ImageOps.invert(gray).filter(ImageFilter.GaussianBlur(radius=12))result=ImageOps.grayscale(Image.composite(gray,blurred,blurred))elifstyle=="oil":# 油画：平滑 + 锐化 + 增强饱和度result=ImageEnhance.Color(img.filter(ImageFilter.SMOOTH_MORE).filter(ImageFilter.SHARPEN)).enhance(1.5)elifstyle=="edge":# 线稿：白底黑线result=ImageOps.invert(ImageOps.grayscale(img.filter(ImageFilter.FIND_EDGES)))else:raiseValueError(f"不支持的风格:{style}")result.save(output_path)

PIL / Pillow 文档：Pillow 官方文档

用同一张测试图跑这五种风格的效果：

!在这里插入图片描述

!在这里插入图片描述

!在这里插入图片描述

!在这里插入图片描述
!在这里插入图片描述

批量处理：一次 100 张，带进度条

前面都是单张处理，实际工作中谁一张张搞？下面这个脚本一次处理 100 张图，带进度条：

importosimportglobfromtqdmimporttqdmfromPILimportImagedefbatch_process_images(input_dir,output_dir,style="oil"):"""批量处理目录下所有图片风格（完整代码见配套 day02.py）"""os.makedirs(output_dir,exist_ok=True)patterns=["*.jpg","*.jpeg","*.png","*.bmp","*.webp"]image_files=[fforpinpatternsforfinglob.glob(os.path.join(input_dir,p))]forimg_pathintqdm(image_files,desc=f"处理中({style})",ncols=80):name,ext=os.path.splitext(os.path.basename(img_path))apply_artistic_style(img_path,os.path.join(output_dir,f"{name}_{style}{ext}"),style=style)defbatch_upscale(input_dir,output_dir,scale=2):"""批量超分辨率放大"""os.makedirs(output_dir,exist_ok=True)patterns=["*.jpg","*.jpeg","*.png","*.bmp"]image_files=[fforpinpatternsforfinglob.glob(os.path.join(input_dir,p))]forimg_pathintqdm(image_files,desc=f"超分({scale}x)",ncols=80):name,ext=os.path.splitext(os.path.basename(img_path))upscale_image(img_path,os.path.join(output_dir,f"{name}_{scale}x{ext}"),scale=scale)# 示例：batch_process_images("./raw_photos", "./output_oil", style="oil")# 示例：batch_upscale("./blurry_photos", "./clear_photos", scale=2)

配套脚本day02_image_enhance.py里还多提供了batch_auto_watermark()（批量去水印）和old_photo_restore()（老照片修复流水线）两个函数，tqdm 进度条来自 GitHub 仓库 tqdm/tqdm 。

演示运行日志（含风格迁移、自动去水印与批量处理输出）：

!在这里插入图片描述

GPU 加速提示：

费用

本篇用到的工具全部开源免费：Real-ESRGAN（Apache 2.0）、OpenCV（Apache 2.0）、PIL/Pillow（HPND 许可）、LaMa（Apache 2.0）、tqdm（MIT），总成本 ¥0。

唯一可能的成本：如果用 GPU 云服务器跑超分，按量计费大概几毛钱处理 1000 张；本地有显卡的话，完全免费。

自己动手改

三个由易到难的改造方向：

1. 入门题：给批量处理脚本加一个"输入分辨率限制"功能——如果原图已经大于 1920x1080，就跳过超分，避免浪费算力。

2. 进阶题：写一个"老照片修复流水线"——先超分放大 → 再自动去黄（调整白平衡）→ 最后锐化，三步串起来处理一张图。配套脚本的old_photo_restore()就是这个思路的参考答案。

3. 挑战题：实现一个"智能去水印"——先用颜色检测找到水印区域，再用形态学操作优化 mask 边缘，最后用 inpaint 修复。对比不同inpaintRadius值的效果差异。

注:因家人住院，在手机上存稿没把图片保存下来，回家后会把图片重新上传修改后再发表一次的