企业官网建设流程全解析

简介：这份压缩包围绕壁画图像修复与损伤修复方法，整理了从Python算法脚本、模型配置文件到示例图像的全套学习材料，适合计算机视觉方向学生、文化遗产数字化研究者以及初步接触壁画修复技术的个人学习者。壁画修复通常涉及损伤诊断、数字图像处理、颜料层修复与线条重构等环节，包内代码与示例图正是围绕这些流程展开。资源共41个文件，包含14个py脚本（训练与测试脚本、网络结构、损失函数、评估指标等模块）、PyTorch相关环境配置yml/cfg、10张jpg与3张png示例图、6个zbak备份文件及说明文档，整体大小7.36MB，目录分checkpoints、edge、mask、input等，便于按代码、配置、数据分层查阅。已有180人学习下载。通过学习代码与示例，可以理解壁画破损边缘检测、线条辅助图像复原的训练流程；结合备份文件与README，还能对比不同实验版本，快速定位修改点，用于复现实验或二次开发。

1. 壁画图像修复：先分清“物理伤病”和“信息损失”

拿到一壁高清采集图，看到的不是颜料，而是时间的伤疤：裂缝贯穿菩萨面庞，起甲翘起的碎片在灯光下反白，脱落区域露出灰泥底层。文保现场的物理干预要审批、要温湿度控制、要可逆材料，周期长到以年计算；可数字化归档等不起。壁画图像修复要处理的就是这条更快的路径——在二维图像层面，把裂缝、起甲、剥落和褪色造成的“信息损失”补回来。

这个标题把问题拆成两半：图像修复技术解决“怎么补”，损伤修复方法解决“先识别哪些是真伤、按什么流程补”。两者缺一不可，掩膜错了，再好的 GAN 也只会把原作线条当成裂缝一并抹掉。适合读这篇笔记的人，是做文化遗产数字化、博物馆影像归档的图像算法工程师，或者刚进这个方向的研究生。我的核心结论先放在这：这个项目的瓶颈通常不在修复模型，而在损伤掩膜的质量和数据集构造。

2. 损伤检测先行：把裂缝和剥落区做成修复掩膜的完整流程

2.1 壁画损伤类型与掩膜标注：先把“伤”量化成像素

壁画损伤不像自然影像里的目标检测，类别少但形态差异极大。我一般把标注类型固定在四类：线性裂缝（细长、连续、有走向）、片状剥落（形状不规则、边缘有厚度感）、起甲与颜料缺失（点片状、灰泥底可见）、网状老化开裂（相互交叉的细线簇）。分类越细，后续修复策略越有针对性——线性裂缝适合窄半径扩散修复，片状剥落只有交给生成式模型才能补出底色层次。

标注工具用 LabelMe 或 CVAT 都行，输出格式没有统一标准，最后都要转成单通道掩膜，0 是完好区、255 是待修复区。这里有个常被忽略的技术点：标注时不要只勾裂缝本身，要把裂缝边缘的半脱色过渡带一起包含进去。实际影像里裂缝两侧各 1～2 像素往往已经开始粉化，只标缝心的话，修复完会留一条隐约的浅色残线。

标注完成后，把 JSON 批量转二值掩膜的脚本我放在下面，这是整个流程的起点：

# labelme_json_to_mask.py import json import numpy as np import cv2 import glob def polygons_to_mask(height, width, polygons): mask = np.zeros((height, width), dtype=np.uint8) for poly in polygons: pts = np.array(poly['points'], dtype=np.int32) cv2.fillPoly(mask, [pts], 255) # 每个多边形填充为 255 return mask for json_path in glob.glob('labels/*.json'): with open(json_path, encoding='utf-8') as f: data = json.load(f) h, w = data['imageHeight'], data['imageWidth'] polys = [s for s in data['shapes'] if s['label'] in ('crack', 'flaking', 'loss')] mask = polygons_to_mask(h, w, polys) base = json_path.split('/')[-1].replace('.json', '') cv2.imwrite(f'masks/{base}_mask.png', mask)

逻辑说明：代码读取 LabelMe 导出的 JSON，imageHeight和imageWidth是原图尺寸，shapes里存放标注多边形。fillPoly是核心操作，把所有属于损伤类的多边形在掩膜上涂白。参数说明：如果掩膜和原图分辨率不一致，要么在fillPoly前用pts * (h / data['imageHeight'])做缩放，要么直接统一用原图分辨率保存，避免后续训练时掩膜错位。

2.2 训练轻量分割模型：数据增强、损失与训练命令

壁画影像背景相对纯净，场景类别少，不需要一上来就上几十亿参数的骨干。我用 U-Net 结构或者 YOLOv8-seg 都能跑出可用的掩膜，区别在于 U-Net 更容易控制训练细节，YOLOv8-seg 适合快速起步、自带数据增强和部署链路。我的习惯是先拿 YOLOv8-seg 做一个 2～3 天的基线，确认标注质量没问题后再决定要不要换 U-Net 精调。

数据增强不能照搬 COCO 的通用配置。壁画的特点是：拍摄角度基本固定、光照受现场环境光影响、纹理以笔触和底色为主、裂缝是细长结构。随机裁剪和旋转保留，水平翻转可以开，但马赛克增强建议关掉——它会拼出跨场景的纹理交界，把裂缝走向搞乱。下面这段增强配置是用 albumentations 写的：

# augment.py import albumentations as A train_transform = A.Compose([ A.RandomCrop(512, 512, p=1.0), A.Rotate(limit=15, p=0.5, border_mode=0), A.HorizontalFlip(p=0.5), A.RandomBrightnessContrast(brightness_limit=0.15, contrast_limit=0.15, p=0.6), A.GaussNoise(var_limit=(10, 30), p=0.3), A.ElasticTransform(alpha=1.0, sigma=10, p=0.2), # 模拟壁画表面起伏，但别开太大 ])

逻辑说明：RandomCrop固定到 512×512，既能进显存又能保证裂缝在局部有小尺寸上下文。Rotate的border_mode=0是让旋转后露出的黑色区域最终被裁掉，不要用反射填充，否则会引入伪纹理。ElasticTransform开小一点，用来模拟壁画表面轻微起伏；它同时作用于图像和掩膜，所以掩膜的裂缝也会跟着弯曲，这正好让模型学会应对不平整表面。

训练命令以 YOLOv8-seg 为例，单卡 24 GB 显存可以跑 512 输入：

yolo segment train \ data=wallpainting.yaml \ model=yolov8s-seg.pt \ epochs=120 \ imgsz=512 \ batch=16 \ patience=20 \ amp=True

参数说明：patience=20是早停容忍度，壁画数据类别不均衡，后期指标波动大，早停太严格会把刚收敛的模型断掉。amp=True是混合精度，能省将近一半显存，但对裂缝这种细线结构，我建议第一个 epoch 关掉 amp 跑一次，确认 loss 能正常下降再开。batch=16是一次送入的图片数，如果只有 12 GB 显存，改成 8 并同步把imgsz降到 384。

2.3 掩膜后处理：膨胀、连通域筛选与人工复核

模型输出的掩膜是概率图，直接二值化阈值到 128 还不够。裂缝掩膜普遍存在两个毛病：细裂缝中间断裂、边缘比实际损伤窄一圈。我固定走三步：第一步用 3×3 核做一次形态学膨胀；第二步按连通域过滤掉面积小于 20 像素的噪声点，这些基本都是颜料斑点被误判；第三步做掩膜与原图的叠加预览，随机抽 20 张图人工过一遍。

# postprocess_mask.py import cv2 import numpy as np def refine_mask(prob_mask, min_area=20, dilate_iter=1): _, mask = cv2.threshold(prob_mask, 128, 255, cv2.THRESH_BINARY) kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (3, 3)) mask = cv2.dilate(mask, kernel, iterations=dilate_iter) num_labels, labels, stats, _ = cv2.connectedComponentsWithStats(mask) refined = np.zeros_like(mask) for i in range(1, num_labels): if stats[i, cv2.CC_STAT_AREA] >= min_area: refined[labels == i] = 255 return refined

逻辑说明：connectedComponentsWithStats返回每个连通域的面积统计，过滤条件放在min_area=20，只保留面积达标的裂缝块。dilate_iter=1是膨胀一圈，让掩膜覆盖裂缝边缘的过渡带。参数调法：密集网状裂缝比单一长裂缝更容易断裂，遇到网状裂缝把dilate_iter提高到 2～3，但不要超过 3，否则修复区域会侵染周围的完好笔触。

这里提醒一句：掩膜是修复模型的上游输入，它的质量直接影响最终效果。我在项目里把掩膜预览当成和模型指标同等级别的验收项，每轮训练前都抽人眼复核，而不是只看 mIoU。

3. 传统图像修复算法：用 OpenCV 把最小可用流程跑通

3.1 cv2.inpaint 的两种算子：INPAINT_TELEA 与 INPAINT_NS

传统图像修复的思路不是“生成”，而是“扩散”——把待修复区域边界上的颜色和梯度信息向内部推进。OpenCV 里封装了两种最常用的算子：INPAINT_TELEA和INPAINT_NS。TELEA 基于快速行进法，算法从掩膜边界开始，逐层向内部推进，每走一步根据已知像素的距离和方向加权估算新像素值，计算快、对细裂缝效果好。NS 基于偏微分方程，核心是保持等照度线穿过修复区域，让结构线（比如衣纹、脸廓）延续得更自然。

两种算子没有绝对的优劣，我选择的标准是看修复区域细长还是块状。线性裂缝用 TELEA，单张 6000 万像素的壁画局部，修几百条细裂缝在 CPU 上也就是秒级。片状剥落和斑驳缺失用 NS 效果更稳，因为它会尽量维持边缘结构，不会把补丁填成一片糊。代价是 NS 的迭代收敛慢、参数敏感，调不好会出现明显的涂抹痕。

参数上真正要调的是radius，它代表每个目标像素参考邻域的搜索半径。小裂缝取 3，普通剥落取 5～10；半径过大，参考范围会把不相关的纹理拉进来，修复区变糊；半径过小，边界信息不够，裂缝中间会残留暗线。遇到大面积缺失时，无论把 radius 调到多大都无法凭空造出纹理，这时候就要认清传统算法的边界，转到下面的深度方案。

3.2 裂纹修复实战：掩膜先膨胀，修复后残留线才不“复活”

最小可用的修复流程只需要三步：读原图、读掩膜、调用cv2.inpaint。但直接跑完会发现裂缝处留下了半透明的灰白色线——这是掩膜太窄导致的。裂缝边缘的颜色是渐变的，标注和分割得到的掩膜往往只覆盖了裂缝最暗的核心，两侧的半粉化地带没有被列入修复区，扩散算法只会计算掩膜内部的像素，外部残线就被留在原样。

# basic_inpaint.py import cv2 import numpy as np image = cv2.imread('wall_detail.png') raw_mask = cv2.imread('mask_crack.png', cv2.IMREAD_GRAYSCALE) kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (3, 3)) mask = cv2.dilate(raw_mask, kernel, iterations=2) # 膨胀 2 圈，覆盖过渡带 result_telea = cv2.inpaint(image, mask, inpaintRadius=3, flags=cv2.INPAINT_TELEA) result_ns = cv2.inpaint(image, mask, inpaintRadius=5, flags=cv2.INPAINT_NS) cv2.imwrite('result_telea.png', result_telea) cv2.imwrite('result_ns.png', result_ns)

逻辑说明：mask是单通道灰度图，0 表示完好、非 0 表示待修复，inpaint函数内部自动把非零像素当作掩膜区域。inpaintRadius在 TELEA 里控制邻域采样距离，在 NS 里控制扩散强度，通常先给 3 或 5，对比两版输出。参数说明：膨胀迭代次数不是越多越好，我见过把iterations调到 5、把壁画衣纹细节一并抹掉的情况。膨胀 2 圈覆盖过渡带即可，如果修复后仍看到残线，优先检查掩膜是否漏标，而不是继续加膨胀。

这里有两条并行验证的建议：输出图叠回原图，透明度 0.6 对比看边界过渡；单看裂缝走向是不是沿着原有笔触延续。传统方法对线性损伤非常可靠，但它不会创造新纹理，只能基于边界做缝合。这也是它在我项目里始终占有一席之地的原因——可解释、无幻觉、不引入原图没有的颜色。

3.3 PatchMatch 和整体变分：大面积缺失时传统方法还剩多少用武之地

TELEA 和 NS 都只能处理掩膜相对较小的病灶，一般以 5～30 像素宽为界限。遇到巴掌大的整块剥落，扩散信息不足以支撑全部内部像素，填出来的区域会变成一片平均色，肉眼可见地“糊”。这时就该上 PatchMatch 这类基于样例的方法：在已知区域搜索与边界最相似的图像块，用它们来拼接内部纹理。听起来很合理，但壁画不是纯重复纹理——每一笔都是手工的，PatchMatch 的相似块搜索很容易在补丁边缘产生接缝，或者把背景重复图案错当成笔触细节。

我在实际项目里对 PatchMatch 的定位是“复杂纹理区域的半自动引导”：先用它生成一个粗糙的填充结果，再叠加 NS 做边缘混合，填好后人工判断有没有明显的纹理错位。整体变分（Total Variation）方法则适合损伤区域内部本身是平滑过渡的壁画——比如大面积天空底色剥落，修复目标是保持颜色连续性，变分约束下的插值比直接均值填充干净得多。

# patchmatch_hybrid.py # 示意：先用 PatchMatch 粗恢复，再用 NS 混合边缘 import cv2 img = cv2.imread('wall_spall.png') mask = cv2.imread('mask_spall.png', cv2.IMREAD_GRAYSCALE) coarse = cv2.inpaint(img, mask, inpaintRadius=10, flags=cv2.INPAINT_NS) kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (7, 7)) blend_mask = cv2.GaussianBlur(mask.astype(np.float32), (0, 0), 5) result = (img.astype(np.float32) * (1 - blend_mask[..., None] / 255.0) + coarse.astype(np.float32) * (blend_mask[..., None] / 255.0)) cv2.imwrite('result_hybrid.png', result.astype(np.uint8))

逻辑说明：代码先用 NS 把大片剥落区粗填，再用高斯模糊后的掩膜作为软混合权重，让修复区域的边缘逐渐过渡到原图，避免硬边界。参数说明：blend_mask的标准差 5 是经验值，面积越大的缺失，过渡带宽要越大；标准差小时混合区窄，接缝明显，标准差大时原图信息会渗入修复区。

传统方法的价值边界很清楚：裂缝、小剥落、条状起甲，它们是首选；超过 50×50 像素的块状缺失、以及需要重新补画人物五官结构的部位，必须切到 GAN 路线。在项目早期，用传统方法先把占总数 70% 的小损伤处理掉，能大幅缩减深度模型的训练和推理压力。

4. 深度生成式修复：GAN 图像修复如何补出大块缺失的笔触

4.1 从“扩散”到“生成”：GAN 修复为什么能填出笔触

传统方法的所有局限都来自同一个本质：它只能利用边界已有信息做延展，不能“理解”壁画里菩萨衣纹的结构、底色和笔触节奏。GAN 图像修复改变了这一点。生成器接受的是整张图加掩膜，它的中间层会形成对场景语义的压缩表达——知道被挡住的区域大概率是衣纹还是背景底色，然后生成一个在语义上合理的补全结果。

常见的生成器结构是编码器-解码器加注意力模块，输入把原图和掩膜拼成四通道：RGB 加单通道 mask。关键在卷积的设计，普通卷积会把掩膜外的有效像素和掩膜内的无效像素混在一起算，导致边界区域出现颜色渗透。解决思路是用 gated convolution 或 partial convolution，让网络自己学习每个位置该信任哪些输入像素。部分实现会在瓶颈层加注意力机制，让生成区域从周围已知区域采样参考特征。

训练方式多数是自监督：拿没有损伤的高清壁画图，在随机位置生成模拟损伤掩膜，把可见部分当输入、完整图当监督目标。掩膜的形状不能只用矩形，我会混入线状、网状和不规则斑块来贴近真实损伤。只要掩膜种类够多，模型才能学到“这一块是裂缝、那一块是剥落”的区别。对大面积缺失来说，GAN 的价值在于：它能根据语义先验生成原图没有的信息，比如一片脱落的朱砂袍服，模型可以学会补出类似的衣纹走向，而不是像传统方法那样只给一片平均色。

4.2 损失函数怎么配：重构损失、感知损失与对抗损失的权重

训练 GAN 修复模型，网络结构只决定上限，损失函数决定实际效果。只用 L1 损失训练的模型输出平滑、缺少纹理，这是所有像素级重构损失的共同问题——L1/L2 对模糊解的惩罚不够大，模型会选择“各方面都差不多”的平均色来降低误差。加入对抗损失后，判别器会逼着生成器输出更锐利、更有笔触感的纹理。

我的三件套配置是：L1 重构损失（权重视掩膜大小调整，一般 1～10）、VGG 感知损失（权重 1）、LSGAN 判别器损失（权重 0.1～0.3）。感知损失不是越重越好，权重过重时模型会过度关注高层语义，把壁画的底色做旧质感抹掉。对抗损失权重过高则容易训练不稳定，输出出现彩色噪点或反复闪烁。

下面是一个简化的训练循环核心片段，注意看损失权重和掩膜融合方式：

# train_inpaint.py 核心片段 import torch import torch.nn.functional as F from torchvision.models import vgg16 criterion_l1 = torch.nn.L1Loss() vgg = vgg16(pretrained=True).features[:16].cuda().eval() l1_w, perc_w, adv_w = 10.0, 1.0, 0.2 for batch in dataloader: img, mask = batch # img: B,3,H,W; mask: B,1,H,W masked_img = img * (1 - mask) fake = generator(torch.cat([masked_img, mask], dim=1)) fake_full = img * mask + fake * (1 - mask) # 保留原位像素 l1_loss = l1_w * criterion_l1(fake_full, img) perc_loss = perc_w * (F.l1_loss(vgg(fake_full), vgg(img)) + F.l1_loss(vgg(fake), vgg(img))) / 2.0 g_loss = adv_w * criterion_lsgan(discriminator(fake_full), True) total_g = l1_loss + perc_loss + g_loss optimizer_g.zero_grad() total_g.backward() optimizer_g.step()

逻辑说明：masked_img是损伤图，mask值为 1 的区域代表缺失。生成器输出fake后，用img * mask + fake * (1 - mask)把原图完好的像素强制回填，这个操作叫 hard-pixel placement，能防止生成器改动未损伤区域。参数说明：l1_w=10是我在壁画场景下的默认值，如果训练中看到生成区域颜色漂移，把l1_w上调到 20；如果纹理过于锐利生硬，把adv_w降到 0.1。

感知损失用 VGG 的浅层特征（features[:16]，即前几个卷积块），浅层管纹理和边缘，高层管语义结构。壁画修复两个都要，但浅层的权重在代码里通过相加已经包含。训练目标是让生成区的笔触节奏接近原图，而不是让整幅图在高层语义上像原图。

4.3 训练参数表与适用边界：一张表看清三种方案的取舍

GAN 修复模型的输入不是整幅壁画，而是以损伤区域为中心裁切的局部块。我用 512×512 输入、batch 8、Adam 优化器、初始学习率 1e-4，每 10 个 epoch 衰减到 0.2 倍。16 GB 显存可以跑 512×512 加 batch 4；如果显存吃紧，降到 384×384 比减小 batch 更稳。训练数据里真实损伤图不够，就用手头高精度壁画数字底片随机擦除构造训练对，再用真实损伤掩膜做微调。

表格参数说明：选型不是先定模型，而是先量掩膜尺寸分布。如果一张壁画里 90% 的损伤都是裂缝，GAN 的边际收益并不高，传统方法足够；掩膜面积超过全图 5% 的场景，才值得投入 GAN。部署时我从不把 GAN 输出直接当最终结果，它会和传统结果并列输出，让修复师按部位选择。GAN 生成的虚构细节在文保场景里是双刃剑——对大面积底色剥落是救命稻草，对人物五官是安全隐患，这种边界必须在项目启动时就和业务方定好。

5. 避坑：壁画修复项目最常见的 5 个翻车点

5.1 掩膜比实际损伤窄一圈，修复后边缘残留白线

现象：裂缝修复完，裂缝主体消失，但两侧留有一条半透明浅色线，放大看像什么都没修过。

原因：裂缝边缘有粉化过渡带，强度渐变到背景。模型分割出的掩膜只覆盖了裂缝核心最暗的区域，扩散算法在掩膜边界停下，过渡带里的异常颜色留在原图里。

解决：后处理阶段用 3×3 或 5×5 椭圆核对掩膜做 2～3 次膨胀，把过渡带纳入修复范围。如果膨胀后把衣纹线条也吞进去，改用cv2.GaussianBlur软化掩膜边界，让修复算法在边界处渐变过渡。

5.2 训练数据全用矩形遮蔽，真实裂缝被模型当成“装饰纹”

现象：训练时 PSNR 很高，一到真实壁画上，模型把裂缝修复成原有纹饰的一部分，或者干脆把衣纹当成裂缝抹掉。

原因：自监督训练用规则矩形模拟损伤，模型只学会了“矩形去掉、背景补齐”，没有见过线状、网状的真实裂缝掩膜。上线时掩膜分布发生漂移，模型的分辨力失效。

解决：构造训练掩膜时，用程序生成线状和网状掩膜，叠加随机矩形。常见做法是画随机多边形、加噪声膨胀、再叠几条贝塞尔曲线模拟裂缝走向。这样模型从第一阶段就区分“该修的伤”和“不该动的笔触”。

5.3 感知损失权重过高，修复区泛起“塑料光泽”

现象：修复区域颜色是接近了，但表面质感像打磨过的塑料，壁画的颗粒感和做旧痕迹全部消失。

原因：VGG 感知损失计算在高层特征空间，高层特征对整体结构敏感、对微表面纹理不敏感。权重过高时，生成器发现“只要整体结构对，损失就小”，于是放弃高频细节。

解决：感知损失权重从 1.0 降到 0.3～0.5；同时加入 L1 或梯度损失，保留高频边缘。若仍然偏滑，把感知损失换成 LPIPS 并在浅层特征上加权重。

5.4 只盯 PSNR 和 SSIM，输出图像被评价指标“骗”了

现象：验证集 PSNR 从 28 dB 涨到 31 dB，肉眼观察修复区却更糊、更平，完全丢了原作质感。

原因：PSNR 和 SSIM 是像素级指标，对模糊和平均色非常宽容。生成器只要把修复区填成背景平均色，误差就不大；如果想生成笔触，微小错位反而会拉低 PSNR。指标和主观感受在壁画场景经常背离。

解决：指标改成 LPIPS 和 FID 做参考，LPIPS 衡量感知相似度、FID 衡量生成纹理分布与真实壁画的差距。人工抽样是终审环节，放大到 200% 看笔触走向和接缝。

5.5 “修旧如旧”变成“修旧如新”，底色层次被抹平

现象：大面积脱落的区域，模型补出的颜色和周围背景一致，但整体发闷，缺失了原作多层底色叠压的效果，像一块补丁。

原因：训练目标把所有缺失区域统一视为“应等于最终成图”，忽略了壁画区域本身有底色层、颜料层、罩染层的叠压关系。模型学到的是平均色，不是层次。

解决：训练时对掩膜内的残缺区域保留部分残存底色作为条件输入，让生成器在已知底色上补画表层笔触。推理时把掩膜边界外扩 2～3 像素软过渡，避免修复区与原始区域产生断层感。

6. 效果验证与工程化落地：从 PSNR 走向人工核验的进阶技巧

评价体系要分层设计：数值指标只用来拦机器可量化的回归，真正拍板的是修复师的眼睛。我用一张表固定验证口径：PSNR 看全局像素差异，LPIPS 看感知结构，FID 看纹理分布，再配一块 200% 放大的局部对比图给修复师盲评。

工程化落地上有一条我坚持的底线：GAN 推理接口必须返回修复图和掩膜，掩膜保存为 PNG 同步存档，方便追责和回滚。接口层在调用 GAN 前先算掩膜面积占比，高于 20% 的图直接拒绝自动修复，转给传统方法兜底或人工介入。这样既能控制幻觉风险，又不会让整条流程卡死。

最后分享一个我养成的检查习惯：每次训练完，先不看修复结果图，只看掩膜叠加图——如果掩膜边界没有贴着损伤走，后面补得再好都白搭。做壁画修复这几年，最大的教训不是模型选型，而是把“损伤理解”放在“损伤修复”前面。希望帮到你。

本文还有配套的精品资源，点击获取