使用Core Image实现iOS端老照片修复：噪点去除、划痕修复与色彩平衡调整

老照片修复是一项典型的图像复原任务，它要求我们同时处理多种退化因素：扫描或翻拍时产生的随机噪点、存放不当造成的物理划痕、以及由于胶片老化或曝光偏差导致的偏色。这些退化往往混合在一起，普通的高通滤波或锐化操作会放大噪声，而过度的平滑又会抹掉细节。Core Image的优势在于它不是一个简单的滤镜集合，而是一套基于GPU的链式处理管线，每个CIFilter都可以通过参数控制其响应强度，并且多个滤镜可以串联成一个原子操作组合。这意味着我们可以在一次渲染中完成从降噪到色彩重建的全部步骤，同时保持实时预览的流畅性。下面我们从三个具体的退化维度来拆解修复方案。

一、噪点去除：理解CINoiseReduction的时域抑制原理

老照片中的噪点主要来自胶片的感光颗粒和扫描仪的电子噪声。这类退化在空间域上表现为随机的亮度或色度跳变，频率分布不均匀。Core Image内置的CINoiseReduction滤镜专门处理这类问题，它的思想类似于自适应维纳滤波：先估计局部噪声等级，再对像素值进行非线性衰减，而不是简单地对整张图像做低通滤波。这意味着在噪点密集的暗部区域，平滑强度会自适应提高，而在细节丰富的亮部区域则保留锐度。

CINoiseReduction有两个关键参数：noiseLevel表示噪声强度，取值范围在0.0到1.0之间，数值越大，降噪力度越强；sharpness则控制降噪后重新恢复的清晰度，在保留细节和去噪之间起到平衡作用。实际调试时，通常先将noiseLevel从0.02开始逐步上调，每增加0.01对比一次效果，直到暗部噪点肉眼不可见为止。sharpness一般取0.3到0.6之间，如果设置得过高，会让残留噪点被锐化成颗粒状。下面的代码演示了如何创建并配置该滤镜：

let context = CIContext(options: [.useSoftwareRenderer: false])
let inputImage = CIImage(image: originalUIImage)

let noiseReduction = CIFilter(name: "CINoiseReduction")
noiseReduction?.setValue(inputImage, forKey: kCIInputImageKey)
noiseReduction?.setValue(0.06, forKey: "inputNoiseLevel")
noiseReduction?.setValue(0.45, forKey: "inputSharpness")

if let outputImage = noiseReduction?.outputImage {
    let repairedCGImage = context.createCGImage(outputImage, from: inputImage!.extent)
    let repairedImage = UIImage(cgImage: repairedCGImage!)
    // 将repairedImage显示到UIImageView上
}

需要特别说明的是，CINoiseReduction处理的是亮度噪声，并不会对彩色噪点产生理想的抑制效果。如果照片带有明显的彩色斑点，可以先用CIGaussianBlur提取低频色度分量，再使用CINoiseReduction处理亮度通道，最后用CIBlendWithMask将两个通道合并。这个组合也是很多专业修复工具的标准流程，但只需要几行Core Image代码就能完成。

二、划痕修复：利用中值滤波与混合策略清除缺陷

划痕是一种局部结构性损坏，表现为穿越图像的长条状异常像素，宽度通常不超多几个像素。中值滤波是处理这类缺陷的经典手段：它用一个邻域窗口扫描图像，取窗口内所有像素亮度的中位数替代中心像素。由于划痕像素的亮度值明显偏离周围区域，它们在排序后一般落在序列两端，不会成为中位数，因此在划痕位置，滤波器会用周围正常的像素值进行填充。Core Image提供了CIMedianFilter滤镜，它使用3x3的邻域窗口执行中值计算，可以在不显著损失边缘锐度的前提下去除细划痕。

但CIMedianFilter有一个限制：它的核大小被固定为3x3，对于较宽的划痕效果有限。对此可以采用迭代中值滤波策略，即多次应用该滤镜，每次操作后划痕会被进一步收窄。同时，为了避免整体图像被过度平滑，我们可以将修复后的图像与原始图像用CIBlendWithMask进行混合。掩模可以通过CIColorMatrix检测出亮度突变区域生成，但更简单的方式是直接使用一个带有alpha通道的原图，通过CISourceOverCompositing分层。下面是一个组合用法：

let medianFilter = CIFilter(name: "CIMedianFilter")
medianFilter?.setValue(inputImage, forKey: kCIInputImageKey)

// 应用两次中值滤波来应对稍宽的划痕
var currentImage = medianFilter?.outputImage
let secondMedian = CIFilter(name: "CIMedianFilter")
secondMedian?.setValue(currentImage, forKey: kCIInputImageKey)
currentImage = secondMedian?.outputImage

// 将修复结果与原始图混合，避免细节丢失
let blendFilter = CIFilter(name: "CIBlendWithMask")
blendFilter?.setValue(currentImage, forKey: kCIInputImageKey)
blendFilter?.setValue(inputImage, forKey: kCIInputBackgroundImage)
// mask中白色区域使用原来的图像，黑色区域使用修复结果
blendFilter?.setValue(generateScratchMaskImage(), forKey: kCIInputMaskImage)

let finalOutput = blendFilter?.outputImage

这里的关键是generateScratchMaskImage方法，它可以通过CIColorMatrix将像素与周围邻域平均值做差，再通过阈值化得到一个划痕蒙版。虽然需要一点点额外工作，但远比使用单一的降噪或模糊滤镜效果要好。另外需要注意的是，中值滤波会轻微改变图像锐度，因此在划痕修复完成后，通常要接一个CISharpenSharpen滤镜，将清晰度补偿回来。

三、色彩平衡调整：用CIColorControls和CIColorMatrix还原真实色调

老照片常见的偏色包括黄色、红色或绿色色偏，这源于胶片染色层的褪色不均匀以及不同时期胶片的光谱响应差异。色彩平衡调整本质上是一个颜色变换问题：我们需要让图像中的中性灰区域恢复等量的RGB值，同时保持高光和阴影的对比关系。Core Image里最基础的工具是CIColorControls，它能够调整亮度、对比度和饱和度。其中saturation参数对偏色修正很有用——适当地降低饱和度会淡化偏色，但过度降低会导致照片失去活力。

更精细的调整要借助CIColorMatrix，它允许我们为R、G、B三个通道分别设置乘数和偏移量。例如，为了纠正黄色偏色，我们可以在红色和绿色通道上减少偏移量，或者在蓝色通道上增加偏移量。通过调整这些系数，可以实现精确的灰平衡。同时，CIColorMatrix还可以用于实现高光阴影分区域调整。下面的代码展示了一个典型的颜色平衡流程：

// 第一步：通过CIColorControls整体调整对比度与饱和度
let colorControls = CIFilter(name: "CIColorControls")
colorControls?.setValue(inputImage, forKey: kCIInputImageKey)
colorControls?.setValue(1.05, forKey: kCIInputContrastKey)
colorControls?.setValue(0.9, forKey: kCIInputSaturationKey)
colorControls?.setValue(0.02, forKey: kCIInputBrightnessKey)

// 第二步：使用CIColorMatrix做通道级的色偏校正
let colorMatrix = CIFilter(name: "CIColorMatrix")
colorMatrix?.setValue(colorControls?.outputImage, forKey: kCIInputImageKey)

let rVector = CIVector(x: 1.0, y: 0.0, z: 0.0, w: -0.02)
let gVector = CIVector(x: 0.0, y: 1.0, z: 0.0, w: -0.01)
let bVector = CIVector(x: 0.0, y: 0.0, z: 1.0, w: 0.03)
colorMatrix?.setValue(rVector, forKey: "inputRVector")
colorMatrix?.setValue(gVector, forKey: "inputGVector")
colorMatrix?.setValue(bVector, forKey: "inputBVector")

// 输出最终色彩调整结果
let balancedImage = colorMatrix?.outputImage

在实际项目中，你可能会针对不同照片分别调试这些偏移量。一种高效的方法是将色彩矩阵做成界面上的三个滑块，让用户通过滑块调整RGB通道的偏移值。当滑动时，Core Image会实时在GPU上重算整个滤镜链，预览延迟通常在几十毫秒以内。另一个需要注意的点是，CIColorMatrix的w分量是偏移量，不是alpha通道，不要与alpha混淆。alpha通道的调整通常使用CIColorMatrix的inputAVector来完成。

四、串联滤镜链：构建一个完整的修复管线

将噪点去除、划痕修复和色彩平衡调整串联起来，关键是要注意顺序。如果先做色彩平衡，后做降噪，那么降噪过程中可能会把色彩微差当作噪点处理，产生色斑。推荐顺序是：先去噪，再修复划痕，最后做色彩调整。因为划痕修复的中值滤波会引入微量亮度偏移，先做色彩调整的话，这部分偏移会被当作正常色彩保留下来。另外，每次使用滤镜后，最好不要立刻调用context.createCGImage，而是让所有滤镜通过outputImage级联起来，最终只渲染一次。这样可以节省大量内存和GPU周期。

为了便于复用，我们可以将整个修复流程封装成一个函数。这个函数接收UIImage和参数字典，返回修复后的UIImage。在函数内部，我们创建CIContext并使用CIFilter链进行处理。需要注意的是，CIContext是重量级对象，不要在每个函数调用时都创建，应该作为单例或属性缓存。下面的代码给出了一个完整的封装示例：

class PhotoRestorer {
    private let context = CIContext(options: [.useSoftwareRenderer: false])

    func restore(_ original: UIImage,
                 noiseLevel: Float,
                 scratchStrength: Float,
                 saturation: Float,
                 contrast: Float) -> UIImage? {
        guard let inputImage = CIImage(image: original) else { return nil }

        // 1. 噪点去除
        let noise = CIFilter(name: "CINoiseReduction")
        noise?.setValue(inputImage, forKey: kCIInputImageKey)
        noise?.setValue(noiseLevel, forKey: "inputNoiseLevel")
        noise?.setValue(0.4, forKey: "inputSharpness")

        // 2. 划痕修复（多次中值滤波）
        var currentImage = noise?.outputImage
        if scratchStrength > 0.5 {
            let median = CIFilter(name: "CIMedianFilter")
            median?.setValue(currentImage, forKey: kCIInputImageKey)
            currentImage = median?.outputImage
        }

        // 3. 色彩平衡
        let controls = CIFilter(name: "CIColorControls")
        controls?.setValue(currentImage, forKey: kCIInputImageKey)
        controls?.setValue(contrast, forKey: kCIInputContrastKey)
        controls?.setValue(saturation, forKey: kCIInputSaturationKey)

        guard let outputImage = controls?.outputImage,
              let cgImage = context.createCGImage(outputImage,
                                                  from: inputImage.extent) else {
            return nil
        }
        return UIImage(cgImage: cgImage)
    }
}

在这个封装中，scratchStrength参数可以用来控制是否启用中值滤波，避免在处理本身很干净的照片时过度平滑。如果你希望对划痕位置做更精确的局部修复，可以把上面提到的蒙版生成流程也加进去，那会让管线稍微复杂，但效果也更可控。最后建议使用imageByCroppingToRect将最终输出的extent裁剪到和原图一致，因为某些CIFilter（如CIFilterWithMask）可能会扩展图像的边缘范围。

通过上述方案，你在iOS端不必依赖OpenCV或第三方图像库，就能搭建起一套完整的老照片修复工具。Core Image不仅提供了高效的GPU实现，还让滤镜之间的组合调试变得非常直观。只要理解了每个滤镜的数学意义，并对颜色通道有足够细致的感觉，你完全可以将几十年前褪色的黑白照片复原出令人惊艳的层次和质感。

Core Image老照片修复CIFilter修改时间：2026-08-26 17:11:13