图片修复基本原理： 我们自己标定噪声的特征，然后根据噪声周围区域的颜色特征修复噪声所在的区域。通俗一点就是用邻近的像素替换那些坏标记，使其看起来像是邻居。

如下图，需要将白色框框去掉：

        

标定噪声特征

先分析白色框框特征，白色区域的值大概处于[240， 240, 240]~[255, 255, 255]之间 图片中其他区域很少有这么高的像素值 所以我们可以把这个白色区域提取出来 表示为前景区域 然后对其膨胀
opencv给我们提供了一个api ,用cv2.inRange进行二值化处理，cv2.inRange 用法如下
 

把 low-up之间的值变为255 以外的值变成0 
结果如下：

扩展噪声区域 优化处理效果

cv2.dliate

图像修复

直接用opencv的api cv2.inpaint函数 用法如下：
就是在原图基础上 把mask中前景区域部分的图像根据 flags指定的方法 进行修复

结果：
 

总的来说 这玩意主要是靠opencv里面cv2.inpaint这个函数实现.

代码

代码如下

# 图片修复import cv2
import numpy as nppath = "./6t.jpg"img = cv2.imread(path)
hight, width, depth = img.shape[0:3]# 图片二值化处理，把[240, 240, 240]~[255, 255, 255]以外的颜色变成0
thresh = cv2.inRange(img, np.array([240, 240, 240]), np.array([255, 255, 255]))
cv2.imshow("2", thresh)
# 创建形状和尺寸的结构元素
kernel = np.ones((5, 5), np.uint8)# 扩张待修复区域
# dliate参数：原图 内核 腐蚀次数
hi_mask = cv2.dilate(thresh, kernel, iterations=1)
cv2.imshow("3", hi_mask)
# inpaint
specular = cv2.inpaint(img, hi_mask, 5, flags=cv2.INPAINT_TELEA)cv2.namedWindow("Image", 0)
cv2.imshow("Image", img)cv2.namedWindow("newImage", 0)
cv2.imshow("newImage", specular)
cv2.waitKey(0)
cv2.destroyAllWindows()