一、Gamma校正入门

什么是Gamma校正

Gamma校正，说白了就是给图像的亮度做个「非线性映射」。你可能会问：为什么要做这种映射？嗯，这得从人眼的感知特性说起。

我刚开始接触图像处理时，总觉得Gamma校正是个很玄乎的东西。后来在做一个显示器校准项目时，才真正理解了它的价值。简单来说，Gamma校正就是调整图像的中间调——让暗部更暗、亮部更亮，或者反过来。

举个例子：你拍了一张照片，在电脑上看觉得还行，但打印出来发现暗部一片漆黑。这就是典型的Gamma问题。显示器是发光设备，打印是反射设备，两者的Gamma特性完全不同。

Gamma校正的数学原理

数学上其实很简单。就是一个幂函数：

# Gamma校正的数学表达
V_out = V_in ^ gamma

# 实际应用中，通常归一化到[0,1]区间
# gamma < 1：提亮暗部（压缩暗部，拉伸亮部）
# gamma > 1：压暗暗部（拉伸暗部，压缩亮部）
# gamma = 1：线性，不做任何改变

我习惯把Gamma曲线想象成一根橡皮筋。当γ<1时，相当于把暗部区域「拉宽」，让更多细节显现出来。当γ>1时，则是把亮部区域「拉宽」。

举个例子：

输入值	γ=0.5	γ=1.0	γ=2.2
0.1	0.316	0.1	0.006
0.3	0.548	0.3	0.083
0.5	0.707	0.5	0.218
0.7	0.837	0.7	0.471
0.9	0.949	0.9	0.802

你看，γ=0.5时，0.1的输入变成了0.316，暗部被大幅提亮。而γ=2.2时，0.1几乎变成了0，暗部更暗了。

Gamma曲线与人类视觉感知的关系

为什么人眼需要Gamma校正？这得从人眼的生理结构说起。

人眼对亮度的感知不是线性的。你想想看，在暗处时，我们对微弱的光线变化特别敏感。但在亮处时，同样的亮度变化我们却感觉不明显。这就是韦伯-费希纳定律——人眼对亮度的感知近似于对数关系。

说白了，人眼更像一个「压缩感知器」：它把宽动态范围的物理亮度，压缩成了窄动态范围的感知亮度。

我曾经做过一个实验：让10个人在暗室中调整两个色块的亮度，直到感觉它们「亮度差一倍」。结果发现，物理亮度差4倍时，人才感觉差了一倍。这就是Gamma的生理基础。

Gamma校正的典型应用场景

1. 显示器校准

这是最常见的应用。每个显示器出厂时的Gamma值都不一样，有的偏亮，有的偏暗。校准的目的就是让显示器符合标准Gamma曲线。

我记得有一次帮朋友校准显示器，他做设计但总觉得颜色不对。一测发现Gamma值高达2.8，整个画面偏暗。校准到2.2后，他惊呼「原来我的图这么亮！」

校准步骤大致如下：

1. 测量当前显示器的Gamma曲线
2. 计算校正LUT（查找表）
3. 将LUT写入显卡或显示器
4. 验证校准结果

2. 图像增强

Gamma校正也是图像增强的利器。特别是处理欠曝或过曝的照片时。

# 用Gamma校正增强图像
import numpy as np
import cv2

def gamma_correction(img, gamma=1.0):
    # 归一化到[0,1]
    normalized = img / 255.0
    # 应用Gamma变换
    corrected = np.power(normalized, gamma)
    # 还原到[0,255]
    return (corrected * 255).astype(np.uint8)

# 欠曝照片：用γ<1提亮暗部
dark_img = cv2.imread('underexposed.jpg')
brightened = gamma_correction(dark_img, gamma=0.5)

# 过曝照片：用γ>1压暗亮部
bright_img = cv2.imread('overexposed.jpg')
darkened = gamma_correction(bright_img, gamma=2.2)

3. 摄影后期

在摄影后期中，Gamma校正是最基础也是最常用的调色工具。Lightroom、Photoshop里的「曝光度」滑块，本质上就是在调整Gamma值。

我个人的习惯是：

• 人像照片：γ ≈ 0.8-1.0，让肤色更柔和
• 风景照片：γ ≈ 1.0-1.2，保持自然对比度
• 夜景照片：γ ≈ 0.5-0.7，提亮暗部细节

但记住，这些只是起点。每张照片都有自己的「脾气」，需要微调。

知识体系总览

下面这张图展示了Gamma校正的核心知识结构：

这张图把Gamma校正拆成了三个维度：数学原理是基础，视觉感知是原因，应用场景是实践。三者缺一不可。

好了，Gamma校正的入门就讲到这里。记住三个数字：0.45（解码）、1.0（线性）、2.2（编码）。这三个值能帮你应对90%的场景。