第1章：Gamma校正与图像风格调优实战
1.1 什么是Gamma校正？
Gamma校正，说白了就是调整图像亮度的非线性操作。我刚开始接触这个概念时，觉得它不就是调亮调暗嘛，有什么好学的？后来做项目时才发现，这里面门道可不少。
人眼对亮度的感知不是线性的。你想想看，在暗处我们能分辨出细微的亮度变化，但在亮处就迟钝多了。而摄像头、显示器这些设备，它们记录和显示亮度时却是线性的。这就产生了矛盾——设备记录的图像，在我们看来总是不太对劲。
Gamma校正就是用来解决这个矛盾的。它用一个简单的幂函数，把图像亮度重新映射一遍，让最终效果符合人眼的感知习惯。
核心公式：
输出 = 输入 ^ (1 / Gamma)
其中输入和输出都归一化到 [0, 1] 区间
1.2 Gamma校正的数学公式详解
公式看起来简单，但每个细节都有讲究。我习惯把Gamma校正分成两步来理解：
- 归一化：把像素值从 [0, 255] 映射到 [0, 1]
- 幂运算：对每个像素做指数运算
- 反归一化：把结果映射回 [0, 255]
完整的数学表达式是这样的：
V_out = 255 * (V_in / 255) ^ (1 / Gamma)这里有个坑，我曾经踩过——Gamma值到底是取倒数还是直接使用？不同资料里定义不一样。我个人习惯统一用 1/Gamma 作为指数，这样Gamma值越大，图像越暗，逻辑上更直观。
1.3 Gamma值小于1与大于1的效果差异
这是Gamma校正最核心的部分。我直接说结论：
| Gamma值 | 效果 | 应用场景 |
|---|---|---|
| Gamma < 1 | 图像变亮，暗部细节增强 | 暗光照片、监控画面 |
| Gamma = 1 | 无变化 | 线性映射，不做校正 |
| Gamma > 1 | 图像变暗，亮部细节增强 | 过曝照片、HDR处理 |
为什么会这样？你想想看，当Gamma小于1时，指数 1/Gamma 大于1，暗部像素被放大得更明显。反之，Gamma大于1时，指数小于1，亮部像素被压缩得更厉害。
我记得有一次做监控图像增强，画面太暗什么都看不清。我试了各种方法都不行，最后用Gamma=0.4一调，暗部细节全出来了。嗯，这就是Gamma校正的威力。
1.4 Gamma校正的Python实现（使用NumPy）
用NumPy实现Gamma校正，代码非常简洁。我一般这么写：
import numpy as np
import cv2
def gamma_correction_numpy(image, gamma=1.0):
"""
使用NumPy实现Gamma校正
image: 输入图像 (uint8类型)
gamma: Gamma值
"""
# 归一化到 [0, 1]
normalized = image / 255.0
# 幂运算
corrected = np.power(normalized, 1.0 / gamma)
# 反归一化并转回 uint8
result = np.clip(corrected * 255, 0, 255).astype(np.uint8)
return result
# 使用示例
img = cv2.imread('input.jpg')
bright_img = gamma_correction_numpy(img, gamma=0.5) # 变亮
dark_img = gamma_correction_numpy(img, gamma=2.0) # 变暗小技巧：用 np.clip 防止溢出，这是很多新手容易忽略的。我曾经就因为没做裁剪，结果图像出现了奇怪的条纹。
1.5 Gamma校正的OpenCV实现（cv2.LUT查找表）
用NumPy逐像素计算虽然直观，但效率不高。对于实时处理，我推荐用OpenCV的查找表（LUT）方法。说白了就是提前算好所有可能的映射值，然后直接查表，速度能快几十倍。
import cv2
import numpy as np
def gamma_correction_lut(image, gamma=1.0):
"""
使用OpenCV LUT实现Gamma校正
image: 输入图像 (uint8类型)
gamma: Gamma值
"""
# 创建查找表
inv_gamma = 1.0 / gamma
table = np.array([
((i / 255.0) ** inv_gamma) * 255
for i in range(256)
]).astype(np.uint8)
# 应用查找表
return cv2.LUT(image, table)
# 使用示例
img = cv2.imread('input.jpg')
result = gamma_correction_lut(img, gamma=0.5)注意：LUT方法只适用于8位图像。如果是16位或浮点图像，还是得用NumPy逐像素处理。我遇到过有人把16位图像直接套LUT，结果全黑了——因为查找表只有256个值，根本不够用。
1.6 本章知识体系
下面这张图展示了Gamma校正的核心逻辑，我画出来方便你理解：
1.7 避坑指南
做Gamma校正时，有几个坑我反复踩过，分享给你：
- 数据类型问题：NumPy计算时一定要用浮点数，否则整数除法会让你怀疑人生。我曾经用uint8直接算，结果全变成了0或1。
- Gamma值范围：不要用0或负数，数学上不允许。我一般限制在0.1到5.0之间。
- 多通道处理：彩色图像有三个通道，要分别处理。但注意，有些场景只需要处理亮度通道（比如YUV色彩空间），这样能避免色偏。
- 性能优化：如果处理视频流，一定要用LUT方法。我试过用NumPy逐帧处理1080p视频，帧率直接掉到个位数。
我的经验：做图像预处理时，Gamma校正往往是第一步。先调Gamma，再做其他操作（如直方图均衡化、滤波等），效果会好很多。顺序搞反了，后面怎么调都别扭。
好了，Gamma校正的核心内容就这些。公式不复杂，实现也不难，但用好了能解决很多实际问题。下次你遇到图像过暗或过亮时，不妨先试试Gamma校正——说不定就搞定了。