Gamma校正实战：图像读取与显示

好，咱们直接进入正题。Gamma校正，说白了就是调整图像亮度的「魔法参数」。我刚开始接触图像处理时，总觉得这玩意儿玄乎——不就是调亮调暗吗？后来在项目中吃过亏才明白，这里面门道深着呢。

这一章，咱们从最基础的图像读取开始，一步步把Gamma校正的实战流程走通。你跟着我敲一遍代码，保证能上手。

图像读取与显示：别小看这一步

很多新手一上来就调Gamma，结果发现图像读出来就是错的。嗯，这里要注意：OpenCV默认读的是BGR格式，不是RGB。我当年第一次做Gamma校正，直接拿BGR数据算，出来的效果惨不忍睹。

先看代码：

import cv2
import numpy as np
import matplotlib.pyplot as plt

# 读取图像
img = cv2.imread('example.jpg')
# 转成RGB
img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

# 显示
plt.figure(figsize=(8, 4))
plt.subplot(1, 2, 1)
plt.imshow(img)
plt.title('BGR格式（错误显示）')

plt.subplot(1, 2, 2)
plt.imshow(img_rgb)
plt.title('RGB格式（正确显示）')
plt.show()
⚠️ 避坑指南： 我曾经因为没做格式转换，在项目汇报时展示的图像颜色全偏蓝，被领导当场质疑专业能力。记住：OpenCV读图后，第一件事就是转RGB。

编写Gamma校正函数

Gamma校正的核心公式很简单：O = I ^ (1 / gamma)。但直接套公式会出问题——图像数据是0-255的整数，得先归一化到0-1之间。

我个人习惯这样写：

def gamma_correction(img, gamma=1.0):
    """
    Gamma校正函数
    :param img: 输入图像 (uint8)
    :param gamma: Gamma值，默认1.0（无变化）
    :return: 校正后的图像
    """
    # 归一化到[0, 1]
    normalized = img / 255.0
    # 应用Gamma变换
    corrected = np.power(normalized, 1.0 / gamma)
    # 还原到[0, 255]
    result = np.clip(corrected * 255, 0, 255).astype(np.uint8)
    return result

# 测试
img_test = gamma_correction(img_rgb, gamma=0.5)
plt.imshow(img_test)
plt.title('Gamma=0.5（变亮）')
plt.show()
💡 小技巧： 为什么用 1.0 / gamma 而不是直接 gamma？因为Gamma校正的数学定义是「输入信号的幂次变换」，实际应用中我们通常控制的是「显示设备的Gamma值」。你想想看，如果gamma=2.2，那校正时就要用1/2.2≈0.455。

批量处理图像：效率才是王道

做实验时，一张一张调Gamma太慢了。我建议你写个批量处理函数，一次性生成多个Gamma值的效果图。

def batch_gamma_process(img, gamma_list):
    """
    批量Gamma校正
    :param img: 输入图像
    :param gamma_list: Gamma值列表，如 [0.3, 0.5, 1.0, 2.0, 3.0]
    :return: 校正后的图像列表
    """
    results = []
    for gamma in gamma_list:
        corrected = gamma_correction(img, gamma)
        results.append(corrected)
    return results

# 使用示例
gamma_values = [0.3, 0.5, 1.0, 2.0, 3.0]
results = batch_gamma_process(img_rgb, gamma_values)

# 可视化
fig, axes = plt.subplots(1, 5, figsize=(20, 4))
for i, (gamma, result) in enumerate(zip(gamma_values, results)):
    axes[i].imshow(result)
    axes[i].set_title(f'Gamma={gamma}')
    axes[i].axis('off')
plt.show()

你看，这样一次就能看到不同Gamma值的效果对比。我在做图像增强项目时，经常用这个函数快速筛选最佳参数。

Gamma校正与直方图均衡化的对比

很多人会问：Gamma校正和直方图均衡化有什么区别？说白了，Gamma校正是「全局调整」，直方图均衡化是「局部拉伸」。

我举个例子：

方法 原理 适用场景 缺点
Gamma校正 幂次变换，调整整体亮度 曝光不足/过度 可能丢失细节
直方图均衡化 拉伸像素分布，增强对比度 对比度低的图像 可能产生噪声

直接看代码对比：

# 直方图均衡化
def hist_equalize(img):
    # 转成YUV，只对亮度通道做均衡
    img_yuv = cv2.cvtColor(img, cv2.COLOR_RGB2YUV)
    img_yuv[:, :, 0] = cv2.equalizeHist(img_yuv[:, :, 0])
    return cv2.cvtColor(img_yuv, cv2.COLOR_YUV2RGB)

# 对比
gamma_img = gamma_correction(img_rgb, gamma=0.5)
equalized_img = hist_equalize(img_rgb)

plt.figure(figsize=(12, 4))
plt.subplot(1, 3, 1)
plt.imshow(img_rgb)
plt.title('原图')

plt.subplot(1, 3, 2)
plt.imshow(gamma_img)
plt.title('Gamma校正 (0.5)')

plt.subplot(1, 3, 3)
plt.imshow(equalized_img)
plt.title('直方图均衡化')
plt.show()
🔑 核心结论： Gamma校正适合「整体亮度调整」，直方图均衡化适合「局部对比度增强」。实际项目中，我经常先做Gamma校正，再做直方图均衡化，效果往往1+1>2。

不同Gamma值的效果可视化

为了让你更直观地理解Gamma值的影响，我画了一张流程图，展示Gamma校正的核心逻辑：

输入图像 Gamma校正 O = I ^ (1/γ) 归一化 → 幂次 → 还原 Gamma值选择 γ < 1：变亮 γ > 1：变暗 校正结果 Gamma校正核心流程 图：Gamma校正的输入→处理→输出流程，关键参数是Gamma值

最后，咱们用一组实际效果图来收尾。我建议你运行下面这段代码，看看不同Gamma值对同一张图的影响：

# 生成Gamma值从0.2到3.0的渐变效果
gamma_range = np.linspace(0.2, 3.0, 8)
results = batch_gamma_process(img_rgb, gamma_range)

fig, axes = plt.subplots(2, 4, figsize=(16, 8))
for i, (gamma, result) in enumerate(zip(gamma_range, results)):
    row, col = divmod(i, 4)
    axes[row, col].imshow(result)
    axes[row, col].set_title(f'Gamma={gamma:.1f}')
    axes[row, col].axis('off')
plt.tight_layout()
plt.show()
💡 实战建议： 我个人习惯用Gamma=0.5-0.8处理暗光照片，用Gamma=1.5-2.0处理过曝照片。但具体数值还是要根据图像内容微调——没有万能参数，只有不断试错。

好了，这一章的内容就到这里。Gamma校正看似简单，但用好了能解决很多实际问题。下一章咱们聊聊更高级的「自适应Gamma校正」，到时候你会看到，同样的原理，换个思路就能玩出新花样。

公众号:蓝海资料掘金营，微信deep3321

← 上一章 📖 返回目录 下一章 →