第1章 Gamma校正基础

1、Gamma校正基础：什么是Gamma校正、Gamma曲线的数学原理、人眼视觉特性与Gamma的关系

Gamma校正，说白了就是给图像信号做一个「非线性拉伸」。我刚开始接触这个概念时，也觉得挺绕的——为什么好好的线性信号不用，非要搞个曲线变换？

其实原因很简单：我们的眼睛和显示设备之间，存在一个「感知不匹配」。你想想看，摄像头采集到的光线强度是线性的，但显示器发光时，电压和亮度之间却不是线性关系。这就导致了一个问题——你拍到的画面，在屏幕上显示出来，颜色和亮度都「不对味」。

Gamma校正就是用来解决这个矛盾的。它通过一个幂律变换，把线性的信号映射到非线性的空间里，让最终显示出来的画面符合人眼的感知习惯。

核心定义：Gamma校正是一种非线性操作，用于编码和解码图像的亮度值，使得显示设备的输出亮度与输入信号之间呈现幂律关系。

我在项目中遇到过这样一个坑：有一次做手机相机的图像处理流水线，忘了做Gamma校正，结果拍出来的照片在屏幕上看起来灰蒙蒙的，暗部细节全丢了。后来加上Gamma校正，画面瞬间「通透」了。嗯，从那以后我再也不敢忽略这一步。

Gamma曲线的数学表达式其实很简单：

V_out = V_in ^ γ

其中：

当γ=1时，输入输出是线性关系。当γ<1时，曲线向上凸起，暗部被提亮。当γ>1时，曲线向下凹陷，暗部被压缩。

我个人的习惯是，把Gamma曲线想象成一个「亮度调节器」：

避坑指南：我曾经在调试一个HDR显示项目时，把Gamma值设成了2.8，结果画面暗部一片漆黑，亮部过曝。后来查资料才发现，标准显示器的Gamma值通常是2.2，这是经过大量人眼实验得出的最优值。

为什么是2.2？这里有个历史原因。早期的CRT显示器，其电压-亮度响应曲线天然就是γ≈2.5的幂律。后来为了统一标准，ITU-R BT.1886规范把显示Gamma定为2.4，而sRGB标准则采用2.2。说白了，2.2是一个「折中值」——既考虑了人眼特性，又兼容了历史设备。

人眼对亮度的感知，不是线性的。你想想看，在暗光环境下，人眼对亮度变化非常敏感；但在亮光环境下，同样的亮度变化，人眼却感觉不明显。这就是著名的韦伯-费希纳定律：人眼感知的亮度与物理亮度的对数成正比。

换句话说，人眼是一个「非线性传感器」。它更擅长分辨暗部的细节，而对亮部的变化相对迟钝。Gamma校正正好利用了这一点——它把更多的编码资源分配给了人眼敏感的暗部区域。

我记得有一次在优化图像压缩算法时，发现如果不做Gamma校正，直接用8位整数编码线性亮度，暗部会出现明显的「条带效应」。为什么？因为暗部区域人眼太敏感了，而线性编码在暗部只有很少的量化级数。加上Gamma校正后，暗部的量化级数增加了好几倍，条带问题迎刃而解。

注意：Gamma校正不是万能的。如果Gamma值选得不对，反而会引入新的问题。比如γ值过大，暗部细节会被过度压缩，出现「死黑」；γ值过小，画面会发白，对比度不足。我建议在实际项目中，先用标准值（2.2）起步，再根据具体场景微调。

Gamma校正的应用场景非常广泛，我简单列几个常见的：

这里有个容易踩的坑：很多图像处理库默认输入输出都是sRGB空间（即已经做过Gamma编码）。如果你直接在线性空间做处理，结果会完全不对。我个人的习惯是，在处理前先明确当前图像的色彩空间，必要时做线性化转换。

一句话总结：Gamma校正的本质，是用人眼友好的方式编码亮度信息。它牺牲了亮部的精度，换来了暗部更丰富的细节表现。这个「取舍」，正是Gamma校正的精髓所在。

好了，这一章的内容就到这里。下一章我们会深入讨论Gamma校正的具体实现方法，包括如何在Python中做Gamma变换、如何选择合适的Gamma值，以及一些实战中的调试技巧。到时候我会分享一些我踩过的坑，希望能帮你少走弯路。