2、Gamma校正基础：Gamma校正的典型应用场景

聊Gamma校正，咱们得先搞清楚一个事儿——它到底在哪儿用？

说实话，我刚开始接触Gamma时也觉得这玩意儿挺玄乎。后来做项目做多了才发现，Gamma校正其实无处不在。你每天看的显示器、拍的照片、修图的软件，背后都有Gamma在默默工作。

2.1 显示器：Gamma校正最经典的战场

先说说显示器。这是Gamma校正最典型的应用场景，也是我最早踩坑的地方。

你想想看，显示器是电子设备，它发光靠的是电压驱动。但问题是，电压和亮度之间不是线性关系。简单说，你给显示器输入50%的信号，它不会输出50%的亮度，而是大概只有20%左右。这就是显示器的「原生Gamma」，通常在2.2左右。

我记得有一次做项目，客户说屏幕颜色不对。我查了半天，最后发现是Gamma值设成了1.0。说白了，就是没做校正。结果暗部细节全丢了，亮部又过曝。嗯，从那以后我每次调显示器都会先确认Gamma值。

常见的显示器Gamma标准：

应用场景	Gamma值	说明
Windows系统	2.2	sRGB标准，最常用
Mac系统	1.8	早期标准，现在也逐渐转向2.2
影视后期	2.4	DCI-P3标准，暗部细节更丰富
医疗影像	2.2-2.4	DICOM标准，要求极高

2.2 摄影：从拍摄到输出的Gamma之旅

摄影领域，Gamma校正更是绕不开的话题。你拍一张照片，从相机传感器到最终显示，中间经历了多次Gamma变换。

为什么会这样？因为人眼对亮度的感知也是非线性的。我们天生对暗部更敏感，对亮部相对迟钝。相机厂商利用这个特性，在RAW格式转换时就会做一次Gamma校正，把更多的数据位分配给暗部。

我举个例子你就明白了：

# 模拟相机传感器的线性数据
linear_data = [0, 50, 100, 150, 200, 255]

# 应用Gamma 2.2校正
gamma = 2.2
corrected_data = [int(255 * (x/255) ** (1/gamma)) for x in linear_data]

print("原始数据:", linear_data)
print("校正后:", corrected_data)
# 输出: 原始数据: [0, 50, 100, 150, 200, 255]
#       校正后: [0, 118, 168, 206, 233, 255]

看到没？校正后暗部（50→118）被大幅提亮了，而亮部变化不大。这就是为什么你拍的RAW照片看起来「灰灰的」——它其实是在保留暗部细节。

2.3 图像处理：Gamma校正的隐藏技能

图像处理这块，Gamma校正的应用更灵活。说白了，它就是个「亮度调节器」，但比直接调亮度要精细得多。

我常用的几个场景：

• 对比度增强：Gamma < 1 时，暗部被提亮，整体对比度降低；Gamma > 1 时，暗部被压暗，对比度增强
• 色彩校正：不同色彩通道单独做Gamma校正，可以调整色偏
• HDR合成：多张不同曝光照片合成时，Gamma校正用于统一亮度范围

给你看个实际代码：

import numpy as np
import cv2

def gamma_correction(image, gamma=1.0):
    """
    对图像做Gamma校正
    gamma < 1: 提亮暗部
    gamma > 1: 压暗暗部
    gamma = 1: 不做变化
    """
    # 归一化到0-1
    normalized = image / 255.0
    # 应用Gamma变换
    corrected = np.power(normalized, gamma)
    # 还原到0-255
    return (corrected * 255).astype(np.uint8)

# 读取图像
img = cv2.imread('input.jpg')
# 提亮暗部
bright = gamma_correction(img, gamma=0.5)
# 增强对比度
contrast = gamma_correction(img, gamma=2.0)

2.4 三个场景的对比总结

说了这么多，咱们来捋一捋：

应用场景	Gamma作用	典型值	我的建议
显示器	补偿硬件非线性	2.2	校准后再使用
摄影	保留暗部细节	2.2-2.4	RAW格式拍摄
图像处理	精细调节亮度	0.5-2.0	分通道处理

你想想看，这三个场景其实都围绕一个核心——人眼和设备的感知差异。Gamma校正就是这座桥梁，把物理世界的线性信号，转换成我们看起来舒服的样子。