3、Gamma校正基础：线性空间与非线性空间的转换逻辑
好，咱们今天聊聊Gamma校正里最核心的一个概念——线性空间和非线性空间的转换。说实话，我见过不少新手在这个地方栽跟头。我自己刚入行那会儿，也曾经因为搞混了这两个空间，导致一整批渲染图颜色全偏了，被美术同事追着骂了三天。
为什么会这样？因为人眼和相机传感器，它们对亮度的感知方式完全不同。你想想看，人眼对暗部细节特别敏感，对亮部反而比较迟钝。但相机呢？它是线性记录的——亮度翻倍，信号就翻倍。这就产生了矛盾。
3.1 什么是线性空间？
线性空间，说白了就是物理世界的真实亮度关系。
假设一个像素的亮度值是0.5，那它恰好就是最亮值的一半。如果亮度从0.2变成0.4，物理上就是亮了一倍。这种关系很直观，对吧？
在计算机图形学里，线性空间通常用浮点数表示：
# 线性空间的亮度值
linear_value = 0.5 # 物理亮度为最大亮度的一半
double_brightness = linear_value * 2 # 物理亮度翻倍
嗯，这里要注意：线性空间是计算机做光照计算、混合操作时的理想环境。因为所有数学运算——加法、乘法、混合——在线性空间里都是物理正确的。
核心要点：线性空间 = 物理真实亮度。所有光照计算都应该在线性空间完成。
3.2 什么是非线性空间？
非线性空间，就是经过Gamma编码后的空间。人眼对暗部更敏感，所以我们需要把暗部的细节"撑开"，把亮部的细节"压缩"。这就是Gamma校正的由来。
典型的Gamma编码公式是这样的：
# Gamma编码（非线性化）
gamma = 2.2
nonlinear_value = linear_value ** (1/gamma)
# Gamma解码（线性化）
linear_value = nonlinear_value ** gamma
举个例子：
| 线性亮度 | 人眼感知亮度 | Gamma编码后(γ=2.2) |
|---|---|---|
| 0.0 | 0.0 | 0.0 |
| 0.1 | 约0.35 | 0.35 |
| 0.5 | 约0.73 | 0.73 |
| 1.0 | 1.0 | 1.0 |
你看，0.1的线性亮度，经过Gamma编码后变成了0.35。这意味着暗部被"拉伸"了，人眼能分辨出更多细节。
我的经验：在项目中调试Gamma时，我习惯先用一个简单的渐变条来验证。从左到右从黑到白，如果渐变看起来均匀平滑，说明Gamma校正基本正确。如果暗部出现条纹或者亮部发白，那就要检查转换逻辑了。
3.3 为什么需要转换？
你可能会问：既然线性空间物理正确，为什么还要搞非线性？
原因有两个：
- 人眼感知特性：人眼对暗部变化更敏感。如果不做Gamma编码，暗部细节会全部丢失，看起来就是一片死黑。
- 显示设备特性：CRT显示器、LCD屏幕，它们的亮度响应本身就是非线性的。输入电压和输出亮度之间呈幂律关系，大约γ=2.2。
说白了，Gamma校正就是在这两个非线性之间找一个平衡点。让编码后的图像，在显示设备上看起来和人眼感知一致。
3.4 转换逻辑详解
完整的Gamma校正流程是这样的：
# 1. 输入图像（通常是sRGB非线性空间）
input_nonlinear = load_image("photo.jpg")
# 2. 解码到线性空间（Gamma解码）
def srgb_to_linear(c):
if c <= 0.04045:
return c / 12.92
else:
return ((c + 0.055) / 1.055) ** 2.4
# 3. 在线性空间做光照计算
linear_color = input_nonlinear.apply(srgb_to_linear)
output_linear = linear_color * light_intensity # 光照计算
# 4. 编码回非线性空间（Gamma编码）
def linear_to_srgb(c):
if c <= 0.0031308:
return c * 12.92
else:
return 1.055 * (c ** (1/2.4)) - 0.055
# 5. 输出显示
output_nonlinear = output_linear.apply(linear_to_srgb)
save_image("result.jpg", output_nonlinear)
我曾经踩过的坑：有一次我直接对sRGB图像做模糊操作，结果边缘出现了奇怪的暗色光晕。原因就是没有先解码到线性空间。在非线性空间做线性运算，结果一定是错的。记住：所有数学运算都要在线性空间完成。
3.5 实际项目中的注意事项
嗯，这里有几个我总结的实用技巧：
- 使用sRGB标准：现在大部分图像和显示设备都遵循sRGB标准，它的Gamma近似2.2，但实际用的是分段函数。直接用2.2会有微小误差，但大多数场景下可以接受。
- 注意8位整数的精度：8位整数只有256个灰度级。在线性空间做运算时，暗部很容易出现量化噪声。我建议用16位浮点或32位浮点来存储中间结果。
- 纹理采样也要注意：如果纹理是sRGB格式，采样时硬件会自动做Gamma解码。但如果你手动采样，记得自己处理。
一句话总结：线性空间是计算空间，非线性空间是存储和显示空间。两者之间的转换，就是Gamma校正的核心。
好了，这一节的内容就到这里。下一节我们会聊聊Gamma校正的实际调试方法，包括如何用工具测量、如何验证校正效果。到时候我会分享一些我在项目中用过的实用脚本，保证你学了就能用上。