1、伽马校正基础：什么是伽马校正？人眼视觉特性与伽马曲线
说到伽马校正，很多刚入行的朋友第一反应就是「调个亮度参数」。其实没那么简单。我个人习惯把伽马校正理解为——一种针对人眼非线性的「翻译器」。
你想想看，我们每天用的显示器、手机屏，它们显示的亮度变化，跟人眼感知到的亮度变化，根本不是一回事。这就是伽马校正存在的根本原因。
人眼视觉特性：为什么我们需要伽马？
人眼对暗部细节特别敏感，对亮部变化却比较迟钝。这是几百万年进化出来的生存本能——在昏暗环境里看清猎物或危险。
举个例子：
- 亮度从 0 提升到 0.1，人眼会觉得「哇，亮了好多」
- 亮度从 0.9 提升到 1.0，人眼会觉得「嗯？好像没变化？」
说白了，人眼的响应曲线是对数型的，而物理设备的亮度输出是线性的。这两者之间，天然就存在一个「翻译鸿沟」。
核心概念：伽马校正就是用一个幂函数（指数为 1/γ）对输入信号进行预扭曲，抵消显示设备本身的伽马特性（指数为 γ），最终让用户看到「线性感知」的图像。
伽马曲线的数学本质
公式其实很简单：
V_out = V_in ^ (1/γ)其中：
- V_in：输入的像素值（归一化到 0~1）
- γ：伽马值（通常为 2.2）
- V_out：校正后的输出值
显示设备收到 V_out 后，会再做一次 V_display = V_out ^ γ。最终效果就是 V_display = V_in，完美还原。
我的经验：我在做 HDR 显示项目时，发现很多团队直接把 sRGB 的伽马 2.2 套到所有场景上。结果暗部细节全丢了。后来我改用分段伽马曲线——暗部用 2.4，亮部用 2.0，效果立竿见影。
标准伽马值对比表
| 应用场景 | 标准伽马值 | 说明 |
|---|---|---|
| sRGB / 普通显示器 | 2.2 | 最广泛的标准，Windows / Web 默认 |
| Mac 传统显示器 | 1.8 | 早期 Mac 标准，现在已逐渐弃用 |
| BT.1886（电视广播） | 2.4 | 暗室环境下的电视标准 |
| DCI-P3（数字影院） | 2.6 | 影院投影系统标准 |
| HDR（PQ / ST.2084） | 分段曲线 | 非固定伽马，使用感知量化曲线 |
避坑指南：我曾经在一个跨平台项目中，Windows 端用了 2.2，macOS 端用了 1.8，结果同一张图在两边看起来完全不一样。后来统一用 sRGB 标准 + 色彩管理配置文件才解决。记住：伽马值不一致，就是灾难的开始。
伽马校正的完整流程
下面这张图展示了从拍摄到显示的全链路伽马处理过程：
实际编码中的伽马校正
在 Python 里实现伽马校正，其实就几行代码。我习惯用 NumPy 做批量处理：
import numpy as np
import cv2
def gamma_correction(image, gamma=2.2):
"""
对图像进行伽马校正
image: 输入图像 (0-255, uint8)
gamma: 目标伽马值，默认 2.2
"""
# 归一化到 0~1
normalized = image / 255.0
# 伽马校正：V_out = V_in ^ (1/γ)
corrected = np.power(normalized, 1.0 / gamma)
# 还原到 0~255
result = np.clip(corrected * 255, 0, 255).astype(np.uint8)
return result
# 使用示例
img = cv2.imread('input.jpg')
img_gamma = gamma_correction(img, gamma=2.2)
cv2.imwrite('output.jpg', img_gamma)小技巧：处理 8-bit 图像时，可以预计算一个 256 长度的查找表（LUT），这样处理速度会快很多。我在做实时视频处理时就是这么干的——查表比 pow 快至少 10 倍。
伽马校正的常见误区
- 误区一：伽马值越大图像越亮
恰恰相反。伽马值越大，暗部压缩越厉害，图像整体会变暗。我见过有人把伽马调到 3.0 想提亮，结果画面黑成一团。
- 误区二：所有设备都用 2.2
手机屏幕、专业显示器、投影仪，它们的原生伽马值都不一样。我曾经在投影仪上直接套 2.2，结果暗部细节全没了——后来查手册才知道那台投影仪原生伽马是 2.5。
- 误区三：伽马校正 = 亮度调整
亮度调整是整体加减，伽马校正是非线性映射。两者完全不是一回事。用亮度调整代替伽马校正，暗部和亮部的细节会同时丢失。
总结一下
伽马校正不是什么高深理论，它就是一座桥——连接物理设备的线性输出和人眼的非线性感知。记住三个关键点：
- 为什么做：人眼对暗部更敏感，需要非线性映射来均衡视觉感知
- 怎么做：用 V_out = V_in ^ (1/γ) 预扭曲，设备再用 V_display = V_out ^ γ 还原
- 注意什么：不同场景用不同伽马值，别一刀切用 2.2
嗯，这一节就到这里。伽马校正的数学基础打牢了，后面讲色调映射的时候你就能理解得更透彻。