4. Gamma校正实战：Python实现标准Gamma校正

好，咱们直接动手。前面讲了那么多Gamma的原理和数学公式，今天就用Python把它跑起来。我个人的习惯是，先搞定8位图像，再扩展到10位。因为安防监控里，10位raw数据越来越常见了。

4.1 核心思路：一个查表法搞定

Gamma校正说白了就是逐像素做幂运算：V_out = V_in ^ (1/γ)。但你要是对每个像素都调一次pow()，那效率就太低了。尤其是处理1920×1080的视频流，每秒25帧，CPU根本扛不住。

所以，实际工程里都用查表法（LUT）。先算好一张映射表，然后直接把像素值丢进去查。我在项目中遇到过，用查表法比逐像素计算快了将近20倍。

4.2 8位图像的Gamma校正

8位图像，像素值范围0~255。我们先做归一化，再查表。来看代码：

import cv2
import numpy as np

def gamma_correction_8bit(img, gamma=2.2):
    """
    标准Gamma校正，处理8位图像
    :param img: 输入图像，uint8类型
    :param gamma: Gamma值，默认2.2
    :return: 校正后的图像
    """
    # 构建查找表
    inv_gamma = 1.0 / gamma
    table = np.array([(i / 255.0) ** inv_gamma * 255 
                      for i in range(256)]).astype('uint8')
    
    # 查表映射
    return cv2.LUT(img, table)

# 读取图像
img_8bit = cv2.imread('monitor_frame.jpg', cv2.IMREAD_COLOR)
# 应用Gamma校正
corrected = gamma_correction_8bit(img_8bit, gamma=2.2)

cv2.imwrite('corrected_8bit.jpg', corrected)

嗯，这里要注意：cv2.LUT只支持uint8类型。如果你传了uint16进去，它会直接报错。我曾经在这个坑里栽过一次，调试了半天才发现是类型不匹配。

4.3 10位图像的Gamma校正

10位图像在安防领域很常见。比如海康、大华的某些工业相机，输出就是10位raw数据。像素值范围0~1023。处理逻辑一样，但查表大小变成了1024。

def gamma_correction_10bit(img, gamma=2.2):
    """
    标准Gamma校正，处理10位图像
    :param img: 输入图像，uint16类型，值范围0~1023
    :param gamma: Gamma值，默认2.2
    :return: 校正后的图像
    """
    inv_gamma = 1.0 / gamma
    # 构建1024长度的查找表
    table = np.array([(i / 1023.0) ** inv_gamma * 1023 
                      for i in range(1024)]).astype('uint16')
    
    # 手动查表，因为cv2.LUT不支持uint16
    return table[img]

# 模拟10位数据
img_10bit = np.random.randint(0, 1024, (480, 640), dtype='uint16')
corrected_10bit = gamma_correction_10bit(img_10bit, gamma=2.2)

4.4 8位 vs 10位：效果对比

为什么我要强调位深？你想想看，8位图像只有256个灰度级，暗部细节稍微拉伸一下就出现条带效应。而10位图像有1024个灰度级，暗部过渡平滑得多。

我做过一个对比实验，用同一台相机分别输出8位和10位图像，然后做相同的Gamma校正（γ=2.2）。结果如下：

说白了，10位图像在安防监控里的优势就是动态范围更大。尤其是夜间监控，暗部细节能不能看清，往往就取决于这多出来的6个比特。

4.5 不同Gamma值的视觉影响

Gamma值的选择直接影响画面风格。我整理了一张常用Gamma值的效果表：

4.6 完整流程：从8位到10位的统一封装

实际项目中，我习惯写一个统一的函数，自动判断位深并处理。这样调用起来方便，也不容易出错。

def gamma_correction(img, gamma=2.2):
    """
    通用Gamma校正，自动识别8位或10位
    :param img: 输入图像，uint8或uint16
    :param gamma: Gamma值
    :return: 校正后的图像
    """
    if img.dtype == np.uint8:
        return gamma_correction_8bit(img, gamma)
    elif img.dtype == np.uint16:
        # 判断是否为10位数据（最大值1023）
        if img.max() <= 1023:
            return gamma_correction_10bit(img, gamma)
        else:
            raise ValueError("仅支持8位或10位图像")
    else:
        raise TypeError("输入图像类型必须为uint8或uint16")

# 使用示例
img = cv2.imread('frame.png', cv2.IMREAD_UNCHANGED)
result = gamma_correction(img, gamma=2.2)

4.7 知识结构图

我把本章的核心逻辑画成了流程图，方便你理解整个处理链路：

4.8 避坑指南

最后，分享几个我踩过的坑：

• 数据类型溢出：查表时一定要用astype()转换类型。我见过有人直接用浮点数索引，结果图像变成全白。
• Gamma值范围：不要用γ<1.0或γ>4.0。太小的Gamma会让图像发白，太大则暗部完全丢失。
• 多通道处理：彩色图像有三个通道，cv2.LUT会自动逐通道映射，但手动查表时要注意保持通道维度。
• 性能瓶颈：如果处理视频流，建议在初始化时一次性生成LUT，不要在每帧都重新计算。