4. 传统增强方法（二）：伽马校正、对数变换、Retinex理论（SSR/MSR/MSRCR）

上一章我们聊了直方图均衡化那套东西。这一章，咱们继续深入几个更经典的传统方法。说实话，这些方法虽然“传统”，但在很多场景下，尤其是你手头算力有限、或者需要快速出效果的时候，它们依然非常能打。

我个人习惯把伽马校正和对数变换归为一类——它们都是像素级的非线性映射。而Retinex理论，则是另一套完全不同的思路，它试图从物理模型上把“光照”和“物体本身颜色”拆开。嗯，咱们一个一个来看。

4.1 伽马校正：不只是显示器的专利

很多人一听到伽马校正，第一反应是“哦，显示器用的”。没错，CRT显示器的亮度响应确实是非线性的，但伽马校正本身是一个极其强大的工具，用来调整图像的整体亮度感知。

它的公式很简单：

O = I ^ (1 / γ)

其中 I 是归一化到 [0,1] 的输入像素值，O 是输出，γ 是伽马值。

• γ < 1：比如 γ=0.4，相当于对暗部进行拉伸，亮部压缩。图像整体变亮，暗部细节更明显。
• γ > 1：比如 γ=2.2，相当于对亮部进行拉伸，暗部压缩。图像整体变暗，对比度看起来更高。
• γ = 1：线性映射，啥也不干。

你可能会问：“为什么不用线性拉伸？” 因为人眼对亮度的感知本身就是非线性的。伽马校正更符合人眼的视觉特性，处理后的图像看起来更“自然”。

4.1.1 代码实现

import cv2
import numpy as np

def gamma_correction(img, gamma=0.5):
    # 归一化到 [0,1]
    img_norm = img / 255.0
    # 伽马校正
    img_gamma = np.power(img_norm, 1.0 / gamma)
    # 还原到 [0,255]
    img_gamma = np.clip(img_gamma * 255, 0, 255).astype(np.uint8)
    return img_gamma

# 读取图像
img = cv2.imread('low_light.jpg')
# 应用伽马校正
result = gamma_correction(img, gamma=0.4)
cv2.imshow('Gamma Corrected', result)
cv2.waitKey(0)

4.2 对数变换：压缩动态范围的利器

对数变换和伽马校正有点像，但它的数学形式是：

O = c * log(1 + I)

它的核心作用是压缩高动态范围。你看，对数函数在输入值较小时斜率大（拉伸暗部），在输入值较大时斜率小（压缩亮部）。

这在处理大光比场景时特别有用。比如你拍了一张夜景，路灯很亮，但阴影处一片漆黑。对数变换能把路灯的亮度压下来，同时把阴影里的细节提起来。

4.2.1 代码实现

def log_transform(img, c=1.0):
    # 归一化
    img_norm = img / 255.0
    # 对数变换
    img_log = c * np.log(1 + img_norm)
    # 归一化到 [0,255]
    img_log = np.clip(img_log * 255, 0, 255).astype(np.uint8)
    return img_log

result_log = log_transform(img, c=1.2)

我个人习惯把对数变换用在预处理阶段。比如在做 3A 算法联动调优时，如果 AE（自动曝光）给出的图像整体偏暗，我会先用对数变换把暗部细节拉出来，再交给后面的 AWB（自动白平衡）和 AF（自动对焦）去处理。效果比直接调曝光参数要稳定得多。

4.3 Retinex理论：把光照和反射拆开

好了，前面两个方法都是“像素级”的操作。Retinex 理论则完全不同，它试图从物理模型出发，把图像分解成两部分：

• 光照分量 (Illumination)：场景中的光源分布，通常是低频的、平滑的。
• 反射分量 (Reflectance)：物体本身的颜色和纹理，是高频的、细节丰富的。

公式很简单：

S = R * L

其中 S 是观察到的图像，R 是反射分量，L 是光照分量。我们的目标就是估计出 L，然后去掉它，得到 R。这样就能消除光照不均的影响，把物体本来的颜色还原出来。

你想想看，这个思路是不是很优雅？它不直接去“增强”像素，而是去“恢复”物理本质。

4.3.1 SSR：单尺度Retinex

SSR（Single Scale Retinex）是最基础的版本。它的做法是：

1. 对图像做高斯模糊，得到光照分量 L 的估计。
2. 在 log 域中，用原图减去 L，得到反射分量 R。
3. 对 R 做指数变换，还原到正常范围。

公式：

R(x,y) = log(S(x,y)) - log(G(x,y) * S(x,y))

其中 G 是高斯核，* 是卷积操作。

4.3.2 MSR：多尺度Retinex

SSR 的问题在于，单一尺度无法同时兼顾细节和色彩。于是有了 MSR（Multi-Scale Retinex）。它把多个不同尺度的 SSR 结果加权平均：

R_MSR = Σ w_i * R_i

其中 R_i 是第 i 个尺度的 SSR 结果，w_i 是权重，通常取等权。

这样做的好处是：小尺度保留细节，大尺度保证色彩自然。我一般在项目中用 3 个尺度：小（sigma=15）、中（sigma=50）、大（sigma=120）。

4.3.3 MSRCR：带色彩恢复的多尺度Retinex

MSR 有一个明显的缺点：色彩失真。因为它在三个通道上独立处理，破坏了通道间的比例关系。MSRCR（Multi-Scale Retinex with Color Restoration）就是为了解决这个问题。

它引入了一个色彩恢复因子 C：

R_MSRCR(x,y) = C(x,y) * R_MSR(x,y)

其中 C 的计算依赖于原图各通道的比值。说白了，就是让处理后的图像尽量保持原图的色彩比例。

4.3.4 代码实现

def ssr(img, sigma=50):
    img_log = np.log1p(img.astype(np.float32))
    blur = cv2.GaussianBlur(img_log, (0, 0), sigma)
    r = img_log - blur
    r = np.exp(r) - 1
    r = np.clip(r, 0, 255).astype(np.uint8)
    return r

def msr(img, sigmas=[15, 50, 120]):
    img_float = img.astype(np.float32)
    result = np.zeros_like(img_float)
    for sigma in sigmas:
        result += ssr(img_float, sigma)
    result /= len(sigmas)
    return np.clip(result, 0, 255).astype(np.uint8)

def msrcr(img, sigmas=[15, 50, 120], alpha=125, beta=46, G=192, b=-30):
    img_float = img.astype(np.float32)
    img_log = np.log1p(img_float)
    
    # MSR
    msr_result = np.zeros_like(img_float)
    for sigma in sigmas:
        blur = cv2.GaussianBlur(img_log, (0, 0), sigma)
        msr_result += img_log - blur
    msr_result /= len(sigmas)
    
    # 色彩恢复
    sum_channels = np.sum(img_float, axis=2, keepdims=True) + 1e-6
    C = beta * (np.log(alpha * img_float + 1) - np.log(alpha * sum_channels + 1))
    
    # 最终结果
    result = G * (C * msr_result + b)
    result = np.clip(result, 0, 255).astype(np.uint8)
    return result

4.4 本章知识体系

下面这张图总结了本章的核心逻辑，从像素级操作到物理模型，层层递进：

4.5 本章小结

这一章我们聊了三种经典方法：

• 伽马校正：简单粗暴，适合快速提亮暗部，但要注意过曝问题。
• 对数变换：压缩动态范围，适合大光比场景，我常用在预处理阶段。
• Retinex理论：从物理模型出发，SSR/MSR/MSRCR 层层递进，效果越来越好，但计算量和参数复杂度也在增加。