3. Gamma 校正原理：Gamma 曲线的数学定义与人眼亮度感知的非线性特性
说到 Gamma 校正，很多人第一反应就是「调亮度」。其实没那么简单。Gamma 校正的核心，是解决一个根本矛盾：物理世界的亮度是线性的，但人眼对亮度的感知是非线性的。
我刚开始做图像处理时，也踩过这个坑。有一次做显示器色彩校准，明明输入了线性递增的亮度值，显示出来的画面却暗部一团黑、亮部一片白。后来才明白——显示器本身就有个天然的 Gamma 特性，而人眼又有一套自己的感知曲线。这两者凑在一起，不校正才怪。
3.1 人眼亮度感知的非线性特性
先聊聊人眼。你想想看，我们在暗光环境下，能分辨出很细微的亮度变化；但在强光下，同样的亮度差就感觉不到了。这不是错觉，而是生理结构决定的。
人眼对亮度的响应，近似于一个对数曲线。具体来说：
- 暗区敏感：在低亮度区域，人眼能分辨出很小的亮度差异
- 亮区迟钝：在高亮度区域，人眼对亮度变化的感知会明显下降
- 动态范围宽：人眼能感知的亮度范围高达 10^14 量级，但分辨能力不均匀
这个特性可以用 Weber-Fechner 定律 来描述：
ΔL / L ≈ 常数意思是，人眼能感知的最小亮度变化 ΔL，与当前亮度 L 的比值是近似恒定的。说白了，你在 10 尼特下能看出 1 尼特的变化，在 100 尼特下就得有 10 尼特的变化才能感觉到。
关键理解：人眼不是线性探测器，而是对数探测器。这意味着，如果我们用线性方式存储和传输亮度信息，就会在暗区浪费大量编码资源，在亮区又不够用。
3.2 Gamma 曲线的数学定义
Gamma 校正的数学形式其实很简单。它就是一个幂律函数：
V_out = A · V_in^γ其中：
- V_in：输入亮度（归一化到 0~1）
- V_out：输出亮度（归一化到 0~1）
- γ (Gamma)：幂指数，决定曲线形状
- A：增益系数，通常为 1
当 γ < 1 时，曲线向上凸，暗部被拉伸、亮部被压缩——这叫 Gamma 展开。当 γ > 1 时，曲线向下凹，暗部被压缩、亮部被拉伸——这叫 Gamma 压缩。
我习惯把 Gamma 曲线分成三个典型区间来看：
| γ 值 | 曲线形状 | 效果 | 典型应用 |
|---|---|---|---|
| γ < 1 | 上凸 | 提亮暗部，压缩亮部 | 显示器 Gamma 校正（γ≈0.45） |
| γ = 1 | 直线 | 线性传输，无变化 | 原始传感器数据 |
| γ > 1 | 下凹 | 压缩暗部，拉伸亮部 | 编码端预校正（γ≈2.2） |
我的经验：实际项目中，γ=2.2 是最常见的标准值。sRGB、Rec.709 这些主流色彩空间都采用这个值。但要注意，不同显示设备的原生 Gamma 可能不同，需要单独测量和校正。
3.3 Gamma 校正的完整流程
Gamma 校正不是单独一个环节，而是贯穿整个图像处理管线。我画了一张图，帮你理清这个流程：
这个流程里有个关键点：编码端和解码端的 Gamma 是互为倒数的。编码时用 γ=0.45 压缩，解码时用 γ=2.2 展开，最终整体 Gamma 接近 1.0，人眼看到的就和原始场景一致了。
3.4 为什么需要 Gamma 校正？
说白了，Gamma 校正解决了三个核心问题：
- 匹配人眼感知：用非线性编码，让有限的比特数更高效地覆盖人眼的感知范围
- 补偿显示设备：CRT、LCD、OLED 都有各自的 Gamma 特性，需要校正才能准确还原
- 优化编码效率：在暗区分配更多编码资源，亮区分配更少，避免量化噪声
注意：不要混淆「Gamma 校正」和「亮度调节」。Gamma 校正改变的是亮度分布的映射关系，不是简单地整体提亮或压暗。我曾经见过有人用 Photoshop 的「亮度/对比度」工具代替 Gamma 校正，结果暗部细节全丢了。
3.5 实际项目中的 Gamma 调优
我在做显示器校色项目时，总结了一套 Gamma 调优的步骤：
| 步骤 | 操作 | 说明 |
|---|---|---|
| 1 | 测量设备原生 Gamma | 用色度计测量 0~255 灰阶的实际亮度 |
| 2 | 计算校正 LUT | 根据目标 Gamma（如 2.2）生成查找表 |
| 3 | 验证校正效果 | 用 18% 灰卡和色卡验证，ΔE 应 < 2 |
| 4 | 微调暗部/亮部 | 有时需要分段 Gamma 校正，避免暗部死黑 |
避坑指南：我曾经在 OLED 屏上直接套用 LCD 的 Gamma 校正参数，结果暗部偏色严重。后来才发现，OLED 的黑电平接近 0，Gamma 曲线在暗区的斜率变化和 LCD 完全不同。所以，不同显示技术的 Gamma 校正参数不能通用。
3.6 代码示例：Gamma 校正实现
下面是一个简单的 Gamma 校正函数，用 Python 实现：
import numpy as np
def gamma_correction(image, gamma=2.2):
"""
对图像进行 Gamma 校正
image: 输入图像，值域 [0, 255]
gamma: Gamma 值，默认 2.2
返回: 校正后的图像，值域 [0, 255]
"""
# 归一化到 [0, 1]
normalized = image / 255.0
# Gamma 校正
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)这段代码看起来简单，但实际项目中要注意：
- 输入图像可能是浮点型，需要先归一化
- Gamma 值不要写死，应该做成可配置参数
- 处理 16bit 图像时，归一化分母要改成 65535
3.7 小结
Gamma 校正的本质，是用一个幂律函数来模拟人眼的非线性感知特性。它不是一个可有可无的「美化」步骤，而是图像处理管线中必不可少的一环。没有 Gamma 校正，你看到的画面要么暗部一团黑，要么亮部一片白，永远无法准确还原真实场景。
嗯，这部分内容就到这里。记住三个关键数字：0.45（编码端）、2.2（解码端）、1.0（整体）。搞懂了这三个数字的关系，Gamma 校正你就入门了。