图像处理基础与Gamma校正原理

各位同学好，我是老张。今天咱们开始第一讲——Gamma校正。说实话，我做了十几年图像处理，Gamma校正这玩意儿几乎天天见。它不是什么高深理论，但你要是理解不透，调出来的图像就是不对劲。

咱们先看一个最直观的问题：为什么显示器上看到的照片，跟相机拍出来的原始数据不一样？

什么是Gamma校正？

Gamma校正，说白了就是给图像的亮度值做一个非线性映射。数学表达式很简单：

V_out = A * V_in ^ γ

其中γ就是Gamma值。γ < 1时，暗部被提亮；γ > 1时，暗部被压暗。A是增益系数，一般取1。

我刚开始做项目时，总觉得这玩意儿就是个曲线调整，后来才发现——它背后藏着人眼的秘密。

人眼视觉特性与Gamma曲线

人眼对亮度的感知不是线性的。你想想看，在暗处我们能分辨出很细微的亮度变化，但在亮处，同样的亮度差我们就感觉不出来了。这就是韦伯-费希纳定律说的：人眼对亮度的响应近似对数曲线。

所以，Gamma校正的本质是什么？用非线性编码来匹配人眼的非线性感知。

Gamma曲线的三种典型形态

Gamma值	曲线形态	视觉效果	典型应用
γ < 1	上凸	整体变亮，暗部细节增强	暗光图像增强、显示器校正
γ = 1	直线	线性映射，无变化	原始传感器数据
γ > 1	下凹	整体变暗，对比度增强	CRT显示器、胶片模拟

我记得有一次做安防监控项目，夜视图像暗部全是噪点。我试着把Gamma从1.0调到0.45，暗部细节全出来了——但噪点也放大了。这就是典型的“提亮必增噪”，后面咱们讲降噪滤波时会专门处理这个问题。

Gamma校正的数学本质

咱们用代码看一眼就明白了：

import numpy as np
import matplotlib.pyplot as plt

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

# 生成测试数据
x = np.linspace(0, 255, 256)
y_045 = gamma_correction(x, 0.45)
y_10 = gamma_correction(x, 1.0)
y_22 = gamma_correction(x, 2.2)

这段代码很简单，但你要注意：归一化必须在映射之前做。我见过有人直接对0-255的整数做幂运算，结果溢出得一塌糊涂。

Gamma校正的避坑指南

• 不要对sRGB图像重复做Gamma——sRGB本身已经做了近似γ=2.2的编码，你再做一次就过曝了。
• Gamma值不是越大越好——我曾经把γ调到3.0想增强对比度，结果暗部全黑了，亮部过曝，图像直接废了。
• 注意Gamma与亮度的关系——γ=2.2时，中间灰度128对应的实际亮度只有约22%，不是50%。

本章知识体系

下面这张图把Gamma校正的核心逻辑串起来了：

实际项目中的Gamma选择

我整理了一份常用场景的Gamma参考值，你直接拿去用：

应用场景	推荐Gamma	原因
暗光监控图像	0.4 - 0.6	提亮暗部，看清细节
标准显示器	2.2	sRGB标准，人眼舒适
医学X光片	1.8 - 2.0	保留高亮区域细节
卫星遥感图像	0.8 - 1.2	尽量保持原始辐射信息
手机自拍美化	0.7 - 0.9	提亮肤色，不损失高光

嗯，这一讲就到这里。Gamma校正看似简单，但它是整个图像处理的基础。后面咱们讲降噪滤波时，你会发现Gamma和噪声是“相爱相杀”的关系——调好了互相成就，调不好互相拖累。