2. Gamma校正的数学建模：幂律变换公式与参数gamma的物理意义

Gamma校正，说白了就是一个数学公式在背后撑着。很多初学者觉得它神秘，其实拆开看，就是一个幂函数。我当年刚接触图像处理时，也被一堆公式吓住，后来发现，理解了这个公式，Gamma校正就没什么秘密了。

2.1 幂律变换公式

Gamma校正的核心公式长这样：

O = c * I^γ

其中：

• I — 输入像素值，归一化到 [0, 1] 区间
• O — 输出像素值，同样在 [0, 1] 区间
• c — 缩放常数，通常取 1.0
• γ (gamma) — 核心参数，决定了曲线的弯曲方向

嗯，这里要注意：输入输出都必须先归一化。我见过不少新手直接把 0-255 的像素值往里代，结果算出来一团糟。归一化很简单，除以 255 就行。

2.2 参数gamma的物理意义

gamma这个参数，决定了曲线的形状。我习惯把它分成三种情况来理解：

gamma值	曲线形状	视觉效果	典型应用
γ < 1	上凸（指数型）	整体变亮，暗部细节提升明显	暗光图像增强、显示器校正
γ = 1	直线（恒等映射）	无变化	对照实验、验证流程
γ > 1	下凹（对数型）	整体变暗，亮部细节压缩	过曝图像校正、高光抑制

为什么会这样？你想想看，当 γ < 1 时，比如 γ=0.5，输入 0.2 经过变换变成 0.447，暗部被显著拉亮。而输入 0.8 变成 0.894，亮部变化不大。说白了，Gamma校正对暗部更敏感。

我在项目中遇到过一个问题：用手机拍的夜景照片，暗部一片漆黑。直接调亮度会把亮部也过曝。后来用 γ=0.4 做校正，暗部细节出来了，亮部也没炸。这就是gamma的妙处。

2.3 从公式到代码

公式看懂了，代码就很简单。我习惯用 NumPy 实现，一行搞定：

import numpy as np
import cv2

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

# 使用示例
img = cv2.imread('input.jpg')
img_dark = gamma_correction(img, gamma=0.5)   # 提亮
img_bright = gamma_correction(img, gamma=2.0) # 压暗

2.4 Gamma校正的视觉原理

人眼对亮度的感知不是线性的。我们看暗部变化很敏感，看亮部变化相对迟钝。Gamma校正正好利用了这一点。

我曾经做过一个实验：把一张图分别用 γ=0.5 和 γ=2.0 处理，然后让同事盲选哪张更自然。结果大部分人觉得 γ=0.5 的图更「通透」。为什么？因为暗部细节被放大了，符合人眼的视觉偏好。

2.5 Gamma校正与线性校正的对比

很多人问我：Gamma校正和线性亮度调整有什么区别？我直接列个表：

特性	Gamma校正	线性亮度调整
映射方式	非线性（幂律）	线性（加法/乘法）
暗部影响	显著提升细节	整体平移，暗部提升有限
亮部影响	变化较小	同等比例变化
噪声放大	暗部噪声被放大	均匀放大
适用场景	显示器校正、HDR、暗光增强	简单亮度调节

说白了，线性调整是「一刀切」，Gamma校正是「区别对待」。你想想看，处理一张暗部细节丰富的照片，用线性调整会把亮部也提亮，导致过曝。而Gamma校正只重点照顾暗部，亮部基本不动。

2.6 知识结构图

下面这张图总结了Gamma校正的核心逻辑：

2.7 实际项目中的调参经验

讲完理论，说说实战。我在做安防监控图像增强时，总结了一套调参流程：

1. 先看直方图 — 如果像素集中在暗部（直方图左偏），用 γ < 1
2. 从 0.5 开始试 — 我习惯先设 γ=0.5，看效果再微调
3. 注意噪声 — γ 越小，暗部噪声越明显。如果噪声太大，先做降噪再校正
4. 结合场景 — 室内监控用 γ=0.6~0.8，室外夜景用 γ=0.3~0.5

嗯，这一章的内容就到这里。Gamma校正的数学本质就是幂律变换，参数gamma控制曲线的弯曲方向。理解了这一点，后面讲降噪滤波时，你就能明白为什么Gamma校正要放在降噪之前做。