3. Python实现Gamma校正：OpenCV与NumPy基础操作，逐像素变换
好，咱们进入实战环节。Gamma校正听起来是个数学公式，但落实到代码上，其实就几行的事。不过，这几行代码怎么写、用哪个库、性能差多少，这里头门道不少。我刚开始用Python做图像处理时，也踩过一些坑，今天一并讲清楚。
3.1 核心思路：从公式到代码
先回顾一下Gamma校正的核心公式：
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Gamma值。说白了，就是对每个像素做一次幂运算。
但这里有个关键点：图像数据通常是 8 位整数（0-255），不能直接套公式。你得先归一化，做完幂运算，再还原到 0-255 范围。否则结果会乱套。
标准流程三步走：
- 归一化：像素值 / 255.0，转为浮点数
- 幂运算：对每个像素做 pow(x, 1/γ)
- 还原：结果 * 255.0，转回 uint8
3.2 方法一：用NumPy逐像素变换
NumPy 处理数组是强项。一张 1920x1080 的图，一百多万个像素，用 NumPy 做幂运算，眨眼功夫就完事。
import cv2
import numpy as np
def gamma_correction_numpy(img, gamma=1.0):
# 归一化到 [0, 1]
img_normalized = img / 255.0
# 幂运算
img_gamma = np.power(img_normalized, 1.0 / gamma)
# 还原到 [0, 255]
img_result = np.uint8(img_gamma * 255.0)
return img_result
# 读取图像
img = cv2.imread('input.jpg')
# 应用Gamma校正，γ=2.2
img_corrected = gamma_correction_numpy(img, gamma=2.2)
cv2.imwrite('output.jpg', img_corrected)这段代码看着简单，但我得提醒你几个细节：
np.power比 Python 自带的**运算符更快，尤其在大数组上np.uint8会自动截断，超过 255 的值变成 255，低于 0 的变成 0。但幂运算结果不会低于 0，所以不用担心- 如果 gamma 为 0，会报除零错误。我建议加个保护：
if gamma == 0: return img
小技巧： 如果你处理的图像是 16 位或 32 位浮点格式，归一化的分母要相应调整。16 位用 65535.0，32 位浮点通常已经是 [0, 1] 范围，直接做幂运算就行。
3.3 方法二：用OpenCV的LUT查表法
NumPy 方法虽然快，但如果你要对同一张图反复调整 Gamma 值（比如做实时预览），每次都重新算一遍所有像素，有点浪费。这时候，查表法（LUT）就派上用场了。
思路很简单：先算好 0-255 每个值对应的 Gamma 校正结果，存成一张表。然后直接用 OpenCV 的 cv2.LUT 把整张图映射过去。
def gamma_correction_lut(img, gamma=1.0):
# 构建查找表
inv_gamma = 1.0 / gamma
table = np.array([(i / 255.0) ** inv_gamma * 255.0
for i in range(256)]).astype('uint8')
# 应用LUT
return cv2.LUT(img, table)这段代码里，table 是一个长度为 256 的一维数组。比如 gamma=2.2 时，像素值 100 经过查表会变成 186 左右。OpenCV 的 LUT 函数是高度优化的，处理速度比 NumPy 的逐像素幂运算还要快一点。
我个人习惯在需要频繁调整 Gamma 的场景下用 LUT 法。比如我做了一个滑动条，用户拖动 Gamma 值，每次只重新算 256 个值的表，然后查表映射整张图，响应非常流畅。
3.4 两种方法对比
| 对比维度 | NumPy 逐像素法 | OpenCV LUT 查表法 |
|---|---|---|
| 代码简洁度 | 3 行核心逻辑 | 2 行 + 列表推导式 |
| 计算速度（单次） | 快（约 5ms/1080p） | 更快（约 2ms/1080p） |
| 多次调用效率 | 每次重算所有像素 | 只重算 256 个值，极快 |
| 适用场景 | 一次性处理、批量处理 | 实时预览、交互式调参 |
| 精度 | 浮点精度 | 8 位整数精度（有舍入误差） |
看到这个表格，你可能会问：LUT 法有精度损失，会不会影响效果？
嗯，理论上确实有。8 位整数查表，每个输入值只能对应一个输出值，中间有舍入。但实际测试下来，肉眼几乎看不出差别。除非你处理的是医学影像或科学数据，否则 LUT 法完全够用。
3.5 避坑指南：我踩过的几个坑
讲几个我实际项目中遇到的问题，你遇到了可以少走弯路。
坑一：数据类型搞混
我曾经直接把 uint8 的图像做幂运算，结果一片漆黑。为什么？因为 uint8 的 100 做幂运算，Python 会先转成整数，100^0.45 约等于 8，再转回 uint8 还是 8，完全不对。记住：必须先归一化到浮点数。
坑二：Gamma 值写反了
公式是 O = I^(1/γ)，不是 I^γ。我刚开始做的时候搞反了，结果图像越调越暗。后来查资料才发现，Gamma 校正的「校正」二字，意思是把设备非线性拉回线性，所以用的是倒数。你写代码时注意一下。
坑三：彩色图像通道问题
上面的代码对彩色图像也适用，因为 NumPy 和 OpenCV 的 LUT 都会自动处理多通道。但要注意：OpenCV 读取的图像是 BGR 顺序，不是 RGB。如果你用 matplotlib 显示，记得转换通道顺序。这个不影响 Gamma 校正本身，但显示出来颜色不对，容易让人困惑。
3.6 本章知识体系
下面这张图帮你理清本章的核心逻辑：从输入图像到 Gamma 校正输出，两条路径都能到达，但各有侧重。
3.7 动手试试
我建议你找一张曝光不足或过曝的照片，分别用两种方法试试。把 Gamma 值从 0.5 调到 3.0，观察图像变化。你会发现：
- γ < 1：图像变亮，暗部细节被提亮
- γ = 1：图像不变
- γ > 1：图像变暗，亮部细节被压缩