4、Gamma校正与对数变换：从原理到实战
说到低光增强，Gamma校正和对数变换是绕不开的两个基础工具。我刚开始做图像处理那会儿，总觉得这两个东西差不多——都是把暗部提亮嘛。后来在项目中踩过坑才明白，它们背后的逻辑完全不同，适用场景也各有讲究。
4.1 Gamma校正原理
Gamma校正，说白了就是给像素值做一个非线性映射。它的数学形式很简单：
O = I ^ (1/γ)其中 I 是归一化后的输入像素（0~1），O 是输出，γ 是Gamma值。
为什么会这样？因为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，但在亮处就不那么敏感了。Gamma校正正好模拟了这个特性。
核心理解：
- γ < 1：拉伸暗部，压缩亮部。图像整体变亮，暗部细节更明显
- γ = 1：线性变换，不做任何调整
- γ > 1：压缩暗部，拉伸亮部。图像整体变暗，对比度增强
我在项目中遇到过这样一个情况：用手机拍的夜景照片，暗部几乎全黑，直方图都贴到左边了。当时我试了各种方法，最后发现一个γ=0.4的Gamma校正，暗部细节就全出来了。嗯，这里要注意——不是γ越小越好，后面我会说为什么。
4.2 不同Gamma值的效果对比
我习惯把Gamma值分成几个区间来理解。下面这个表格是我在实际项目中总结出来的：
| Gamma值 | 效果描述 | 典型应用场景 | 注意事项 |
|---|---|---|---|
| 0.2 - 0.3 | 暗部极度拉伸，亮部几乎饱和 | 极暗场景抢救，监控夜视 | 噪声会被同步放大，需配合去噪 |
| 0.4 - 0.5 | 暗部明显提亮，亮部保留较好 | 逆光人像、室内暗光 | 我最常用的区间 |
| 0.6 - 0.8 | 温和提亮，整体自然 | 轻微曝光不足、HDR预处理 | 适合批量处理，不易翻车 |
| 1.0 | 无变化 | 对照实验 | - |
| 1.2 - 2.0 | 暗部压缩，亮部拉伸 | 过曝图像修复、特殊艺术效果 | 低光增强中很少用 |
避坑指南：我曾经在一个项目中直接用γ=0.2处理一批暗光图像，结果暗部细节是出来了，但噪声也全被放大了，整个画面像雪花屏。后来我学乖了——Gamma校正前先做一次轻度去噪，效果会好很多。
4.3 对数变换与指数变换
对数变换的公式是：
O = c * log(1 + I)指数变换则是：
O = c * (exp(I) - 1)这两个和Gamma校正有什么区别？我个人的理解是这样的：
- Gamma校正：用一个参数γ控制曲线的弯曲程度，灵活但需要调参
- 对数变换：天然地压缩高值、拉伸低值，适合处理动态范围极大的图像
- 指数变换：和对数相反，压缩低值、拉伸高值，适合增强亮部细节
你想想看，对数变换在低光增强中特别有用。因为暗区的像素值很小，对数函数在0附近斜率很大，所以能把微小的亮度差异放大。我记得有一次处理水下摄影的图像，光线衰减得很厉害，用Gamma校正调了半天都不理想，换成对数变换后，暗部的纹理一下子就清晰了。
实战技巧：对数变换后，记得把像素值重新映射到0~255范围。我习惯用 cv2.normalize() 来做这一步，比手动计算稳定得多。
4.4 三种方法的对比与选择
下面这张SVG图展示了三种方法的本质区别：
4.5 实战代码示例
下面是我在实际项目中用的一段代码，包含了Gamma校正和对数变换的实现：
import cv2
import numpy as np
def gamma_correction(img, gamma=0.5):
"""Gamma校正"""
# 归一化到0~1
normalized = img / 255.0
# Gamma变换
corrected = np.power(normalized, 1.0 / gamma)
# 映射回0~255
result = np.clip(corrected * 255, 0, 255).astype(np.uint8)
return result
def log_transform(img, c=1.0):
"""对数变换"""
# 归一化并加1避免log(0)
normalized = img / 255.0
# 对数变换
transformed = c * np.log(1 + normalized)
# 归一化到0~255
result = cv2.normalize(transformed, None, 0, 255, cv2.NORM_MINMAX)
return result.astype(np.uint8)
# 读取图像
img = cv2.imread('dark_image.jpg', cv2.IMREAD_GRAYSCALE)
# 应用Gamma校正
gamma_result = gamma_correction(img, gamma=0.4)
# 应用对数变换
log_result = log_transform(img, c=1.5)
# 显示结果
cv2.imshow('Original', img)
cv2.imshow('Gamma 0.4', gamma_result)
cv2.imshow('Log Transform', log_result)
cv2.waitKey(0)
cv2.destroyAllWindows()个人经验：我习惯在Gamma校正前先做一次直方图分析。如果暗部像素集中在0~30之间，γ=0.4~0.5效果最好；如果暗部范围更宽（0~80），γ=0.6~0.7会更自然。别死记参数，多试几次就找到感觉了。
4.6 三种方法的组合使用
在实际项目中，我很少只用一种方法。比如处理逆光人像时，我会：
- 先用Gamma校正（γ=0.5）提亮暗部
- 再用对数变换增强暗部纹理
- 最后用指数变换微调亮部，防止过曝
这样做的好处是——每个方法只做自己最擅长的事。Gamma校正负责整体提亮，对数变换负责细节增强，指数变换负责亮部保护。嗯，这个组合拳我用了好几年，效果一直很稳定。
注意：组合使用时，每一步都会放大噪声。我曾经在一个项目中连续用了三次变换，结果图像质量严重下降。后来我改成每做一次变换就做一次轻度去噪，效果就好多了。
好了，Gamma校正和对数变换的核心内容就这些。记住一点——没有万能的方法，关键是根据图像特点选择合适的工具。多试、多对比，慢慢就有感觉了。