4. 暗部提亮原理：线性拉伸 vs 非线性映射

好，咱们进入正题。暗部提亮，说白了就是让照片里那些黑乎乎的区域，能看出纹理和层次来。但怎么提？直接拉亮度？那高光区域就爆了。这里面的门道，就是线性拉伸和非线性映射的区别。

4.1 线性拉伸：简单粗暴，但容易翻车

线性拉伸，就是把像素值从原来的范围，等比例地映射到一个新的范围。比如原图暗部集中在 0-50，我把它拉伸到 0-100。公式很简单：

new_pixel = (old_pixel - min_val) / (max_val - min_val) * new_max

听起来很合理对吧？但我告诉你，实际项目中这么干，十有八九要出问题。为什么？因为它对所有像素一视同仁。暗部提亮了，中间调也跟着变亮，高光区域直接过曝。我早期做监控摄像头图像增强时，就吃过这个亏——把暗部拉亮了，结果窗外的天空一片死白。

4.2 非线性映射：暗部提亮，高光不动

那怎么办？我们需要一种映射方式：对暗部区域多提亮一些，对亮部区域少提亮甚至不动。这就是非线性映射的核心思想。

常见的非线性映射函数有：

• 对数变换：压缩高光，拉伸暗部
• 指数变换：拉伸高光，压缩暗部
• Gamma校正：通过一个参数 γ 控制映射曲线

我个人最常用的是 Gamma 校正。它简单、高效，而且效果可控。你想想看，一个参数就能搞定大部分场景的暗部提亮需求，多省事。

4.3 Gamma校正的原理与数学公式

Gamma校正的数学公式长这样：

V_out = V_in ^ (1 / γ)

其中：

• V_in：输入像素值，归一化到 [0, 1]
• V_out：输出像素值，同样在 [0, 1]
• γ：Gamma值，控制映射曲线的形状

关键点来了：

• 当 γ < 1 时，曲线向上凸，暗部被拉伸，整体变亮
• 当 γ = 1 时，就是线性映射，啥也不变
• 当 γ > 1 时，曲线向下凹，暗部被压缩，整体变暗

我记得有一次做医疗内窥镜图像增强，暗部区域全是组织纹理，但就是看不清。我试了 γ=0.4，效果立竿见影——纹理全出来了，而且高光区域没受影响。

4.4 线性 vs 非线性：一张表说清楚

对比维度	线性拉伸	Gamma校正（非线性）
映射方式	等比例缩放	幂函数映射
暗部提亮效果	整体提亮，高光易过曝	暗部提亮，高光保持
参数数量	2个（min, max）	1个（γ）
适用场景	整体偏暗、无高光	暗部细节不足、高光正常
计算复杂度	低	低

4.5 实战：用Python实现Gamma校正

光说不练假把式。咱们直接上代码。我会用 OpenCV 和 NumPy 来实现，你可以在自己的机器上跑一下试试。

import cv2
import numpy as np
import matplotlib.pyplot as plt

def gamma_correction(img, gamma=1.0):
    """
    对图像进行Gamma校正
    img: 输入图像 (uint8, 0-255)
    gamma: Gamma值
    """
    # 归一化到 [0, 1]
    img_norm = img / 255.0
    # Gamma校正
    img_gamma = np.power(img_norm, 1.0 / gamma)
    # 还原到 [0, 255]
    img_out = np.uint8(img_gamma * 255.0)
    return img_out

# 读取图像（请替换为你的图片路径）
img = cv2.imread('dark_image.jpg', cv2.IMREAD_GRAYSCALE)

# 应用不同的Gamma值
gamma_values = [0.3, 0.5, 0.8, 1.0, 1.5, 2.0]
results = []

for g in gamma_values:
    result = gamma_correction(img, g)
    results.append(result)

# 显示结果
plt.figure(figsize=(12, 8))
for i, (g, res) in enumerate(zip(gamma_values, results)):
    plt.subplot(2, 3, i+1)
    plt.imshow(res, cmap='gray')
    plt.title(f'Gamma = {g}')
    plt.axis('off')
plt.tight_layout()
plt.show()

4.6 观察暗部细节变化

跑完上面的代码，你会看到：

• γ=0.3：图像整体非常亮，暗部细节全出来了，但高光区域几乎全白
• γ=0.5：暗部明显提亮，高光区域还能看到一些纹理
• γ=0.8：轻微提亮，整体比较自然
• γ=1.0：原图，没变化
• γ=1.5：图像变暗，对比度增加
• γ=2.0：图像更暗，暗部细节丢失严重

嗯，这里要注意：γ 值不是越小越好。我见过有人为了提亮暗部，直接把 γ 设到 0.2，结果图像噪点全出来了，跟雪花屏似的。因为暗部原本信噪比就低，过度提亮会把噪声也放大。

4.7 知识结构图：暗部提亮核心逻辑

下面这张图，帮你理清本章的知识脉络：

这张图把暗部提亮的两条路讲清楚了。左边是线性拉伸，简单但容易翻车；右边是非线性映射，Gamma校正是典型代表。你实际做项目时，优先考虑右边这条路。

4.8 本章小结

好，咱们把这一章的核心点捋一捋：

• 线性拉伸：简单，但会破坏高光区域，适合整体偏暗的图像
• 非线性映射：暗部提亮的同时保护高光，Gamma校正是最常用的方法
• Gamma校正公式：V_out = V_in ^ (1/γ)，γ < 1 提亮暗部
• 实战要点：先降噪再Gamma校正，γ值不要设得太低（建议 0.4-0.8）