4. 非线性灰度变换：对数、指数与伽马变换
线性拉伸搞定了大部分基础场景，但现实世界没这么听话。你想想看，一张背光拍摄的照片，暗部细节全埋在低灰度区，亮部又过曝——线性拉伸要么把暗部提亮的同时让亮部更亮，要么顾此失彼。这时候就需要非线性变换出手了。
说白了，非线性变换的核心思路就一句话：对不同灰度区间区别对待。有的区间要压缩，有的区间要拉伸，全看你的需求。我个人习惯把这类变换分成三大家族：对数、指数和幂律（伽马）。它们数学上都是单调递增函数，但弯曲方向完全不同。
核心记忆点：对数族压缩高亮区、拉伸暗区；指数族压缩暗区、拉伸高亮区；伽马族通过调节 γ 值在两者之间平滑切换。
4.1 对数变换：把暗部细节「挖」出来
对数变换的数学形式很简单：
s = c * log(1 + r)其中 r 是输入灰度，s 是输出灰度，c 是缩放常数。注意这里加了个 1，防止 r=0 时 log(0) 爆炸。
为什么对数能提亮暗部？你想想对数曲线的形状——在低输入区域斜率大，高输入区域斜率小。斜率大意味着输出变化明显，暗部细节就被放大了。高亮区斜率平缓，输出变化小，相当于被压缩了。
我在项目中遇到过一个典型的医学影像案例：CT 图像的原始数据动态范围极大（12-16 bit），但人眼只能分辨 8 bit 左右的灰度差异。直接线性映射到 8 bit，暗部病灶区域根本看不清。用对数变换把高灰度区压缩、低灰度区拉伸，病灶边缘一下就清晰了。
实用技巧：对数变换的 c 值一般取 255 / log(256) ≈ 46，这样能把 0-255 的输入映射到 0-255 的输出。但实际项目中我经常手动调 c，因为不同图像的暗部密度不一样。
4.2 指数变换：让亮部更「通透」
指数变换正好反过来：
s = c * (r^γ)当 γ > 1 时，这就是指数变换（或者说幂律变换的特例）。它的曲线在低输入区斜率小，高输入区斜率大——暗部被压缩，亮部被拉伸。
什么时候用指数变换？我曾经处理过一批水下摄影图像，水体对蓝绿光的衰减导致整体偏暗，但暗部其实没什么细节，真正有价值的信息在中等灰度以上的珊瑚和鱼群。用指数变换把中等灰度以上区域拉开，视觉对比度明显提升，暗部噪声反而被抑制了——一举两得。
| 变换类型 | 曲线形状 | 拉伸区域 | 压缩区域 | 典型应用 |
|---|---|---|---|---|
| 对数变换 | 上凸（凹函数） | 暗部（低灰度） | 亮部（高灰度） | 医学影像、背光照片 |
| 指数变换 (γ>1) | 下凸（凸函数） | 亮部（高灰度） | 暗部（低灰度） | 水下图像、过暗场景 |
| 幂律变换 (γ<1) | 上凸（凹函数） | 暗部（低灰度） | 亮部（高灰度） | 显示器伽马校正、HDR |
4.3 幂律（伽马）变换：最灵活的「变形金刚」
幂律变换的公式和指数变换一模一样：
s = c * r^γ但区别在于 γ 可以取任意正实数。当 γ < 1 时，它表现得像对数变换（提暗部）；当 γ > 1 时，它表现得像指数变换（提亮部）；当 γ = 1 时，它就是线性变换。
这就是为什么我说伽马变换是「变形金刚」——一个公式覆盖了所有非线性需求。你只需要调一个参数 γ，就能在暗部拉伸和亮部拉伸之间平滑过渡。
⚠ 避坑指南：我曾经在一个工业质检项目里直接用 γ=0.4 处理所有图像，结果部分样本的亮部细节完全丢失。后来发现不同光照条件下最优 γ 值差异很大。我的教训是：永远不要对一批图像用固定 γ 值，至少要做个简单的自适应估计。
4.4 三大家族对比：什么时候用哪个？
很多初学者会问：既然伽马变换能覆盖所有情况，为什么还要学对数和指数？
嗯，这里要注意。伽马变换虽然灵活，但它的数学形式决定了它在极端暗部（r 接近 0）时斜率会趋于无穷大（γ<1）或 0（γ>1），这会导致暗部噪声被过度放大或完全丢失。对数变换在 r→0 时斜率虽然也大，但增长更平缓，对噪声的放大更可控。
我个人习惯的选型原则：
- 暗部细节极其重要（如医学影像、天文图像）→ 优先对数变换，噪声控制更好
- 亮部细节更重要（如高光纹理分析）→ 优先指数变换（γ=1.5~2.0）
- 需要精细调节（如显示器校正、HDR 合成）→ 伽马变换，γ 从 0.3 到 2.5 慢慢试
- 图像整体偏暗但暗部无细节（如夜间监控）→ 别用对数，用伽马 γ=0.7~0.9 轻微提亮即可
4.5 知识体系：一张图看懂非线性变换
下面这张 SVG 图把三种变换的核心逻辑、曲线特征和适用场景串在了一起。我建议你把它当作本章的「思维导图」来记。
4.6 代码实战：三行代码调出三种效果
理论说完了，直接上代码。我用 OpenCV 实现三种变换，你复制就能跑：
import cv2
import numpy as np
def log_transform(img, c=46):
"""对数变换：提亮暗部"""
img_float = img.astype(np.float32) / 255.0
result = c * np.log(1 + img_float)
return np.clip(result, 0, 255).astype(np.uint8)
def gamma_transform(img, gamma=0.5, c=1.0):
"""伽马变换：γ<1 提暗部，γ>1 提亮部"""
img_float = img.astype(np.float32) / 255.0
result = c * np.power(img_float, gamma)
return np.clip(result * 255, 0, 255).astype(np.uint8)
def exp_transform(img, gamma=1.5, c=1.0):
"""指数变换：本质是 γ>1 的伽马变换"""
return gamma_transform(img, gamma=gamma, c=c)
# 使用示例
img = cv2.imread('dark_image.jpg', cv2.IMREAD_GRAYSCALE)
log_img = log_transform(img, c=50)
gamma_img = gamma_transform(img, gamma=0.4)
exp_img = exp_transform(img, gamma=2.0)
cv2.imwrite('log_result.jpg', log_img)
cv2.imwrite('gamma_result.jpg', gamma_img)
cv2.imwrite('exp_result.jpg', exp_img)调试建议：第一次跑的时候，先用一张简单的 8 bit 灰度图试。把 gamma 从 0.2 到 2.0 每隔 0.2 跑一遍，观察输出图像的变化趋势。我当年就是这么「肉眼标定」出最适合自己项目的 γ 值的。
4.7 本章小结
非线性灰度变换的核心就三件事：对数提暗部、指数提亮部、伽马全覆盖。选型时别死记硬背，想想你的图像里哪部分信息更重要——暗部细节多就用对数或 γ<1 的伽马，亮部细节多就用指数或 γ>1 的伽马。如果拿不准，从 γ=0.5 和 γ=1.5 两个方向试，对比结果再决定。