Gamma校正与色调映射：从曲线原理到实战落地

Gamma校正和色调映射，这两个词听起来像是纯理论的东西。但说真的，我在实际项目中踩过的坑，有一半都跟它们有关。你想想看，一个算法在显示器上看着完美，换个屏幕就偏色严重，或者HDR素材在普通屏幕上亮得刺眼——这些问题的根源，往往就是Gamma和色调映射没处理好。

今天我们就来把这层窗户纸捅破。

先问个问题：为什么要有Gamma校正？

说白了，是因为人眼对亮度的感知不是线性的。我们人眼在暗部特别敏感，稍微亮一点就能察觉；但在亮部，就算亮度翻倍，我们可能觉得“也就那样”。而摄像头传感器呢？它是线性记录的——光量翻倍，电压就翻倍。这就产生了矛盾。

Gamma校正就是用来解决这个矛盾的。它本质上是一个幂律曲线：

V_out = V_in ^ (1/γ)

标准Gamma值通常是2.2。也就是说，在编码时，我们对线性信号做1/2.2次幂的压缩。这样做的结果是：暗部细节被保留得更多，亮部被压缩。嗯，这正好匹配人眼的感知特性。

核心要点：Gamma校正不是“破坏”图像，而是把线性信号映射到人眼更舒服的感知空间。所有标准显示设备都默认应用Gamma 2.2的解码曲线。

我在项目中遇到过一件事：有个算法在PC上跑得好好的，移植到手机端就暗成一团。查了半天，发现是手机系统默认做了两次Gamma校正——算法里做了一次，显示驱动又做了一次。所以，一定要搞清楚你的图像当前处于哪个色彩空间。

SDR（标准动态范围）和HDR（高动态范围）的区别，不只是bit数的问题。SDR用Gamma曲线，HDR用PQ（感知量化）或HLG曲线。这两者完全是两套逻辑。

HDR映射的核心挑战是什么？是把高动态范围的内容“塞”进低动态范围的显示设备里。你不能直接线性压缩，那样暗部会死黑，亮部会过曝。

我个人习惯的做法是：先做全局色调映射，再做局部细节增强。全局映射保证整体亮度关系不乱，局部增强则把丢失的细节找回来。

色调映射算子（Tone Mapping Operator）有很多种，但真正在工业界常用的，其实就三类。我一个个说。

Reinhard算子的公式很简单：

L_d = L_w / (1 + L_w)

其中L_w是场景亮度，L_d是显示亮度。这个算子的好处是：永远不会过曝。因为分母永远比分子大，输出值永远小于1。但缺点也很明显——高亮区域会被压得太暗，缺乏层次感。

我的经验：Reinhard算子适合做快速预览。如果追求质量，我会在它后面加一个Gamma校正，把暗部再提亮一点。公式变成：L_d = (L_w / (1 + L_w)) ^ (1/2.2)。

这个算子是我在低光照场景下的首选。它的核心思想是：根据图像的平均亮度动态调整映射曲线。暗部区域用更陡的曲线，亮部区域用更缓的曲线。

L_d = log(1 + L_w) / log(1 + L_max)

注意这里的L_max不是固定值，而是根据图像内容自适应计算的。我曾经在一个夜间监控项目中用过这个算子，效果比Reinhard好太多——暗部的车牌号码都能看清了。

前面两种都是全局映射，处理不了局部对比度丢失的问题。比如一张图里既有阳光下的窗户，又有阴影里的角落，全局映射要么让窗户过曝，要么让角落死黑。

局部映射的做法是：把图像分解成基础层和细节层。基础层做全局映射，细节层保留并叠加回去。这样既保证了整体亮度合理，又保留了局部纹理。

避坑指南：我曾经在局部映射上栽过跟头——细节层叠加太多，导致图像出现光晕伪影。后来我加了一个边缘保护滤波器，才把这个问题压下去。记住：细节层不能无脑叠加，必须做边缘保护。

下面这张图总结了Gamma校正与色调映射的核心逻辑。你可以把它当作一个快速参考。

最后，我总结几个实战中容易忽略的点：

一个小技巧：如果你不确定当前图像是否做了Gamma校正，可以拍一张纯灰卡照片。在Gamma校正过的图像里，灰卡的RGB值应该是均匀的（比如128,128,128）。如果偏暗或偏亮，说明Gamma空间不对。

嗯，Gamma校正和色调映射这块，说难不难，说简单也不简单。关键是要理解背后的感知原理，而不是死记公式。下次你遇到图像偏色或者动态范围问题，不妨先从Gamma曲线入手排查——八成问题就出在这里。