3. Gamma校正基础：人眼视觉特性与Gamma曲线数学原理

Gamma校正（Gamma Correction）是ISP（图像信号处理器）流水线中最基础、最核心的非线性处理环节。它并非简单的“调亮”或“调暗”，而是基于人眼视觉系统（HVS）对亮度感知的非线性特性，对图像信号进行重新映射，使有限的量化位数（如8bit/10bit）能够更高效地编码视觉信息。在后续的降噪处理中，Gamma校正的曲线形态直接影响噪声在亮区和暗区的分布特性，因此理解Gamma是联合优化的前提。

3.1 人眼视觉的亮度感知特性

人眼对亮度的感知并非线性，而是遵循韦伯-费希纳定律（Weber-Fechner Law）的近似对数关系。该定律指出：人眼能分辨的最小亮度差异（ΔL）与背景亮度（L）的比值近似恒定，即ΔL/L ≈ 常数。这意味着：

• 暗区敏感：在低亮度区域，人眼能分辨很小的亮度变化（ΔL小）。
• 亮区迟钝：在高亮度区域，人眼需要较大的亮度变化才能感知到差异（ΔL大）。

这一特性决定了：如果使用线性量化（如8bit 0-255均匀分布），暗区的量化步长会显得“粗糙”，导致暗部出现明显的条带效应（Banding）；而亮区的量化步长又过于“精细”，造成比特浪费。Gamma校正正是为了解决这一矛盾而设计。

3.2 Gamma曲线的数学定义

在ISP领域，Gamma校正通常使用幂律函数（Power-Law Function）来描述。其标准数学形式为：

V_out = A * (V_in)^γ

其中：
- V_in  ：归一化输入亮度（范围 0.0 ~ 1.0）
- V_out ：归一化输出亮度（范围 0.0 ~ 1.0）
- A     ：增益系数（通常 A=1.0，用于归一化）
- γ     ：Gamma指数（Gamma值）

在实际ISP硬件中，为了处理暗区噪声放大问题，通常会在低亮度区域引入一个线性偏移段（Offset/Footroom），形成分段Gamma曲线。海思平台常用的分段Gamma模型如下：

V_out = 
  |  s * V_in                          , 0 ≤ V_in < V_th
  |  (1 + s*V_th) * (V_in)^γ - s*V_th , V_th ≤ V_in ≤ 1.0

其中：
- s     ：线性段斜率（通常 s = 4.5 ~ 5.0）
- V_th  ：线性段与幂律段的切换阈值（通常 V_th = 0.018 ~ 0.020）
- γ     ：Gamma指数（标准值 0.45，对应显示端 Gamma 2.2 的倒数）

3.3 Gamma校正的量化效率分析

为了直观理解Gamma校正如何提升量化效率，我们对比线性量化与Gamma校正后的量化步长分布。假设8bit系统（0-255），输入物理光强为线性：

从上表可以看出：Gamma校正将更多的量化级数分配给了人眼更敏感的暗区，而减少了亮区的量化级数。这种“感知量化”策略使得8bit图像在视觉上接近10bit线性量化的效果。

3.4 Gamma校正与噪声的耦合关系

Gamma校正对噪声的影响是后续降噪处理必须考虑的关键因素。其核心机制在于斜率放大效应：

• 暗区噪声放大：Gamma曲线在暗区（V_in 接近0）的斜率很大（导数 dV_out/dV_in > 1），这意味着暗区的输入噪声会被显著放大。例如，Gamma=0.45时，V_in=0.01处的斜率约为4.5倍，即暗区噪声被放大了4.5倍。
• 亮区噪声压缩：Gamma曲线在亮区（V_in 接近1）的斜率很小（导数 < 1），亮区的输入噪声会被压缩。
• 噪声分布非均匀化：经过Gamma校正后，原本均匀分布的传感器噪声（如光子散粒噪声）会变成非均匀分布——暗区噪声方差大，亮区噪声方差小。

3.5 海思平台Gamma调试参数速查

在海思ISP调试工具（如HiISP Tool）中，Gamma校正相关的关键参数如下表所示。理解这些参数与降噪的交互关系，是进行联合优化的基础。