4. Gamma校正软件仿真：使用Python/NumPy实现Gamma校正，对比不同Gamma值的输出图像效果

在ISP调试流程中，Gamma校正的数学原理与参数选择直接影响最终图像的亮度分布与对比度表现。本节通过Python/NumPy实现Gamma校正的软件仿真，帮助理解不同Gamma值对图像像素映射关系的影响，为后续硬件调优提供理论依据。

4.1 Gamma校正数学模型与映射曲线

Gamma校正的数学表达式为：

V_out = V_in ^ (1 / gamma)

其中V_in为归一化到[0, 1]范围的输入像素值，V_out为校正后的输出像素值。当gamma < 1时，映射曲线向上凸起，暗部区域被拉伸；当gamma > 1时，曲线向下凹陷，亮部区域被压缩。

4.2 Python/NumPy仿真实现

以下代码实现了完整的Gamma校正仿真流程，包括图像加载、归一化处理、Gamma映射、反归一化及结果保存。代码采用向量化操作，避免逐像素循环，提高执行效率。

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

def gamma_correction(image, gamma):
    """
    对输入图像进行Gamma校正
    
    参数:
        image: 输入图像 (uint8, 范围0-255)
        gamma: Gamma值 (float)
    
    返回:
        corrected: 校正后图像 (uint8, 范围0-255)
    """
    # 归一化到[0, 1]范围
    normalized = image.astype(np.float32) / 255.0
    
    # Gamma校正映射
    corrected = np.power(normalized, 1.0 / gamma)
    
    # 反归一化到[0, 255]范围
    corrected = np.clip(corrected * 255.0, 0, 255).astype(np.uint8)
    
    return corrected

# 加载测试图像（灰度或彩色）
img = cv2.imread('test_image.png', cv2.IMREAD_COLOR)
if img is None:
    print("错误：无法加载图像文件")
    exit()

# 定义待测试的Gamma值列表
gamma_values = [0.25, 0.45, 1.0, 2.2, 3.0]

# 存储结果
results = {'original': img}
for gamma in gamma_values:
    results[f'gamma_{gamma}'] = gamma_correction(img, gamma)

# 显示对比结果
plt.figure(figsize=(15, 8))
for i, (key, value) in enumerate(results.items()):
    plt.subplot(2, 3, i+1)
    if len(value.shape) == 3:
        plt.imshow(cv2.cvtColor(value, cv2.COLOR_BGR2RGB))
    else:
        plt.imshow(value, cmap='gray')
    plt.title(f'{key}', fontsize=12)
    plt.axis('off')
plt.tight_layout()
plt.show()

4.3 不同Gamma值效果对比分析

下表总结了不同Gamma值对图像各区域的影响特征，帮助调试工程师根据场景需求快速选择参数：

4.4 直方图对比与量化评估

除了视觉对比，直方图分析是评估Gamma校正效果的量化手段。以下代码计算并绘制校正前后的直方图分布：

def plot_histogram_comparison(original, corrected, gamma):
    """
    绘制原始图像与Gamma校正后图像的直方图对比
    
    参数:
        original: 原始图像 (uint8)
        corrected: 校正后图像 (uint8)
        gamma: Gamma值 (用于标题标注)
    """
    plt.figure(figsize=(12, 4))
    
    # 原始图像直方图
    plt.subplot(1, 2, 1)
    plt.hist(original.ravel(), bins=256, range=[0, 256], 
             color='#3498db', alpha=0.7, density=True)
    plt.title(f'原始图像直方图', fontsize=12)
    plt.xlabel('像素值')
    plt.ylabel('概率密度')
    plt.grid(alpha=0.3)
    
    # 校正后直方图
    plt.subplot(1, 2, 2)
    plt.hist(corrected.ravel(), bins=256, range=[0, 256], 
             color='#e74c3c', alpha=0.7, density=True)
    plt.title(f'Gamma={gamma} 校正后直方图', fontsize=12)
    plt.xlabel('像素值')
    plt.ylabel('概率密度')
    plt.grid(alpha=0.3)
    
    plt.tight_layout()
    plt.show()

# 示例调用
gamma_test = 0.45
corrected_img = gamma_correction(img, gamma_test)
plot_histogram_comparison(img, corrected_img, gamma_test)

4.5 多Gamma值批量对比脚本

为方便工程调试，以下脚本支持批量生成不同Gamma值的校正结果，并自动保存为对比图：

def batch_gamma_comparison(input_path, output_path, gamma_list):
    """
    批量生成Gamma校正对比图
    
    参数:
        input_path: 输入图像路径
        output_path: 输出对比图保存路径
        gamma_list: Gamma值列表，如 [0.25, 0.45, 1.0, 2.2, 3.0]
    """
    # 读取图像
    img = cv2.imread(input_path)
    if img is None:
        raise ValueError(f"无法读取图像: {input_path}")
    
    # 创建子图布局
    n = len(gamma_list) + 1  # +1 为原始图像
    cols = 3
    rows = (n + cols - 1) // cols
    
    plt.figure(figsize=(cols * 4, rows * 3))
    
    # 显示原始图像
    plt.subplot(rows, cols, 1)
    plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))
    plt.title('Original', fontsize=10)
    plt.axis('off')
    
    # 显示各Gamma值结果
    for idx, gamma in enumerate(gamma_list):
        corrected = gamma_correction(img, gamma)
        plt.subplot(rows, cols, idx + 2)
        plt.imshow(cv2.cvtColor(corrected, cv2.COLOR_BGR2RGB))
        plt.title(f'Gamma={gamma}', fontsize=10, color='#2c3e50')
        plt.axis('off')
    
    plt.tight_layout()
    plt.savefig(output_path, dpi=150, bbox_inches='tight')
    plt.close()
    print(f"对比图已保存至: {output_path}")

# 使用示例
batch_gamma_comparison(
    input_path='test_image.png',
    output_path='gamma_comparison.png',
    gamma_list=[0.25, 0.45, 1.0, 2.2, 3.0]
)

4.6 工程实践要点总结

• LUT预计算：在嵌入式ISP中，使用256字节查找表替代实时幂运算，每帧仅需一次查表操作。
• Gamma值选择：标准显示设备通常使用2.2，但ISP前端建议使用0.45（即1/2.2）进行逆校正，以补偿显示端的Gamma特性。
• 位宽考虑：仿真使用8-bit数据，实际ISP处理链中可能使用10-bit或12-bit RAW数据，LUT需相应扩展。
• 联合调试：Gamma校正应放在降噪模块之后、色彩校正模块之前，避免噪声被非线性映射放大。
• 动态范围：Gamma值小于0.3时需注意暗部量化噪声，建议配合局部色调映射（LTM）使用。