伽马校正算法 计算机视觉技术算法 概念+原理+实现Python版

伽马校正算法

前言概念原理步骤效果生成测试图片源码具体算法实现源码总结

前言

伽马校正是一种广泛使用的图像增强技术，通过非线性变换调整图像的亮度分布。算法使用幂律函数对像素值进行映射，能够有效改善曝光不足或过度的问题。在摄影后期处理、医学影像、工业检测等场景中都有重要应用。相比线性调整，伽马校正更符合人眼的视觉特性，能够自然地增强细节层次。

概念

伽马校正是一种基于幂律函数的非线性变换方法，用于调整图像的亮度分布。算法通过对每个像素值进行幂运算，将输入灰度值映射到新的输出值。映射公式为：输出值 = (输入值/255)^γ × 255，其中γ是伽马参数。

伽马值决定了变换的特性：当γ小于1时，图像整体变亮，暗部细节得到增强；当γ大于1时，图像整体变暗，高光细节更清晰；当γ等于1时，图像保持不变。这种非线性调整方式更符合人眼的视觉感知特性，能够自然地改善图像的视觉效果。

原理

伽马校正的核心是幂律变换。人眼对亮度变化的感知是非线性的，对暗部变化比亮部变化更敏感。伽马校正利用这一特性，通过非线性映射来补偿人眼的感知特性或显示设备的非线性。

算法首先将像素值归一化到[0, 1]范围，然后对归一化值进行幂运算，最后再将结果映射回[0, 255]范围。这个过程通过查找表实现，预先计算所有可能的映射关系，在处理图像时直接查表，提高计算效率。

查找表包含256个条目，对应0到255的每个灰度级。计算时遍历所有可能的输入值，应用伽马变换公式得到输出值，构建完整的映射表。处理图像时，直接使用像素值作为索引在查找表中获取对应的输出值。

步骤

1. 创建查找表：初始化一个包含256个元素的数组，用于存储每个灰度级的映射结果。

2. 计算映射关系：遍历0到255的每个灰度级，对每个值进行归一化处理（除以255），应用伽马变换（计算幂），然后将结果重新映射回0到255范围并四舍五入取整，存入查找表。

3. 读取输入图像：使用灰度模式读取待处理的图像文件。

4. 应用查找表：将查找表应用于输入图像，将每个像素值替换为查找表中对应的映射值，得到校正后的图像。

5. 保存结果：将处理后的图像保存为指定格式的文件。

6. 显示对比：使用matplotlib创建包含两个子图的图形窗口，左侧显示原始图像，右侧显示伽马校正后的图像，并在标题中标注使用的伽马参数值。

效果

处理后的图像整体亮度明显提升，暗部区域的细节变得更加清晰可见。原本较暗的矩形区域和图形元素经过伽马校正后，亮度和对比度都得到了改善。文本"BUTIANYUN.COM"在暗背景中依然保持清晰，但周围环境细节更加丰富。不同亮度的区域在处理后形成了更好的层次感，从最暗到较亮的各个区域之间的过渡更加自然。

伽马值为0.5的处理使暗部像素得到了明显的提升，这种非线性调整方式相比简单的线性缩放能够更好地保留细节。原始图像中难以辨认的纹理和线条在校正后变得清晰，整体视觉质量得到改善。这种效果特别适合曝光不足的照片或低光照环境下采集的图像。

生成测试图片源码

测试图片生成程序创建了一个专用的测试图像，用于展示伽马校正算法的效果。程序首先创建一个黑色背景的画布，然后通过绘制不同亮度的矩形、圆形和线条来构建具有多层次亮度的图像。图像整体设计为偏暗风格，像素值主要分布在30到100之间，能够很好地展示伽马校正对暗部细节的增强效果。

程序使用OpenCV的绘图函数来创建各种几何图形，包括矩形、圆形和线条。这些图形的灰度值经过精心选择，形成从最暗到较暗的多个亮度层次。文本"BUTIANYUN.COM"使用较高的灰度值绘制，与暗背景形成对比。程序最后将生成的图像保存为输入文件，用于后续的伽马校正处理。

'''本代码生成适用于展示伽马校正算法效果的测试图像。生成的图像包含不同亮度区域的文本和几何图形，整体偏暗，能够很好地展示伽马校正（γ<1）如何增强暗部细节。图像中包含"BUTIANYUN.COM"文本，以及多个不同亮度的区域，用于对比展示伽马校正前后的效果差异。'''import numpy as npimport cv2# 创建一个较大的测试图像，避免文本重叠height = 800width = 1200# 创建黑色背景image = np.zeros((height, width), dtype=np.uint8)# 绘制不同亮度的矩形区域，从暗到亮# 左上角：最暗区域cv2.rectangle(image, (50, 50), (350, 250), 30, -1)# 右上角：较暗区域cv2.rectangle(image, (800, 50), (1150, 250), 60, -1)# 左中：暗区域cv2.rectangle(image, (50, 300), (350, 500), 45, -1)# 右中：中等偏暗区域cv2.rectangle(image, (800, 300), (1150, 500), 80, -1)# 底部：较亮但仍然偏暗的区域cv2.rectangle(image, (50, 600), (1150, 750), 100, -1)# 添加一些圆形元素，增加视觉复杂性cv2.circle(image, (200, 150), 40, 50, -1)cv2.circle(image, (950, 150), 40, 70, -1)cv2.circle(image, (600, 400), 60, 40, -1)# 添加"BUTIANYUN.COM"文本（亮白色，与暗背景形成强烈对比）cv2.putText(image, "BUTIANYUN.COM", (280, 430),             cv2.FONT_HERSHEY_SIMPLEX, 1.5, 200, 3)# 添加一些辅助文本，说明图像特征cv2.putText(image, "Gamma Correction Test", (420, 80),             cv2.FONT_HERSHEY_SIMPLEX, 1.2, 150, 2)cv2.putText(image, "Low Contrast Dark Image", (420, 660),             cv2.FONT_HERSHEY_SIMPLEX, 1.0, 120, 2)# 添加一些垂直线条，增加纹理for i in range(100, 200, 20):    cv2.line(image, (i, 100), (i, 200), 35, 2)for i in range(900, 1100, 20):    cv2.line(image, (i, 100), (i, 200), 55, 2)# 添加一些水平线条for i in range(350, 450, 20):    cv2.line(image, (100, i), (300, i), 40, 2)# 添加一些对角线纹理cv2.line(image, (500, 600), (700, 700), 90, 1)cv2.line(image, (700, 600), (900, 700), 90, 1)cv2.line(image, (500, 700), (700, 800), 90, 1)cv2.line(image, (700, 700), (900, 800), 90, 1)# 保存测试图像cv2.imwrite('butianyun_computer_vision_input.png', image)print("测试图像已生成并保存为 'butianyun_computer_vision_input.png'")print("图像大小: {} x {}".format(width, height))print("图像特点: 整体偏暗，包含不同亮度区域，适合展示伽马校正效果")

具体算法实现源码

伽马校正算法实现采用查找表技术来提高处理效率。主函数gamma_correction接收图像和伽马值两个参数，内部首先创建一个256元素的查找表数组，然后通过循环计算每个灰度级的映射关系。对于每个输入值，先进行归一化处理，计算其伽马变换结果，再将结果映射回原始范围并转换为整数类型。构建完查找表后，直接使用NumPy的数组索引功能将查找表应用于整幅图像，得到校正结果。

主函数main负责整个流程的组织。它首先读取输入图像，调用gamma_correction函数进行处理，设置伽马值为0.5以增强暗部细节。处理完成后，保存输出图像并使用matplotlib创建对比显示，展示原始图像和校正后的图像，以便直观观察算法效果。

'''本代码实现了伽马校正算法，用于调整图像的亮度和对比度。伽马校正是一种非线性变换，通过幂律函数对像素值进行映射。算法的数学原理为：输出值 = (输入值/255)^γ × 255，其中γ是伽马值。当γ < 1时，图像整体变亮，暗部细节得到增强；当γ > 1时，图像整体变暗，高光细节得到增强；当γ = 1时，图像保持不变。该算法广泛应用于图像显示、摄影后期处理、医学影像等领域，可以有效地调整图像的亮度和对比度，改善视觉质量。'''#############################################################   微信公众号：计算机视觉技术#   微信视频号：计算机视觉技术#   网站         ：BUTIANYUN.COM############################################################import cv2import numpy as npimport matplotlib.pyplot as plt# 设置中文字体，避免显示乱码plt.rcParams['font.sans-serif'] = ['SimHei', 'Microsoft YaHei', 'SimSun', 'Arial Unicode MS']plt.rcParams['axes.unicode_minus'] = Falsedefgamma_correction(image, gamma=1.0):"""执行伽马校正"""# 创建查找表    lookup_table = np.zeros(256, dtype=np.uint8)# 计算每个像素值的伽马校正映射for i in range(256):# 归一化到[0, 1]范围，应用伽马变换，再映射回[0, 255]        normalized = i / 255.0        corrected = np.power(normalized, gamma)        lookup_table[i] = np.round(corrected * 255).astype(np.uint8)# 应用查找表    corrected_image = lookup_table[image]return corrected_imagedefmain():# 读取输入图像    input_image = cv2.imread('butianyun_computer_vision_input.png', cv2.IMREAD_GRAYSCALE)if input_image isNone:        print("错误：无法读取输入图像文件 'butianyun_computer_vision_input.png'")return# 执行伽马校正，gamma=0.5（使图像变亮，增强暗部细节）    gamma_value = 0.5    output_image = gamma_correction(input_image, gamma=gamma_value)# 保存输出图像    cv2.imwrite('butianyun_computer_vision_output.png', output_image)    print(f"伽马校正完成（γ={gamma_value}），结果已保存为 'butianyun_computer_vision_output.png'")# 对照显示处理前后的图像    plt.figure(figsize=(12, 6))# 显示原始图像    plt.subplot(1, 2, 1)    plt.imshow(input_image, cmap='gray')    plt.title('原始图像')    plt.axis('off')# 显示伽马校正后的图像    plt.subplot(1, 2, 2)    plt.imshow(output_image, cmap='gray')    plt.title(f'伽马校正（γ={gamma_value}）')    plt.axis('off')    plt.tight_layout()# 保存对照显示结果    plt.savefig('伽马校正算法.png', dpi=150, bbox_inches='tight')    print("对照显示结果已保存为 '伽马校正算法.png'")    plt.show()if __name__ == '__main__':    main()

总结

伽马校正通过幂律变换对图像亮度进行非线性调整，能够有效改善曝光不足或过度的图像质量。算法使用查找表优化计算性能，通过调整伽马参数可以灵活控制增强效果。当伽马值小于1时，图像整体变亮，暗部细节得到明显增强；大于1时，图像整体变暗，高光细节更清晰。这种方法在摄影后期处理、医学影像、工业检测等领域有广泛应用，是图像处理中的重要基础技术。