Gamma校正原理:
假設圖像中有一個像素,值是 200 ,那麼對這個像素進行校正必須執行如下步驟:
1. 歸一化 :將像素值轉換爲 0 ~ 1 之間的實數。 算法如下 : ( i + 0. 5)/256 這裏包含 1 個除法和 1 個加法操作。對於像素 A 而言 , 其對應的歸一化值爲 0. 783203 。
2. 預補償 :根據公式 , 求出像素歸一化後的 數據以 1 /Gamma爲指數的對應值。這一步包含一個 求指數運算。若 Gamma值爲 2. 2 , 則 1 /Gamma爲 0. 454545 , 對歸一化後的 A 值進行預補償的結果就 是 0. 783203 ^0. 454545 = 0. 894872 。 (當Gamma校正的值大於1時,圖像的高光部分被壓縮而暗調部分被擴展;當Gamma校正的值小於1時,圖像的高光部分被擴展而暗調部分被壓縮)
3. 反歸一化 :將經過預補償的實數值反變換爲 0 ~ 255 之間的整數值。具體算法爲 : f*256 - 0. 5 此步驟包含一個乘法和一個減法運算。續前 例 , 將 A 的預補償結果 0. 894872 代入上式 , 得到 A 預補償後對應的像素值爲 228 , 這個 228 就是最後送 入顯示器的數據。
如上所述如果直接按公式編程的話,假設圖像的分辨率爲 800*600 ,對它進行 Gamma校正,需要執行 48 萬個浮點數乘法、除法和指數運算。效率太低,根本達不到實時的效果。
針對上述情況,提出了一種快速算法,如果能夠確知圖像的像素取值範圍 , 例如 , 0 ~ 255 之間的整數 , 則圖像中任何一個像素值只能 是 0 到 255 這 256 個整數中的某一個 ; 在 gamma 值 已知的情況下 ,0 ~ 255 之間的任一整數 , 經過“歸一 化、預補償、反歸一化”操作後 , 所對應的結果是唯一的 , 並且也落在 0 ~ 255 這個範圍內。
如前例 , 已知 Gamma值爲 2. 2 , 像素 A 的原始值是 200 , 就可求得 經 Gamma校正後 A 對應的預補償值爲 228 。基於上述原理 , 我們只需爲 0 ~ 255 之間的每個整數執行一次預補償操作 , 將其對應的預補償值存入一個預先建立的 gamma 校正查找表 (LUT:Look Up Table) , 就可以使用該表對任何像素值在 0 ~ 255 之 間的圖像進行 gamma 校正。
原文:https://blog.csdn.net/linqianbi/article/details/78617615
def adjust_gamma(image, gamma=1.0):
invGamma = 1.0/gamma
table = []
for i in range(256):
table.append(((i / 255.0) ** invGamma) * 255)
table = np.array(table).astype("uint8")
return cv2.LUT(img_dark, table)
img_brighter = adjust_gamma(img_dark, 2)