python3深度学习：计算机视觉Gamma变换

ゞ浴缸里的玫瑰 2022-04-04 14:10 485阅读 0赞

【参考资料】https://blog.csdn.net/lichengyu/article/details/8457425

http://www.jb51.net/article/137566.htm

# 1.什么是Gamma变换 #

> Gamma变换是对输入图像灰度值进行的非线性操作，使输出图像灰度值与输入图像灰度值呈指数关系：这个指数即为Gamma。
> 
> Gamma变换就是用来图像增强，其提升了暗部细节，简单来说就是通过非线性变换，让图像从暴光强度的线性响应变得更接近人眼感受的响应，即将漂白（相机曝光）或过暗（曝光不足）的图片，进行矫正。
> 
> 经过Gamma变换后的输入和输出图像灰度值关系如图1所示：横坐标是输入灰度值，纵坐标是输出灰度值，蓝色曲线是gamma值小于1时的输入输出关系，红色曲线是gamma值大于1时的输入输出关系。可以观察到，当gamma值小于1时(蓝色曲线)，图像的整体亮度值得到提升，同时低灰度处的对比度得到增加，更利于分辩低灰度值时的图像细节。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FkbWluX21heGlu_size_16_color_FFFFFF_t_70][]

图1  Gamma校正

# 二、为什么进行Gamma变换 #

1. 人眼对外界光源的感光值与输入光强不是呈线性关系的，而是呈指数型关系的。在低照度下，人眼更容易分辨出亮度的变化，随着照度的增加，人眼不易分辨出亮度的变化。而摄像机感光与输入光强呈线性关系。如图2所示：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FkbWluX21heGlu_size_16_color_FFFFFF_t_70 1][]

图2  人眼和摄像机的感光与实际输入光强的关系

为方便人眼辨识图像，需要将摄像机采集的图像进行Gamma变换。

2. 为能更有效的保存图像亮度信息，需进行Gamma变换。

未经Gamma变换和经过Gamma变换保存图像信息如图3所示：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FkbWluX21heGlu_size_16_color_FFFFFF_t_70 2][]

图3  未经Gamma变换和经过Gamma变换保存图像信息

可以观察到，未经Gamma变换的情况下，低灰度时，有较大范围的灰度值被保存成同一个值，造成信息丢失；同时高灰度值时，很多比较接近的灰度值却被保存成不同的值，造成空间浪费。经过Gamma变换后，改善了存储的有效性和效率。

# 三、Gamma变换的基本形式 #

> 大于1时，对图像的灰度分布直方图具有拉伸作用（使灰度向高灰度值延展），而小于1时，对图像的灰度分布直方图具有收缩作用（是使灰度向低灰度值方向靠拢）。

# 四、Python下有关Gamma变换的示例代码 #

import cv2
    #分道计算每个通道的直方图
    img0 = cv2.imread('12.jpg')
    hist_b = cv2.calcHist([img0],[0],None,[256],[0,256])
    hist_g = cv2.calcHist([img0],[1],None,[256],[0,256])
    hist_r = cv2.calcHist([img0],[2],None,[256],[0,256])
    def gamma_trans(img,gamma):
        #具体做法先归一化到1，然后gamma作为指数值求出新的像素值再还原
        gamma_table = [np.power(x/255.0,gamma)*255.0 for x in range(256)]
        gamma_table = np.round(np.array(gamma_table)).astype(np.uint8)
        #实现映射用的是Opencv的查表函数
        return cv2.LUT(img0,gamma_table)
    img0_corrted = gamma_trans(img0, 0.5)
    cv2.imshow('img0',img0)
    cv2.imshow('gamma_image',img0_corrted)
    cv2.imwrite('gamma_image.png',img0_corrted)
    #分通道计算Gamma校正后的直方图
    hist_b_c =cv2.calcHist([img0_corrted],[0],None,[256],[0,256])
    hist_g_c =cv2.calcHist([img0_corrted],[1],None,[256],[0,256])
    hist_r_c =cv2.calcHist([img0_corrted],[2],None,[256],[0,256])
    fig = plt.figure('gamma')
    pix_hists = [[hist_b, hist_g, hist_r],
        [hist_b_c, hist_g_c, hist_r_c]]
    pix_vals = range(256)
    for sub_plt, pix_hist in zip([121, 122], pix_hists):
        ax = fig.add_subplot(sub_plt, projection='3d')
        for c, z, channel_hist in zip(['b', 'g', 'r'], [20, 10, 0], pix_hist):
              cs = [c] * 256
              ax.bar(pix_vals, channel_hist, zs=z, zdir='y', color=cs, alpha=0.618, edgecolor='none', lw=0)
        ax.set_xlabel('Pixel Values')
        ax.set_xlim([0, 256])
        ax.set_ylabel('Count')
        ax.set_zlabel('Channels')
    plt.show()
    cv2.waitKey()

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FkbWluX21heGlu_size_16_color_FFFFFF_t_70]: /images/20220404/7222335c26064ca884cbca0c750a96cd.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FkbWluX21heGlu_size_16_color_FFFFFF_t_70 1]: /images/20220404/7f7720ee638246c9aa7e4b2ae869ed77.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FkbWluX21heGlu_size_16_color_FFFFFF_t_70 2]: /images/20220404/f71f7db6a5fb44d685f8f5cc659f6364.png