AI_Plays/ISP/Fast_ISP_Progress.ipynb at main · ameengee/AI_Plays · GitHub
Gamma Correction（伽马校正）是图像处理中的一个重要步骤，目的是调整图像的亮度，使其更符合人眼的感知或显示设备的特性。
为什么需要 Gamma Correction？
人眼对亮度的感知是非线性的：
-
对低亮度更敏感，对高亮度不敏感。
-
如果我们不进行校正，线性存储的图像在显示设备上会显得过暗或不自然。
多数显示设备（如显示器）也不是线性显示亮度的，而是有自身的非线性响应曲线（通常是 2.2 的幂函数）。
Gamma Correction 原理
Gamma 校正的核心公式：
➤ 从线性亮度 → 非线性（编码）：
I_corrected = I_input ** (1 / gamma)
➤ 从非线性（解码） → 线性亮度（反伽马）：
I_linear = I_encoded ** gamma
其中：
-
I_input是归一化的像素值（0.0 ~ 1.0） -
gamma是伽马值，通常为 2.2（sRGB 标准） -
I_corrected是校正后的值（也归一化）
代码：
def GAC(cfa_img, gamma):"""Gamma correction for demosaiced RGB image.Args:cfa_img: np.ndarray, dtype=uint8 or float, range [0,255] or [0,1]gamma: float, e.g., 2.2Returns:gac_img: np.ndarray, dtype=uint8, gamma-corrected RGB image"""# 1. Convert to float and normalizecfa_img = cfa_img.astype(np.float32) / 255.0# 2. Apply gamma correctiongac_img = np.power(cfa_img, 1.0 / gamma)# 3. Scale back to 0~255gac_img = np.clip(gac_img * 255.0, 0, 255).astype(np.uint8)return gac_img
np.power()
np.power(a, b) 和 a ** b 对于 NumPy 数组来说功能是一样的，作用都是逐元素幂运算，但：
✅
np.power是更明确、健壮、推荐的方式，尤其是在处理多维数组、广播、类型转换时更可控。
np.power 的优势
| 场景 | 为什么更好 |
|---|---|
| 类型控制更安全 | 会自动广播并转换成合适的 dtype（比如 float64）避免整型幂出错 |
| 更显式语义 | 在写图像处理/科学计算时，用 np.power 一看就知道是「逐元素幂运算」，可读性强 |
| 兼容广播 | 比如 np.power(array, scalar)、np.power(array1, array2) 都支持 |
| 链式操作稳定 | 和 np.clip、np.sqrt 等 NumPy 函数一起用时更一致、少坑 |
