伽马矫正实验

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。为⽅便⼈眼辨识图像，需要将摄像机采集的图像进⾏gamma校正。 Gamma校正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.

计算机系统由于显卡或者显示原因导致实际输出的亮度有偏差，需要调节亮度以看清底部图片的设置操作，这同样属于伽马变换。

0-10范围内，输出值大概在50左右（人类视觉感知亮度），200以上的变化程度不大，人类对黑暗的环境光感知更加的敏感。

然而相机传感器与输入的关系反馈为线性关系

并且显像设备的电压响应强度和曲线都有以下的关系：Vin = Vout^gamma

伽马矫正实验原理：

1.归一化

将像素值转换为0-1之间的实数：, p为像素值。对像素A而言，其值为0.783203

2.预补偿

根据公式，将归一化后的像素以为指数对应值，进行指数运算。若gamma为2.2，则为0.454545，则像素A预补偿结果为

3.反归一化

将预补偿后的结果反变换为0-255之间的整数：，对像素A而言，预补偿后的A为228，这个228就是显示器显示的数据

# 读取显示图像
from skimage import io, transform, color
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei']

img = io.imread('OIP.jpg')

print(img.shape)
print(img.dtype)

plt.figure()
plt.subplot(111)
plt.title('Original Image')
plt.imshow(img, cmap='gray')

plt.tight_layout()
plt.show()

原始图像显示：

伽马值图像测试：

import numpy as np
import matplotlib.pyplot as plt
from skimage import data, io

img = io.imread('OIP.jpg')
height, width, channels = img.shape
print(type(img[0,0,0]))


imgRed = img[:,:,0]
img2 = 255*(imgRed/255)**3
img3 = 255*(imgRed/255)**(1/3)
img4 = 255*(imgRed/255)**2
img5 = 255*(imgRed/255)**(1/2)

plt.figure(1)
plt.subplot(221)
plt.xticks()
plt.yticks()
plt.imshow(img2, cmap='gray')

plt.subplot(222)
plt.xticks()
plt.yticks()
plt.imshow(img3, cmap='gray')

plt.subplot(223)
plt.xticks()
plt.yticks()
plt.imshow(img4, cmap='gray')

plt.subplot(224)
plt.xticks()
plt.yticks()
plt.imshow(img5, cmap='gray')

plt.tight_layout()
plt.show()

测试结果：

ps:附带一个小代码可以动态实现伽马值改变图像也跟着改变

import matplotlib.pyplot as plt
from skimage import io
import tkinter as tk

img = io.imread('OIP.jpg')
height, width, channels = img.shape
print(type(img[0, 0, 0]))

root = tk.Tk()
root.title("动态调节伽马值")


gamma_var = tk.DoubleVar(value=1.0)
gamma_slider = tk.Scale(root, from_=0.1, to=3.0, resolution=0.1, variable=gamma_var, orient=tk.HORIZONTAL, length=300,
                        label="Gamma")
gamma_slider.pack()
fig = plt.figure(figsize=(8, 6))
canvas = plt.gcf().canvas
root.wm_title("图像")


# 定义更新图像的函数
def update_image():
    imgRed = img[:, :, 0]
    img2 = 255 * (imgRed / 255) ** gamma_var.get()
    plt.clf()
    plt.imshow(img2, cmap='gray')
    plt.tight_layout()
    canvas.draw()
    root.after(100, update_image)


update_image()
root.mainloop()
plt.show()

测试：

有能力的人可以优化以下