图像增强——传统算法伽马校正实现暗光增强（附Python代码）

💪 专业从事且热爱图像处理，图像处理专栏更新如下👇：
📝《图像去噪》
📝《超分辨率重建》
📝《语义分割》
📝《风格迁移》
📝《目标检测》
📝《图像增强》
📝《模型优化》
📝《模型实战部署》
📝《图像配准融合》
📝《数据集》
📝《高效助手》

---

伽马校正作为一种传统的图像增强技术，适用于简单的亮度和对比度调整，尤其是在图像整体较暗或者需要快速增强的场景中。但它不适合处理复杂光照场景以及要求精确局部控制的场合。在更复杂的任务中，现代的图像处理方法（如基于深度学习的增强算法）可能更具优势。

一、伽马校正原理

伽马校正公式：

输出像素值$I_{out}$通过以下公式计算：
$$I_{out}=(\frac{I_{in}}{255}{)}^{\gamma }\times 255$$

其中$I_{in}$是输入的原始像素值，$\gamma$是控制亮度的伽马值。

当$\gamma <1$时，图像整体会变亮，适合用于暗光增强。

当$\gamma >1$时，图像整体会变暗，适合用于高光抑制。

通过调节伽马值，可以让图像的亮部和暗部的对比更明显，增加细节。然而，伽马校正是一种全局调整，可能无法有效应对具有复杂光照条件的场景。

二、伽马校正优缺点

2.1 优点

简单易用：伽马校正是一种计算复杂度低的全局亮度调整方法，适合快速图像处理。

提高图像对比度：尤其在暗光或高对比度场景下，伽马校正可以增强细节，改善图像的视觉效果。

可控性强：通过调整伽马值，可以灵活地控制图像亮度，满足不同的处理需求。

广泛应用：适用于图像和视频中的亮度调整，很多图像处理软件和硬件都内置了伽马校正功能。

2.2 缺点

全局操作：伽马校正对整个图像进行统一的调整，无法对局部光照条件进行细化处理。它无法应对复杂的场景光照变化，特别是同时存在明亮和暗淡区域的图像。

高光损失：对于亮部和高光区域的处理效果不好，可能导致这些部分的细节丢失或者过曝。

无法自动自适应：伽马校正参数需要手动调整，无法根据图像的光照条件自动调整最佳亮度。

颜色偏移：在 RGB 图像中，伽马校正可能会导致颜色偏移，尤其是在过度增强时，这可能会影响图像的颜色平衡。

三、伽马校正适用场景

暗光图像增强：伽马校正广泛用于低光照条件下拍摄的图像。通过调整伽马值，可以提升暗部细节，使图像整体更亮、更清晰。
应用领域：安防监控图像增强、夜间拍摄照片处理、交通摄像头图像处理等。

视频亮度调整：在视频处理中，伽马校正常被用于调整整体视频的亮度，使得视频内容在不同设备或显示器上呈现出适当的亮度效果。
应用领域：电影后期处理、视频剪辑、显示设备校准等。

图像对比度增强：伽马校正可以提高图像的整体对比度，使得图像在视觉上更加生动。在一些高对比度的场景中，可以通过调整伽马值改善图像的观感。
应用领域：摄影后期处理、科学图像分析、卫星遥感图像等。

图像预处理：在某些机器视觉或计算机视觉任务中，伽马校正可以作为图像预处理步骤之一，改善输入图像的质量，使得后续算法（如边缘检测、特征提取）能够更准确地运行。
应用领域：图像分类、目标检测、人脸识别等。

医疗图像处理：在 X 射线、CT 扫描等医疗成像中，伽马校正可以用来调整图像亮度，突出特定组织或器官的细节。
应用领域：医学影像增强、手术图像处理。

四、伽马校正实例

4.1 代码

下面使用 Python 和 OpenCV 来批量处理多张图像，通过调整伽马值进行暗光增强。

其中adjust_gamma 函数：这是实现伽马校正的函数。它通过创建一个查找表（LUT）来对每个像素值进行伽马校正。

enhance_images_in_folder 函数：批量处理文件夹中所有图像，对每张图像应用伽马校正，并将增强后的图像保存在指定的输出文件夹中。

伽马值 gamma_value：伽马值控制亮度增强效果，值越小，图像越亮。你可以根据图像的亮度调整这个值。

伽马校正参数调整：
如果图像过于暗，可以降低伽马值（如 1.5 或更小），以提高亮度。

具体代码见下：

import cv2
import numpy as np
import os

# 伽马校正函数
def adjust_gamma(image, gamma=1.0):
    # 建立查找表：将像素值（0-255）映射到经过伽马调整后的新值
    invGamma = 1.0 / gamma
    table = np.array([((i / 255.0) ** invGamma) * 255 for i in np.arange(256)]).astype("uint8")
    
    # 应用查找表来调整图像
    return cv2.LUT(image, table)   # cv2.LUT 是 OpenCV 提供的函数，作用是根据查找表 table 将图像 image 的每个像素值转换为伽马校正后的新像素值。

# 批量处理图像的函数
def enhance_images_in_folder(input_folder, output_folder, gamma=1.5):
    # 如果输出文件夹不存在，创建它
    if not os.path.exists(output_folder):
        os.makedirs(output_folder)

    # 遍历输入文件夹中的所有图像
    for filename in os.listdir(input_folder):
        if filename.endswith(".jpg") or filename.endswith(".png") or filename.endswith(".bmp"):
            # 构建图像的完整路径
            img_path = os.path.join(input_folder, filename)
            
            # 读取图像
            image = cv2.imread(img_path)
            
            # 检查图像是否正确读取
            
            if image is None:
                print(f"无法读取图像 {filename}")
                continue
            
            # 进行伽马校正
            enhanced_image = adjust_gamma(image, gamma=gamma)
            
            # 保存处理后的图像
            output_path = os.path.join(output_folder, filename)
            cv2.imwrite(output_path, enhanced_image)
            print(f"已保存增强后的图像：{output_path}")

# 主程序
input_folder = 'path/to/your/input_folder'  # 输入图像文件夹路径
output_folder = 'path/to/your/output_folder'  # 输出增强后的图像文件夹路径
gamma_value = 1.5  # 调整伽马值，越小越亮，适用于暗光增强

# 批量增强图像
enhance_images_in_folder(input_folder, output_folder, gamma=gamma_value)

4.2 代码解析

本小结的代码解析主要讲解一下adjust_gamma（）函数，其它部分代码都容易理解。

4.2.1 查找表生成

def adjust_gamma(image, gamma=1.0):
    # 建立查找表：将像素值（0-255）映射到经过伽马调整后的新值
    invGamma = 1.0 / gamma
    table = np.array([((i / 255.0) ** invGamma) * 255 for i in np.arange(256)]).astype("uint8")
    
    # 应用查找表来调整图像
    return cv2.LUT(image, table)

在上面代码中，table值为一个一维数组，里面存放了从0到255之间每个数值经过伽马校正公式计算后的数值，即为原像素值通过伽马校正后映射的值，为了更容易理解，见下：

从上面图中可以看出，经过伽马校正公式处理后，
原像素值为 0 的像素，转换后的值为 0。
原像素值为 1 的像素，转换后的值为 27。
原像素值为 2 的像素，转换后的值为 36。
…
原像素值为 255 的像素，转换后的值为 255。

table是一个查找表，用于下一步将原图像中对应的像素值替换为伽马校正后的数值。

每个像素值都会根据查找表 table 中的对应索引值进行替换。

4.2.2 像素值替换

代码cv2.LUT(image, table)中cv2.LUT 是 OpenCV 提供的函数，作用是根据查找表 table 将图像 image 的每个像素值转换为伽马校正后。这个过程具体是怎么转换的？？？

cv2.LUT 函数的具体操作是针对图像中的每一个像素，根据该像素值查找 table 中的对应值，并用这个值替换原始像素值。过程如下：
步骤：

（1）遍历图像中每个像素： cv2.LUT 会遍历 image 图像中每个像素，读取其原始像素值。假设图像中某个像素的值是 x。

（2）查找表查询： 根据像素值 x，在 table 中查找对应的伽马校正后的值，即 table[x]。例如，如果某个像素值为 5，则它会查找 table[5]，假设 table[5] = 56，那么这个像素的值会被替换成 56。

（3）像素替换： 将原始像素值 x 替换为 table[x]。这个过程会对图像中的所有像素重复进行。

4.3 伽马校正结果

下面随机挑选了一张用手机拍的现实暗光环境测试伽马校正，见下：

五、总结

以上就是传统算法伽马校正实现暗光增强解析及方法，其代码中cv2.LUT(image, table) 的操作是基于 查找表索引，将图像 image 中每个像素的值根据 table 中的对应值替换为伽马校正后的值。table 中的每个值对应的是经过伽马校正计算后的结果，所以最终得到的图像是伽马校正后的图像。

感谢您阅读到最后！😊总结不易，多多支持呀🌹 点赞👍收藏⭐评论✍️，您的三连是我持续更新的动力💖

关注公众号「视觉研坊」，获取干货教程、实战案例、技术解答、行业资讯！