AI_Plays/ISP/Fast_ISP_Progress.ipynb at main · ameengee/AI_Plays · GitHub
Gamma Correction（伽馬校正）是圖像處理中的一個重要步驟，目的是調整圖像的亮度，使其更符合人眼的感知或顯示設備的特性。
為什么需要 Gamma Correction？
人眼對亮度的感知是非線性的：
-
對低亮度更敏感，對高亮度不敏感。
-
如果我們不進行校正，線性存儲的圖像在顯示設備上會顯得過暗或不自然。
多數顯示設備（如顯示器）也不是線性顯示亮度的，而是有自身的非線性響應曲線（通常是 2.2 的冪函數）。
Gamma Correction 原理
Gamma 校正的核心公式：
?? 從線性亮度 → 非線性（編碼）：
I_corrected = I_input ** (1 / gamma)
?? 從非線性（解碼） → 線性亮度（反伽馬）：
I_linear = I_encoded ** gamma
其中：
-
I_input是歸一化的像素值（0.0 ~ 1.0） -
gamma是伽馬值，通常為 2.2（sRGB 標準） -
I_corrected是校正后的值（也歸一化）
?代碼：
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 對于 NumPy 數組來說功能是一樣的，作用都是逐元素冪運算，但：
?
np.power是更明確、健壯、推薦的方式，尤其是在處理多維數組、廣播、類型轉換時更可控。
np.power 的優勢
| 場景 | 為什么更好 |
|---|---|
| 類型控制更安全 | 會自動廣播并轉換成合適的 dtype（比如 float64）避免整型冪出錯 |
| 更顯式語義 | 在寫圖像處理/科學計算時，用 np.power 一看就知道是「逐元素冪運算」，可讀性強 |
| 兼容廣播 | 比如 np.power(array, scalar)、np.power(array1, array2) 都支持 |
| 鏈式操作穩定 | 和 np.clip、np.sqrt 等 NumPy 函數一起用時更一致、少坑 |
?
