Gamma原理及快速实现算法(C/C++)(转)
原文:http://blog.csdn.net/lxy201700/article/details/24929013
参考
http://www.cambridgeincolour.com/tutorials/gamma-correction.htm
http://en.wikipedia.org/wiki/Gamma_correction
论文Gamma矫正的快速算法以及其C语言实现
一、什么是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:
[2] A是一个常数,通常取1,这个指数即为Gamma
经过Gamma校正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。
图一Gamma校正后的输入和输出图像灰度值关系图
上图是不同gamma值对应图像亮度的变化
二、为什么进行Gamma校正?
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:
图2 人眼和摄像机的感光与实际输入光强的关系[1]。
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。
2. 为能更有效的保存图像亮度信息,需进行Gamma校正。
未经gamma校正和经过gamma校正保存图像信息如图3所示:
图3 未经gamma校正和经过gamma校正保存图像信息.
可以观察到,未经gamma校正的情况下,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校正后,图像的信息更加逼近原图的信息从而改善了存储的有效性和效率。
3.gamma叠加的影响
如图所示对于一个标准的伽玛编码的图像文件(一),改变显示的γ(— )将因此具有以下的总体影响(— )的图像上。
三、Gamma矫正的原理
假设图像中有一个像素,值是200,那么对这个像素进行校正必须执行如下步骤。
1.归一化:将像素值转换为 0~1 之间的实数。 算法如下: ( i + 0. 5)/256 这里包含1个除法和1个加法操作。对于像素 A 而言 ,其对应的归一化值为 0. 783203。
2.预补偿:根据公式 ,求出像素归一化后的 数据以 1/gamma 为指数的对应值。这一步包含一个 求指数运算。若 gamma 值为 2. 2 , 则 1/gamma 为 0. 454545 ,对归一化后的 A 值进行预补偿的结果就 是 0. 783203^0. 454545 = 0. 894872。
3.反归一化:将经过预补偿的实数值反变换为 0 ~ 255 之间的整数值。具体算法为: f*256 - 0. 5 此步骤包含一个乘法和一个减法运算。续前 例 ,将 A 的预补偿结果 0. 894872 代入上式 ,得到 A 预补偿后对应的像素值为 228 ,这个 228 就是最后送 入显示器的数据。
如上所述如果直接按公式编程的话,假设图像的分辨率为800*600,对它进行gamma校正,需要执行48万个浮点数乘法、除法和指数运算。效率太低,根本达不到实时的效果。
针对上述情况,提出了一种快速算法,如果能够确知图像的像素取值范围 ,例如 , 0~255之间的整数 ,则图像中任何一个像素值只能 是 0 到 255 这 256 个整数中的某一个;在 gamma值 已知的情况下 ,0~255 之间的任一整数 ,经过“归一 化、预补偿、反归一化”操作后,所对应的结果是唯一的 ,并且也落在 0~255 这个范围内。如前例 ,已知 gamma 值为 2. 2 ,像素 A 的原始值是 200 ,就可求得 经 gamma 校正后 A 对应的预补偿值为 228。基于上述原理 ,我们只需为 0~255 之间的每个整数执行一次预补偿操作 ,将其对应的预补偿值存入一个预先建立的 gamma 校正查找表(LUT:Look Up Table) ,就可以使用该表对任何像素值在 0~255 之 间的图像进行 gamma 校正。
C语言程序:
#include <math.h> typedef unsigned char UNIT8; //用 8 位无符号数表示 0~255 之间的整数 UNIT8 g_GammaLUT[256];//全局数组:包含256个元素的gamma校正查找表 //Buildtable()函数对0-255执行如下操作: //①归一化、预补偿、反归一化; //②将结果存入 gamma 查找表。 //从公式得fPrecompensation=1/gamma void BuildTable(float fPrecompensation ) { int i; float f; for( i=0;i<256;i++) { f=(i+0.5F)/256;//归一化 f=(float)pow(f,fPrecompensation); g_GammaLUT[i]=(UNIT8)(f*256-0.5F);//反归一化 } } void GammaCorrectiom(UNIT8 src[],int iWidth,int iHeight,float fGamma,UNIT8 Dst[]) { int iCols,iRows; BuildTable(1/fGamma);//gamma校正查找表初始化 //对图像的每个像素进行查找表矫正 for(iRows=0;iRows<iHeight;iRows++) { for(iCols=0;iCols<iWidth;iCols++) { Dst[iRows*iWidth+iCols]=g_GammaLUT[src[iRows*iWidth+iCols]]; } } }
四、利用OpenCV实现的Gamma校正
#include <opencv\cv.h> #include <opencv\highgui.h> #include <iostream> using namespace cv; //下面的所有cv相关类型不用加上前缀了 int main(int argc, char* argv[]) { Mat img = imread(argv[1]); Mat& src=img; Mat& MyGammaCorrection(Mat& src, float fGamma); if(!img.data) return -1; float fGamma=1/2.2; MyGammaCorrection(img, fGamma); namedWindow("dst", CV_WINDOW_AUTOSIZE); imshow("dst",src); waitKey(0); return 0; } Mat& MyGammaCorrection(Mat& src, float fGamma) { CV_Assert(src.data); //若括号中的表达式为false,则返回一个错误的信息。 // accept only char type matrices CV_Assert(src.depth() != sizeof(uchar)); // build look up table unsigned char lut[256]; for( int i = 0; i < 256; i++ ) { lut[i] = pow((float)(i/255.0), fGamma) * 255.0; } //先归一化,i/255,然后进行预补偿(i/255)^fGamma,最后进行反归一化(i/255)^fGamma*255 const int channels = src.channels(); switch(channels) { case 1: { //运用迭代器访问矩阵元素 MatIterator_<uchar> it, end; for( it = src.begin<uchar>(), end = src.end<uchar>(); it != end; it++ ) //*it = pow((float)(((*it))/255.0), fGamma) * 255.0; *it = lut[(*it)]; break; } case 3: { MatIterator_<Vec3b> it, end; for( it = src.begin<Vec3b>(), end = src.end<Vec3b>(); it != end; it++ ) { //(*it)[0] = pow((float)(((*it)[0])/255.0), fGamma) * 255.0; //(*it)[1] = pow((float)(((*it)[1])/255.0), fGamma) * 255.0; //(*it)[2] = pow((float)(((*it)[2])/255.0), fGamma) * 255.0; (*it)[0] = lut[((*it)[0])]; (*it)[1] = lut[((*it)[1])]; (*it)[2] = lut[((*it)[2])]; } break; } } return src; }
实现结果
试验结果
原图
fGamma=2.2
fGamma=2.2