大家好，又见面了，我是你们的朋友全栈君。如果您正在找激活码,请点击查看最新教程,关注关注公众号 “全栈程序员社区” 获取激活教程,可能之前旧版本教程已经失效.最新Idea2022.1教程亲测有效,一键激活。

Jetbrains全系列IDE使用 1年只要46元售后保障童叟无欺

自动伽马校正(Auto Gamma Correction)算法

微信公众号：幼儿园的学霸

理论

在对图像进行处理过程中，查找到一篇对图像进行自动gamma校正的论文，论文名称及链接见参考文献1.

文章的核心描述如下：

Average of brightness is simple element that can be computed in the least amount of time. Basic approach in this article present a technique to estimate appropriate gamma based on average brightness. …, We suppose a gamma which changes average of brightness to 1/2, …

其大概意思是:假定一副合理的图像其所有像素(归一化后)的均值应该在0.5左右，那么自动伽马校正的伽马值就要使得目标图像向这个目标前进。
假设X是图像的平均值，那么自动伽马校正所需要的伽马值应该基于下列公式进行计算：

公式描述

根据论文描述:

This paper proposes a method which estimates a power that transport average amount of brightness to center of histogram.

即通过自动gamma校正后图像的灰度直方图将向中心进行偏移。

代码实现

按照上述公式，可以很快实现该算法。代码如下。
1.在实现过程中，采用了查找表的思想，以加快图像处理速度。
2.针对多通道图像，对各通道的gamma再次进行求均值，作为gamma校正的gamma值，以避免多通道图像的偏色现象。该修改在原论中并不存在。

//
// Created by liheng on 11/22/20.
//

#include <iostream>
#include <chrono>
#include <opencv2/opencv.hpp>

//自动Gamma校正算法
//Input Param:src--输入图像,3 channels or 1channels
//Output Param:dst--归一化后的图像,type as src
//Return:   null
void AutoGammaCorrection(const cv::Mat &src, cv::Mat &dst)
{
    const int channels = src.channels();
    const int type = src.type();
    assert( type==CV_8UC1 || type==CV_8UC3 );


    //======计算gamma值========//
    auto mean = cv::mean(src);//求均值
    mean[0] = std::log10(0.5) / std::log10(mean[0]/255);//gamma = -0.3/log10(X)
    if( 3==channels )
    {
        mean[1] = std::log10(0.5) / std::log10(mean[1]/255);//gamma = -0.3/log10(X)
        mean[2] = std::log10(0.5) / std::log10(mean[2]/255);//gamma = -0.3/log10(X)

        //多通道图像,对求得的gamm再次平均,避免偏色现象
        auto mean3 = (mean[0]+mean[1]+mean[2])/3;
        mean[0]=mean[1]=mean[2] = mean3;
    }



    //=======计算gamma查找表,减少计算量=======//
    //查找表，数组的下标对应图片里面的灰度值
    //lut(0,10)=(50,60,70)表示通道1灰度值为10的像素其对应的值为50;
    // 通道2灰度值为10的像素其对应的值为60;
    // 通道3灰度值为10的像素其对应的值为70
    cv::Mat lut(1,256,src.type());
    if( 1==channels )
    {
        for(int i=0; i<256;++i)//灰度等级[0,255]
        {
            //将灰度值归一化0-1之间
            float Y = i*1.0f/255;// or Y=i*0.00392;
            //求该灰度值gamma校正后的值
            Y = std::pow(Y,mean[0]);

            lut.at<unsigned char>(0,i) = cv::saturate_cast<unsigned char>(Y*255);
        }
    }
    else if(3==channels)
    {
        for(int i=0; i<256;++i)//灰度等级[0,255]
        {
            //将灰度值归一化0-1之间
            float Y = i*1.0f/255;// or Y=i*0.00392;
            //求该灰度值gamma校正后的值
            auto B = cv::saturate_cast<unsigned char>(std::pow(Y,mean[0])*255);
            auto G = cv::saturate_cast<unsigned char>(std::pow(Y,mean[1])*255);
            auto R = cv::saturate_cast<unsigned char>(std::pow(Y,mean[2])*255);

            lut.at<cv::Vec3b>(0,i) = cv::Vec3b(B,G,R);
        }
    }


    //=========利用查找表进行校正==========//
    cv::LUT(src,lut,dst);
}

int main()
{
    std::string image_path = "../autogamma.png";
    cv::Mat src = cv::imread(image_path,cv::IMREAD_COLOR);
    cv::imshow("src",src);

    cv::Mat dst1,dst2;
    AutoGammaCorrection(src,dst1);
    src.convertTo(src,CV_32FC3,1.0/255);
    cv::pow(src,0.7,dst2);
    cv::normalize(dst2,dst2,0,255,cv::NORM_MINMAX);
    cv::convertScaleAbs(dst2,dst2);

    cv::imshow("dst1",dst1);
    cv::imshow("dst2",dst2);
    cv::waitKey(0);
}

效果如下: