声明:正文原文来自@零硬币博文，原文地址为https://blog.csdn.net/linqian bi/article/details/78617615。 正文摘录和少量修订仅用于本人的学习、记录，博客有异议的请联系本人删除。
gamma校正原理：
假设图像中有一个值为200的像素，则必须执行以下步骤来校正此像素：
1 .归一化：将像素值转换为0到1之间的实数。 算法如下：(I0.5 )/256这里包括一个除法和一个加法操作。 对于像素a的情形，对应于该情形的归一化值为0.783至203。
2 .使用事先补偿)式，求出将像素正规化后的数据的1/伽马作为指数的对应值。 这个步骤包括求指数的运算。 假设伽马值为2. 2，则1/伽马值为0. 454545，并且作为对标准化了的a值进行预补偿的结果，1/伽马值为0. 783203 ^0. 454545=0. 894872。
3 .逆正规化：将预补偿的实数值逆转换为0 ~ 255的整数值。 具体算法为： f*256 - 0. 5该步骤包括乘法和减法。 跟在前面的例子之后，将a的预补偿结果0. 894872代入上面的公式，其中，a的预补偿后的对应像素值为228，最后被发送给显示器的数据。
如上所述，直接用数学公式编程时，假设图像分辨率为800*600，为了对其进行伽马校正，需要执行48万个浮点数的乘法运算、除法运算、指数运算。 效率太低，完全得不到实时效果。
针对这种情况，提出了如果能够知道图像像素所取的值的范围、例如0 ~ 255间的整数，则图像中的任意一个像素值只能是0 ~ 255的256个整数中的任意一个的高速算法； 在已知伽马值的情况下，0到255之间的任何整数在经过“归一化、预补偿、逆归一化”操作后，对应的结果是唯一的，并且在0到255的范围内。
如前例所示，如果已知伽马值为2. 2并且像素a的原始值为200，则需要与伽马校正后的a对应的预补偿值为228。 根据上述原理，对0 ~ 255的每个整数进行事前校正操作，只需将对应的事前校正值保存在预先制作的伽马校正查找表LUT:Look Up Table中，就可以使用该表对任意像素值为0 ~ 255的图像进行伽马校正
Gamma校正实现：
# include iostream # include opencv2 corecore.HPP # include opencv2 highguihighgui.HPP # include opencv2 img pencv for(intI=0； i 256； I ) ) floatf=(I0.5f )/255； f=(浮动) ) pow(f，kFactor )； lut [ I ]=saturate _ cast uchar (f * 255.0 f-0.5f )； }Mat resultImage=srcImage.clone (； if(srcimage.channels(==1) mat iterator _ uchar iterator=result image.begin uchar )； mat iterator _ uchariteratorend=result image.end uchar (； for (； 迭代器！=迭代器结束； 迭代器(* iterator=lut ) )迭代器)； } else { mat iterator _ ve c3b iterator=result image.begin ve c3b (； mat iterator _ ve C3 biteratorend=result image.endv ec3b (； for (； 迭代器！=迭代器结束； iterator () iterator ) [0]=lut ) () iterator ) [0] )； //b (迭代器[1]=lut ) ) )迭代器) [1] )； //g (迭代器) (2)=lut ) () (迭代器) ) )； //r } }返回结果图像； }int main () matsrcimage=im read (' lake water.jpg )； if (！ src image.data (打印(could not loadimage… n )； 返回- 1；//取两种不同伽马值float gamma1=3.33f； 浮动gamma2=0.33 f； floatkfactor1=1/伽马1； floatkfactor2=1/伽马2； mat result1=gamma transform (src image，kFactor1)； mat result2=gamma transform (src image，kFactor2)； imshow(srcImage )、srcimage )； imshow(res1 )、result1)； imshow(res2 )、result2)； 维基(0； 返回0； }原图：
伽马=3.33的效果图：
伽马=0.33的效果图：
个人笔记：
Gamma校正对于光照不均匀现象处理较好，简单场景下指数增强的效果与Gamma校正类似，代码如下。但是指数校正更多的用来增加图像对比度，目的为“让高亮区域更亮，让灰暗区域更暗”，达不到通过调整Gamma值增加整个图像亮度或降低的目的。
# include opencv2/highgui/highgui.HPP # include opencv2/img proc/img proc.hppusingnamespacecv； intmain(intargc，char *argv[] ) matimage=imread(file_path )； 常数因子=3； //resize(image，image，size ) image.rows/2，image.rows/2 )； matimagegamma(image.size )、CV_32FC3)； for(intI=0； i image.rows； I ) for(intj=0； j image.cols； j ) ) imagegamma.ATVEC3f(I，j ) )=pow ) image.ATVEC3b ) )、factor )； imagegamma.ATVEC3f(I，j ) [1]=pow ) image.ATVEC3b ) I，j ) [1]，factor )； imagegamma.ATVEC3f(I，j ) [2]=pow ) image.ATVEC3b ) I，j ) [2]，factor )； 标准化为}//0~255normalize(imageGamma，imagegamma，0，255，CV_MINMAX )； 转换为8bit图像并显示转换图像(imagegamma，imagegamma )； imshow (原图)、image )； imshow (“伽马变换图像增强效果”、imageGamma )； 等待密钥(； 返回0； 下图是伽马值与指数补偿的比较，伽马值和指数值采用代码段的值。
原图
指数2-1 :
指数2-2 :
伽马3-1 :
伽马3-2: (伽马factor1) )。
伽玛3-3 (伽玛因子1 ) )。