【短道速滑二】古老的基於亮度平均值的自動Gamma校正算法。

　　在github上搜索代碼Auto Gamma Correction，找到一個比較古老的代碼，詳見：https://github.com/PedramBabakhani/Automatic-Gamma-Correction，配套的代碼使用VHDL語言寫的，看了半天一個for循環沒有，是在看不懂，幸好裏面有篇算法對應的論文下載，論文名字叫《ASIC implementation of automatic gamma correction based on average of brightness 》，下載看了下，大概搞明白了他的大概意思。

　　文章的核心思想很簡單，就是他假定一幅合理的圖像應該所有像素的平均值應該是0.5左右（歸一化後的），所以那麼自動伽馬校正的伽馬值就要使得目標圖像向這個目標前進。

　　假定X是圖像的平均值，那麼自動伽馬需符合下述要求：

　　　　　　

 　　一步一步的往下推導，有：

　　      -----》       --------》

 　　就是這麼簡單哪，如果寫個代碼也就是幾分鐘的事情。

int IM_AutoGammaCorrection(unsigned char *Src, unsigned char *Dest, int Width, int Height, int Stride)
{
    int Channel = Stride / Width;
    if ((Src == NULL) || (Dest == NULL))                    return IM_STATUS_NULLREFRENCE;
    if ((Width <= 0) || (Height <= 0))                        return IM_STATUS_INVALIDPARAMETER;
    if ((Channel != 1) && (Channel != 3) && (Channel != 4))    return IM_STATUS_NOTSUPPORTED;
    int AvgB, AvgG, AvgR, AvgA;
    int Status = IM_GetAverageValue(Src, Width, Height, Stride, AvgB, AvgG, AvgR, AvgA);
    if (Status != IM_STATUS_OK)    return Status;
    if (Channel == 1)
    {
        float Gamma = -0.3 / (log10(AvgB / 256.0f));
        unsigned char Table[256];
        for (int Y = 0; Y < 256; Y++)        //    另外一種方式是：pow(Y / 255.0, 1.0 / Gamma）
        {
            Table[Y] = IM_ClampToByte((int)(pow(Y / 255.0f, Gamma) * 255.0f));
        }
        return IM_Curve(Src, Dest, Width, Height, Stride, Table, Table, Table);
    }
    else
    {
        float GammaB = -0.3 / (log10(AvgB / 256.0f));
        float GammaG = -0.3 / (log10(AvgG / 256.0f));
        float GammaR = -0.3 / (log10(AvgR / 256.0f));

        unsigned char TableB[256], TableG[256], TableR[256];
        for (int Y = 0; Y < 256; Y++)        //    另外一種方式是：pow(Y / 255.0, 1.0 / Gamma）
        {
            TableB[Y] = IM_ClampToByte((int)(pow(Y / 255.0f, GammaB) * 255.0f));
            TableG[Y] = IM_ClampToByte((int)(pow(Y / 255.0f, GammaG) * 255.0f));
            TableR[Y] = IM_ClampToByte((int)(pow(Y / 255.0f, GammaR) * 255.0f));
        }
        return IM_Curve(Src, Dest, Width, Height, Stride, TableB, TableG, TableR);
    }
}

　　效果似乎還是很不錯的。 

       

　　對於正常的圖像，基本上沒有啥變化，這也是必須要有的特性。

          

　　論文裏提出了另外一種更適合於硬件實現的方式。

　　他把圖像分成很多個16*16的小塊，比如N*M個（文章中固定死了，也是16*16個），然後對16*16的小塊，每次提取對應位置的一個像素，共計N*M個像素，計算這N*M像素的平均值，然後依據這個平均值計算出伽馬值，這樣就能計算出16*16個Gamma值，這些Gamma值肯定不會是完全相同的，文章中也統計了他們的差異大小，最後用這個256個gamma的平均值作爲最後的正副圖像的平均值。

   

　　這代碼寫的有點狗屎 ......

　　注意上面的取樣是全部平均取樣，不是某一個塊集中取樣。

　　這樣寫的結果和全圖取平均還是有一定區別的，不過效果基本上差不多。

　　整個過程就這麼簡單，不過對於彩色圖像，如果直接分通道實現，似乎會出現一定的偏色現象，我想這個不應該是Gamma調整該出現的作用，應該予以消除，如下所示：

       

　　解決方法有把三通道求得的Gamma值再求平均值，作爲每個通道的Gamma值，也可以對亮度通道做Gamma，然後在返回到RGB空間等等。

       

　　如上所示，基本沒有這個現象。

　　當然，這種全局的Gamma校正還是有很多問題，比如容易出現塊狀，容易增強噪音等等，需要和某些局部算法結合在一起來實現更好的結果。

       本文Demo下載地址：  http://files.cnblogs.com/files/Imageshop/SSE_Optimization_Demo.rar，見其中的Adjust-> Auto Gamma Correction菜單。