首先来做一个小的测试
如果你曾经写过或正在计划写图像处理方面相关的代码，你应该试着完成一下这个测试。如果测试结果中有一个或多个的回答是“是”，那么你写的代码很可能有一些错误导致输出不正确的结果。但你可能不会立即觉察出来，因为这个问题并不那么明显，在有些情况下可能会比较容易发现。
测试如下：
- 我不知道什么是伽马校正(吁！)
- Gamma是CRT显示器时代的遗留问题，现在几乎都用LCDs了，可以安全的忽略它。
- Gamma在要求颜色显示非常精确的打印产业比较重要，一般的图像处理可以忽略它。
- 我是一个游戏程序员，我不需要知道gamma。
- 操作系统的图形库已经正确的处理了gamma问题。
- 我用的流行图形库如OpenGL,DirectX等，已经正确处理了gamma问题。
- (128,128,128)RGB值的像素显示亮度大约是(255,255,255)RGB值的像素显示亮度的一半。
- 只需直接使用一些随机库和图像处理算法，就可以将像素数据从流行的图像格式(JPEG,PNG,GIF等)加载到buffer中。
如果你的大多数答案都是“是”，不用沮丧。因为一周之前我大部分的回答也是“是”。在某种程度上，Gamma问题并没有引起用户的注意(包括编写商业图形软件的程序员)，而且到目前为止，大多数图形库、图像查看器，图形编辑器和绘图软件仍然没有正确处理Gamma问题，并显示了不正确的结果。
接着往下看，到最后，你将比大多数程序员都更了解Gamma问题。
神秘的Gamma校正
视觉可以说是人机交互中最重要的感官输入通道。但另人惊讶的是Gamma校正是程序员间谈论最少的话题之一，而且在技术文献中也很少提到，包括计算机图形学相关的书籍。在大多数计算机图形学的教科书里都没有明确提到Gamma校正的重要性，有些书虽然提到了Gamma校正，但表达的比较模糊和抽象，既没有举例说明实际应该怎么做，也没有展示不正确处理Gamma校正而产生的错误图像的例子。
在我写光线跟踪器时发现需要正确的处理Gamma问题，然而我当时对这个问题的理解也非常浅显。所以花了几天时间在网上查找相关资料，结果发现大部分文章都比较抽象和模糊，有一些包含了许多有趣但无关的细节，另一些则缺少形象的例子。其实Gamma问题并不是一个很难理解的概念，但是找到一篇能正确，完整和清晰的解释这个问题的文章却没那么容易。
什么是Gamma问题,我们为什么需要它？
我尝试从零开始，全面的解释一下Gamma问题
为了确保文中图像示例显示的正确性，需要在显示器(CRT或LCD无所谓)上使用现代浏览器查看。与显示器相比，平板电脑和手机通常显示的不准确，尽量避免使用。
光发射 vs 感知亮度
不管你信不信，下面图像中任意两条相邻竖线之间的光能发射的差是一个常数。换句话说，屏幕发出的光能量从左到右，从一个竖条到另一个竖条是以一个常量增加的。
现在考虑下面这幅图像：
上面哪幅图像的渐变显的更均匀呢？明显是第二幅！但为什么呢？我们刚刚建的第一幅图可是从最暗的黑色到最亮白色均匀增加的。但是为什么我们看到的不是一个自然的渐变呢。为什么我们感觉第二幅图才是均匀的线性渐变呢？
答案就在于人眼对光强度的反应，是非线性的。在第一幅图中，两个相邻竖条之间的差值是常数的：
而在第二幅图像中，坚条与坚条间并不是常数，而是遵循幂律关系。所有人类的感觉，知觉在刺激的大小和感知强度方面也都遵循相似的幂律关系
| 因此，我们认为在实际的物理光强度和感知亮度之间存在幂律关系 |
物理vs性线感知
假设我们想在电脑上存储一幅反应现实世界的图像(让我们假设现实世界存在完美的灰度渐变)，下面是“现实世界对象”看起来的样子：
现在假设我们有一个特定的计算机系统，只能存储5-bit灰度图像，这可以表示32种从纯黑到纯白的不同灰度的色调。另外，在这台特定的电脑上，灰度值与相应的物理的光强度成正比，结果会显示如图1那样的有32个竖条的灰度图，这个灰度图表示光强度值之间是连续线性的。
如果我们只使用这32种灰度值编码表示平滑渐变，我们得到类似下图的显示：
然而，这个过渡看起来相当不自然，尤其是左边，因为我们只有32种灰度值。如果眯一眯眼睛，就很容易让自己相信这是大概“精确”的平滑渐变。但注意这个之所以看起来比较平滑是因为左边比右边的跨度大，这样做是因为光发射是线性的，而我们的眼睛的感知是非线性的。
上面这种显示方式，虽然人眼看起来是比较平滑的渐变了，但明显失去了许多黑色的精度值，多了更多的白色的精度值，我们最好选择另一套不同的32种灰度值，让灰度值与感知上的灰度一致，而不是线性的光强度值。这样我们得到与图4差不多的图像：
| 我们在这里讨论的非线性是我们之前提到的幂律关系，将物理线性灰度值变换成感知线性灰度值的过程叫做Gamma校正 |
高效的图像编码
为什么上述的对应关系比较重要呢？所谓的“真彩色”或“24位”位图图像中的颜色数据被存储为三组8bit数据。每组能表示256种不同的颜色强度，如果这些颜色信息是物理线性的，那么我们将失去大量的暗色调颜色，而多了许多不必要的亮色调颜色，就像上面展示的那样。
显然，这并不是理想的结果。一种解决方案是将每个8位表示增加到16位(或更多).这将增加两倍或更多的存储需求，而这显然不是一个好的方案。另一种方案就是将256种表示成感知线性尺度上的强度值，使用这种编码，绝大多数图像都能充分的表示出来。
| 通过算法或线性捕捉设备(如数码相机或扫描仪的CMOS)生成的物理线性强度转换成离散的感知线性强度的过程叫Gamma编码 |
现在几乎所有的消费级电子设备都采用每通道8位的Gamma编码值表示光强度。如果你还记得前面讨论过的RGB(128,128,128)像素的问题，这个值不是RGB(255,255,255)像素的50%光强度，而只有22%左右。还是因为人类视觉感知是非线性的，在人类视觉看来，光源实际衰减到原来光强的22%，恰好是视觉感知的亮度的50%。RGB(128,128,128)像素亮度看起来是RGB(255,255,255)的一半。如果你发现这里比较困惑，那就稍微思考一下，对目前所讨论的内容有一个坚实的理解是非常重要的。
当然，Gamma编码总是假设图像最终是由人在计算机屏幕上看。可以将其看作是一个图像的有损MP3压缩。如果是其它目的(如用于科学分析或后处理图像)，则通常使用线性比例是更好的选择。这一点稍后会说到
Gamma转换函数
将线性空间转换为Gamma空间的过程称为Gamma编码(或Gamma压缩)，反之则称为Gamma解码(或Gamma解压)
这两个转换公式非常简单，只需要使用上述的幂律函数：
计算机显示中使用的标准γ值是2.2.主要是因为Gamma的2.2近似于人眼知觉的灵敏度。虽然受照明或其它条件的影响，每个人的确切的值不一定相同，但必须选一个标准值的话，2.2这个值已经证明足够好。
还有一个问题是，许多文章并没有提到一个非常重要的问题，那就是输入值必须在0-1的范围内，输出也将映射到相同的范围。可以看出，0-1之间的Gamma值用于编码(压缩)，大于1的用于解码(解压)。下图演示了编码和解码的Gamma转换函数，加上Gamma值为1的情况。
a)Gamma编码或Gamma压缩(γ=1/2.2=0.4545)(输入是物理亮度，输出是感知亮度)
b)线性Gamma(γ=1.0)
c)Gamma解码或Gamma解压(γ=2.2)(输入是感知亮度，输出是物理亮度)
到目前为止，我们只看了灰度值的例子，但对于RGB图像也没什么特别的–我们也仅仅是单独对每一个颜色通道使用同样的方法编码和解码。
Gamma vs sRGB
sRGB是一种颜色空间，是目前消费级电子设备(包括显示器，数码相机，扫描仪，打印机和手持设备)的事实标准。也是互联网上图像的标准颜色空间。
sRGB规范定义了Gamma,用于编码和解码sRGB图像。sRGB的Gamma值非常接近标准的2.2Gamma值。但它有一个短的直线在非常暗的范围，以避免出现斜率为0导致的无穷大的情况。
其实不需要了解这些细节。最重要的是要知道，在99%的情况下，你可以使用sRGB代替普通gamma。这是因为自2005年左右，所有的显卡都在硬件上支持了sRGB颜色空间，大大节省了编码和解码时间。你的显示器的原生颜色空间几乎都是sRGB(除非是于于照片或视频作品的专业图像显示器)，所以把一个sRGB编码的像素数据直接输出到帧缓冲，最终在屏幕上生成的图像看起来是正确的。流行的图像格式，如JPEG和PNG可以存储颜色空间的信息，但通常的图像不包含这些数据，在这种情况下，几乎所有的图片查看器和浏览器都按约定将颜色解释到sRGB空间。
Gamma校正
上面已经说完了Gamma的编码和解码，但什么是Gamma校正呢？
虽然现在99%的显示器都使用sRGB色彩空间，但由于制造误差，绝大多数显示器会额外的使用Gamma校正达到最佳的显示效果。你可能从没校准过你的显示器，但并不意味着，它不会使用Gamma。
通过Gamma校正的微调，显示器可以使终在sRGB空间工作。通过校正显示器的Gamma曲线(在显卡或操作系统级别)，可以得到更接近理想的Gamma函数。
处理Gamma编码图像
如果整个世界默认为sRGB,那么通过相机生成的sRGB JPEG文件，就可以直接解码JPEG图像数据，复制到显卡的帧缓冲区，图像会正确的在sRGB LCD显示器中显示(这里的“正确”，意味着能更准确的反映拍摄的真实场景)
这问题就发生在用任意图像处理算法直接处理sRGB像素缓冲区的时候。由于Gamma编码是一个非线性变换，sRGB编码是 γ=1/2.2的非线性变换。但几乎在所有计算机图形学的书上涉及的图像处理算法，都假设是按实际光强线性编码的。这意味着直接将sRGB编码数据做为这些算法的输入时，渲染结果可能发生微妙或明显的错误。包括，缩放，模糊，组合，插值，抗锯齿等常见操作。
错误处理Gamma的效果
说了这么多的理论，来看看这些错误实际显示是什么样子的！我们将探讨最常见的当直接处理sRGB编码数据时的不正确结果。除了说明性的目的，这些示例，也有助于在绘图程序和图像处理库中发现Gamma处理不正确的的行为或错误。
这些例子能清楚的表明，gamma不正确的问题。多数情况下，生动，饱和的颜色最明显。柔和的颜色可能不那么明显，甚至可以忽略不计。但误差总是存在的。
渐变
下面的图像显示了渐变在线性空间(上面的部分)和sRGB空间(下面的部分)显示的不同之处。直接在sRGB空间插值会产生更暗或更饱和的图像。
仅看这些，可能更喜欢sRGB空间的图像，特别是最后两个。但这并不是光在真实世界中的表现方式(想像两种颜色的光源照亮白色的墙。结果更像线性空间显示的情况)
几乎每个人都错了:CSS渐变和过渡是错误的(看 这里了解细节),Photoshop是错误的(如CS6)，甚至没有一个选项来修复它。
两个绘图程序得到的是正确结果， Krita和 Pixelmator。SVG也可以 让用户指定是否使用线性空间或sRGB空间进行插值，组合和动画.
颜色混合
使用没正确处理Gamma的绘图程序中的笔刷画图时，在某些生动的颜色组合的情况下，会产生奇怪的黑乎乎的过渡带。(笔刷就是一个小的渐变)
一些人在Adobe论坛中宣称如何在Photoshop中混合颜色来模仿现实生活中的画面。这其实和那无关，这只是由于直接到sRGB像素数据编程的结果，导致的遗留问题。
Alpha 混合或合成
作为颜色混合的另一种变体，来看看Alpha混合是如何显示的。看下面的彩色矩阵图像。左边Gamma正确的图像模仿了光在现实生活中的行为，而右边的sRGB空间混合显示了一些怪异的色调和亮度变化。
当将两张照片混合是，颜色错误的问题也很明显。在下图中左侧的Gamma正确的图像上，皮肤上的红色和黄色被保留并以自然的方式过渡到蓝色，而在右图则有一个明显的绿色投射。同样，这可能是你喜欢的你一个效果，但并不是正确的Alpha合成结果。
图像缩放
下面的图像包含一个简单的黑白棋盘像素图案(左边是100%缩放，右边是400%的缩放)。眼睛眯一些来看，你会看到一个介于绝对黑色和白色的灰色强度(即50%的灰度)。
从上面来看，如果将图像缩到50%，结果应该是一个相似的处理过程，得到一个50%灰度的矩形填充。
来试一试。在下图A是一个棋盘模式，B是直接在sRGB空间缩放到50%(使用双立方插值)，C是线性空间插值，然后转换到sRGB空间。
毫不奇怪，C给出了正确的结果。但是没有正确的Gamma校正，灰色阴影可能不是模糊棋盘图案的精确匹配。甚至数学上也清楚的表明：一个50%像素的灰色像素，其亮度比白色像素高出一半，其RGB值大约为(186,186,186)，看以下Gamma编码:
0.72974*255 = 186
(不用担心图像的50%灰度是RGB(187,187,187),这小差异是因为图像是sRGB编码，这里只是使用了更简化的Gamma公式)
Gamma不正确的大小调整也会导致一些图像上奇怪的色调偏移。
抗锯齿
当遇到Gamma校正时，反走样也不例外。在Gamma=2.2的空间里，文字有些厚,像粗体(如下面的右边图像),在线性空间运行看起来会好些(左图),虽然这个看起来又有点瘦。Photoshop的反走样字体默认使用gamma=1.42,确实产生了漂亮的结果(如中间图像),这是因为大部分字体设计的是Gamma不正确的，如果使用线性空间，字体看起来会更瘦一些。
基于物理的渲染(PBR)
如果Gamma校正在一种问题上必须需要的话，那就是PBR。为了使结果更有真实感，Gamma在整个渲染管线都应该正确的处理。但通常会在这个过程中出现问题，以下是两种常见的问题：
- 在线性空间计算，但转换最终图像到sRGB空间时失败了，则通过对材质和灯光做微小的调整来补偿。
- 从sRGB空间转到线性空间失败(或使用硬件加速设置sRGB标志)
这两种基本错误以各种有趣的方式出现。但最终结果总是不能得到正确的实际场景。(如，二次光不出现二次了，亮度夸大了，奇怪的色相和饱和度变化等)。
用我的ray tracer演示第一个错误，下面的左边图像是一个非常简单但看起来非常自然的物理光照。这个渲染在线性空间中进行，然后在写入磁盘之前，将帧缓冲区数据转换到sRGB空间。
然后，看右图所示，展示的是，省略了最后一步的转换导致的结果，我试图调整光线亮度以匹配Gamma正确的亮度。很明显这不是正确的做法。所有物体看起来明暗差别非常强烈，所以我减淡材料的颜色，在靠近左边的物体附近补灯。但注定是一场失败的战争，再多的调整都不能使图像看起来在物理意义上是正确的。即使使用照明设置一个看起来可接受的特定场景。任何场景的变化都可能需要一轮新的调整使结果看起来正确。更重要的是选择的材质和照明参数完全没有任何物理意义。只是随机去适应特定的场景，而且不能适合其它场景。
在3D渲染中找出不正确的Gamma也很重要，在一些老游戏中”fake plasticky CGI look”问题(人物看起来像塑料)就是其中之一。见下图，在gamma不正确的方式上渲染真实感的人物皮肤几乎是不可能的。高光看起来从来都不正确。修复这些问题应该从源头上解决问题而不是用各种微调来拟补错误。
结论
这就是关于Gamma编码和解码的问题，恭喜你，现在是一个官方认证的gamma-compliant程序员!:)
回顾一下，使用Gamma编码的唯一原因，就是它可以让我们在有限的位编码长度上更有效的存储图像。它利用了人类视觉以幂律函数感知亮度的特点。大多数图像处理算法都是接收的线性编码，因此在运行这些算法之前，需要将gamma编码的图像先解码到线性空间。通常计算结果需要再转回到Gamma空间以便存储到硬盘或在支持gamma编码的显卡中显示(大部分显卡都支持)。标准的sRGB空间使用的Gamma值大约是2.2。互联网上的图像和大多数显示器，扫描仪和打印机默认的都是sRGB空间。当有疑问时，使用sRGB空间。
从终端用户的角度来看，大多数应用程序和软件库，都没有正确的处理Gamma,因此在工作中使用它们时一定用要充分的了解和大量的测试。为了线性的工作流，所有工作流的中间链上都要保证Gamma100%正确性。
如果你是一个图形程序员，请确保做正确的事情。在文档中显式的声明输入和输出的色彩空间，以保证Gamma的正确性。
原文链接：http://blog.johnnovak.net/2016/09/21/what-every-coder-should-know-about-gamma/
1万+
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
