【短道速滑二】古老的基于亮度平均值的自动Gamma校正算法。

　　在github上搜索代码Auto Gamma Correction，找到一个比较古老的代码，详见：https://github.com/PedramBabakhani/Automatic-Gamma-Correction，配套的代码使用VHDL语言写的，看了半天一个for循环没有，是在看不懂，幸好里面有篇算法对应的论文下载，论文名字叫《ASIC implementation of automatic gamma correction based on average of brightness 》，下载看了下，大概搞明白了他的大概意思。

　　文章的核心思想很简单，就是他假定一幅合理的图像应该所有像素的平均值应该是0.5左右（归一化后的），所以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。

　　假定X是图像的平均值，那么自动伽马需符合下述要求：

　　一步一步的往下推导，有：

　　 -----》 --------》

　　就是这么简单哪，如果写个代码也就是几分钟的事情。

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++)        //    另外一种方式是：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++)        //    另外一种方式是：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);
    }
}

　　效果似乎还是很不错的。

　　对于正常的图像，基本上没有啥变化，这也是必须要有的特性。

　　论文里提出了另外一种更适合于硬件实现的方式。

　　他把图像分成很多个16*16的小块，比如N*M个（文章中固定死了，也是16*16个），然后对16*16的小块，每次提取对应位置的一个像素，共计N*M个像素，计算这N*M像素的平均值，然后依据这个平均值计算出伽马值，这样就能计算出16*16个Gamma值，这些Gamma值肯定不会是完全相同的，文章中也统计了他们的差异大小，最后用这个256个gamma的平均值作为最后的正副图像的平均值。