1

Gamma Correction

Unsolved
Computer Vision

Difficulty: 2 | Problem written by Sakar Ghimire
Gamma correction is a nonlinear equation used to encode and decode luminance or tristimulus values in image. 

First, our image pixel intensities must be scaled from the range (0,255) to (0,1.0). From there, we obtain our
output gamma corrected image by applying the following equation: 

\(Vo = V ^{ (1/G)} \)

where V is the scaled input image and G is the gamma value. 

Inputs: mat, G where mat is a numpy N x N array and G is the gamma value
Ouputs: the gamma corrected output array 

Sample Input:
<class 'numpy.ndarray'>
mat: [[1 2 3] [3 4 5]]
<class 'float'>
G: 2.5

Expected Output:
<class 'numpy.ndarray'>
[[0.10898932 0.14381226 0.16913459] [0.16913459 0.18976142 0.20747794]]

Lorem ipsum dolor sit amet, consectetur adipisicing elit, sed do eiusmod tempor incididunt ut labore et dolore magna aliqua. Ut enim ad minim veniam, quis nostrud exercitation ullamco laboris nisi ut aliquip ex ea commodo consequat. Duis aute irure dolor in reprehenderit in voluptate velit esse cillum dolore eu fugiat nulla pariatur. Excepteur sint occaecat cupidatat non proident, sunt in culpa qui officia deserunt mollit anim id est laborum.

Sint culpa quo ex, mollitia cum at quidem quia aliquid? Voluptate repellendus deserunt, vero aperiam alias at soluta quia, quasi perspiciatis earum odit dolore id amet repudiandae aut magnam neque quod? Vitae harum debitis, mollitia quibusdam quisquam ratione laborum amet voluptatem quo recusandae similique maxime, similique soluta pariatur architecto voluptatibus officiis, quidem esse ipsam temporibus? Omnis libero neque labore ea cum tenetur earum commodi sint in maxime, esse optio doloremque ipsam ea sunt aspernatur nemo ipsa saepe?

Dolore laboriosam illo aut pariatur quia unde, eius rerum doloremque quisquam sit et unde nesciunt voluptate reiciendis, facilis officia ad debitis alias corrupti itaque voluptatem commodi doloremque perferendis voluptatibus, ipsum numquam quibusdam accusamus odio quod sapiente omnis magnam quis alias consectetur.

Numquam voluptate inventore omnis iure excepturi at magnam iste, magnam cupiditate hic vel maiores nihil officia? Tempora recusandae commodi optio temporibus in nisi consectetur, dolores asperiores necessitatibus voluptate quidem illum in, inventore perspiciatis aut enim doloremque quod, itaque necessitatibus dignissimos esse perspiciatis totam rerum recusandae voluptatum mollitia nisi similique, deserunt placeat magnam tempore voluptatibus illum dolorem? Debitis iusto ipsa est ullam esse omnis delectus quaerat aliquam odio, eos quos debitis error mollitia aliquam, ipsum doloribus rerum voluptates ipsa magnam delectus accusantium, quidem fugiat itaque alias nostrum cupiditate culpa at porro officia dolore. Consectetur eligendi dignissimos distinctio, ullam at iure dolores mollitia eligendi magni expedita nisi?

This is a premium feature.
To access this and other such features, click on upgrade below.

Ready.

Input Test Case

Please enter only one test case at a time
numpy has been already imported as np (import numpy as np)