P152 7.2.3 场景自适应校正算法
（一）Scribner提出的神经网络非均匀性校正算法
非均匀性校正（Non-Uniformity Correction，简称NUC）算法是红外成像技术中非常重要的一个环节。它主要用于校正红外焦平面阵列（Infrared Focal Plane Arrays，简称IRFPA）中的固定模式噪声，以提高成像质量。
其中，Scribner提出的神经网络非均匀性校正算法（Neural Network-based Non-Uniformity Correction，简称NN-NUC算法）是一种典型的场景自适应校正算法。
NN-NUC算法的核心思想是利用神经网络的强大学习能力来模拟和校正IRFPA中的非均匀性。这种算法通常由多层感知器构成，每一层都包含多个神经元，通过前向传播和反向传播的方式进行训练和校正。在前向传播过程中，输入图像经过神经网络的多个层次，每一层都会对输入数据进行加权求和并应用激活函数，最终输出校正后的图像。反向传播过程则用于调整网络中的权重，以最小化输出图像与理想图像之间的差异。
Scribner提出的NN-NUC算法在实际应用中表现出了良好的性能。它能够有效地消除固定模式噪声，并且具有较好的自适应性和鲁棒性。与传统的基于场景的NUC算法相比，NN-NUC算法能够更好地适应不同的成像场景，减少图像模糊和人工重影的问题。此外，NN-NUC算法还具有较高的计算效率，适合在硬件平台上实现，如FPGA等。
算法的工作原理可以概括为以下几个步骤
