非均匀性校正——神经网络法

说毫无意义确实哗众取宠，因此后面都删去
因为太懒，暂时不谈算法的详细内容，只是大概介绍一些细节
1.基本原理
神经网络法本质为多帧叠加的滤波，即1-n帧的原函数减去期望函数的叠加。
因此期望函数和迭代的帧数对算法的影响较高。
2.注意事项
1.对于期望函数：
最简单的为均值滤波。为了更好的性能推荐使用引导滤波，在系数的设定时可利用均值滤波的期望函数来规定引导滤波的倍数。
2.对于迭代的帧数：
需求场景运动，静止或缓慢运动场景下算法的更新会带来大量的鬼影。
3.对于鬼影的抑制：
时空域联合使用，空域利用标准差，时域利用时域门限函数。
4.可去除的非均匀性：
设定小的滤波半径即可(5*5)，去除竖纹等空域高频非均匀性噪声；对于低频非均匀性，该方法并不适用。
校正偏置即可。由于非理想特性，神经网络法去除的增益并非真的增益，虽然让收敛变快，但同时引入更严重的鬼影。
3.算法的主体框架

4.算法校正效果展示

此处展示为海康提供的视频源。