一种基于离焦图像训练的波前校正方法与流程

本发明涉及波前校正领域，具体的涉及一种基于离焦图像训练的波前校正方法，主要用于对大气湍流产生的波前畸变进行校正。

背景技术：

波前矫正技术是一种用于校正光场的波前像差的技术，已被广泛用于空间光通信和天文成像中的自适应光学领域。有波前探测的波前校正技术利用哈特曼探测器测量出接收光束的波前，然后驱动变形镜对波前畸变进行校正，其优点是精度高，带宽高，但是哈特曼探测器对能量的要求较高，导致接收光束大部分被分光进入哈特曼探测器，适用范围有限。

无波前探测的波前校正技术根据目标函数，通过spgd等寻优算法迭代直接控制校正器，但是存在带宽低、实时性较差等问题。如今，机器学习，包括深度学习，已经成为光学领域的热门话题。但是目前常用的像差校正神经网络训练过程中，常采用单幅焦点光斑图像进行训练，或者一幅焦点图与一幅离焦图像同时训练。单幅焦点图训练神经网络虽然有样本采集方便的优势，但是样本信息重叠在中心部分，不利于目标特征的识别和提取，导致预测精度低。两幅图(一幅焦点图与一幅离焦图像)的训练方法虽然能够提高神经网络预测精度，但是又会存在探测光路复杂，样本采集繁琐的问题。

技术实现要素：

针对以上问题，本发明提出一种基于离焦图像训练的波前校正方法，该方法采用单幅离焦图对神经网络进行训练，并对zernike系数进行预测，减少了训练工作量并提高样本的信息量。满足实时性要求的同时，提高了系统的执行效率。

本发明采用的技术方案为：一种基于离焦图像训练的波前校正方法，该方法包括如下步骤：

步骤一、入射光通过汇聚镜后汇聚为离焦光斑，图像采集模块负责对离焦光斑进行采集；

步骤二、神经网络模块经过大量离焦光斑图像训练后，神经网络模块根据图像采集模块传递的图像特征拟合出对应的zernike系数；

步骤三、电压转换模块建立zernike系数与驱动电压关系，执行机构根据拟合的zernike系数对大气湍流产生的波前畸变进行校正。

进一步地，图像采集模块对光斑的提取：

1)分光镜，对入射光分光，其中一条汇聚成离焦光斑进入到图像采集模块进行图像记录，另一束耦合进入光纤进行信息传输；

2)图像采集器(如ccd)，对光斑进行采集并传输给神经网络模块。

进一步地，神经网络模块建立初始卷积神经网络结构，三层以上卷积层、三层以上池化层及两层以上全连接层：

1)输入层：输入离焦光斑的图像；

2)隐藏层：隐藏层负责计算和输出结果给输出层；

3)输出层：输出层输出聚焦光斑和离焦光斑的图像矩特征对应的zernike系数。

进一步地，卷积神经网络训练：

1)样本数据采集：获取足够的训练光斑图像及各个样本光斑图像对应的zernike系数；

2)训练卷积神经网络：将采集到的样本光斑图像和其对应的zernike系数输入到卷积神经网络，对初始的卷积神经网络进行训练，最终得到用于波前校正的卷积神经网络。

进一步地，波前校正模块，其包括：

1)电压转换模块建立zernike系数与驱动电压关系；

2)控制器将驱动信号加载到执行机构并对大气湍流产生的波前畸变进行校正。

本发明与现有方法相比具有如下优点：

(1)和有波前探测的波前校正系统相比，本发明不需要使用哈特曼等波前探测器，提高了光束能量的利用率。

(2)和无波前探测的波前校正系统相比，本发明不需要循环迭代的过程，带宽高，满足实时性的需求。

(3)和基于图像强度的神经网络相比，本发明只需采集离焦图进行神经网络训练，既减少了图像采集的工作量又增加了样本光斑的信息量。

(4)本发明机构简单，易于实现。

附图说明

图1是本发明的基于离焦图像训练的波前校正方法的原理图。

图2是本发明的基于离焦图像训练的波前校正方法的流程图。

图3是本发明的神经网络的训练流程图。

具体实施方式

以下结合附图对本发明的具体实施方式做详细说明。

如图1所示，本发明一种基于离焦图像训练的波前校正方法，该方法利用的装置包括：图像采集模块，神经网络模块，电压转换模块和执行机构。具体方法为：入射光通过光学棱镜汇聚为离焦光斑；图像采集模块负责对离焦光斑进行采集；经过大量离焦光斑图像训练后，神经网络模块根据图像采集模块传递的图像特征拟合出对应的zernike系数；电压转换模块建立zernike系数与驱动电压关系；最后执行机构根据拟合的zernike系数实现对大气湍流产生的波前畸变的校正。

其中，是波前，aj是zernike多项式的系数，j是阶数。zj是zernike多项式，z1项代表整体相移，z2，z3项代表倾斜，z4项代表离焦。

如图2所示，基于离焦图像训练的波前校正方法的具体流程为：通过光学系统接收入射光，入射光被分光镜分束，一部分耦合进入光纤，一部分离焦处汇聚成离焦光斑，通过质心算法对低阶像差进行校正，图像采集模块采集离焦光斑图像，将离焦图像输入神经网络，神经网络生成预测的zernike系数，执行机构根据生成的zernike系数对光斑进行校正。

如图3所示，基于神经网络生成zernike系数的流程为：训练阶段，采集大量的离焦光斑图像和其对应的zernike系数作为样本，将大部分样本作为训练集，少部分样本作为测试集，进行训练，损失函数是生成的zernike系数和实际zernike系数的均方差，当测试集的损失函数不再收敛时训练完成，应用阶段，将离焦光斑图像输入训练好的神经网络中，输出即为预测的zernike系数。

具体的，损失函数为：

其中，ypredict是神经网络输出的zernike系数预测值，ytrue是真实的zernike系数。

在实验室条件下，使用大气相干长度为5cm情况下仿真生成的zernike系数模拟大气湍流，使用20000张图片作为训练集，2000张图片作为测试集，训练好的网络在测试集中的rms波像差为0.0491λ。