一种适用于可变成像目标的无波前探测自适应光学方法

本发明涉及扩展目标的波前校正和深度学习的，尤其涉及一种适用于可变成像目标的无波前探测自适应光学方法。

背景技术：

1、基于图像的波前传感是一种测量波前误差的技术，它利用远场光斑质量作为目标函数，采用连续迭代优化来检索波前相位。这种方法省去了专门的波前传感器，具有系统简单、光学效率高、控制性能和图像质量评估一致等优点，目前广泛应用于惯性约束聚变、显微镜成像、人眼成像、光学跟踪和自由空间激光通信等研究领域。近年来，深度学习得到了快速发展，由于其不需要迭代或优化的固有优势，引起了学者们的注意。

2、研究人员已经证明，最先进的卷积神经网络不仅可以从点源强度图像，还可以从指定扩展对象的强度图像中直接估计由泽尼克系数表示的波前。近些年来，已经有学者使用mnist(modified national institute of standards and technology，由美国国家标准与技术研究所发起整理)手写数字数据集作为成像目标，然后利用神经网络实现了手写数字数据集的波前复原，也有一些学者借助神经网络实现了卫星图像的波前重建。然而，基于单个图像的相位检索方法会存在多解现象，并且在迭代过程中很容易停滞，这种停滞是由于实际的近场复振幅f(x,y)和它的旋转180度共轭复振幅f’(x,y)在远场上具有相同的光强分布而产生的。因此，该算法很容易收敛到局部最小伪解或两个全局最小模糊解之一。为了克服相位反演技术中的多解问题，贡萨尔维斯（gonsalves） 和 齐德劳（ chidlaw） 于1979 年首次提出了相位差(phase diversity,pd)法的基本思想，此方法通过增加一副采集信息增加约束条件，来实现相位反演方法解的唯一性。除了存在多解和停滞现象外，目前这些方法大多是针对特定类型的扩展对象或单个扩展对象量身定制的，这将导致此类方法无法在不同的扩展对象场景中实现高精度波前重建。此类基于深度学习的扩展目标波前复原方法在泛化性方面存在局限，尤其是对于随时发生变化的成像目标。

技术实现思路

1、本发明要解决的技术问题是：为了解决现有的针对扩展目标的波前复原深度学习网络泛化性不强、以及传统相位差法采集方式可能带来数据集误差等问题，本发明提出了一种适用于可变成像目标的无波前探测自适应光学系统，在实现高精度、高效的数据采集的同时，实现可变目标的波前复原及校正任务。

2、本发明解决上述问题采用的技术方案是：一种适用于可变成像目标的无波前探测自适应光学方法，包括：

3、步骤1：在电脑端使用仿真程序随机生成4-35阶泽尼克系数，制作预定数目张相位屏，每个相位屏的表面起伏形貌符合科尔莫格罗夫功率谱的二维分布，使用第一空间光调制器依次加载预定数目张相位屏以模拟光大气湍流的动态相位畸变，该第一空间光调制器是相位型空间光调制器；

4、步骤2：第一空间光调制器接收到中心波长为520nm的准直激光后对准直激光进行相位调制，用相机采集准直激光经第一空间光调制器的相位屏后、又经离焦光栅成像的在焦离焦图像，并依次记录其对应的近场波前数据，该在焦离焦图像包含在焦图像、正离焦图像和负离焦图像；

5、步骤3：针对相机采集的在焦离焦图像进行预处理，该预处理包括：首先进行滑块匹配法对正离焦图像和负离焦图像实现配准，然后利用n2d-gan对正负离焦图像进行去噪；

6、步骤4：对经预处理后的在焦离焦图像，进行归一化精细特征和结构聚焦特征的提取，以形成归一化精细特征的特征图像和结构聚焦特征的特征图像，并将特征图像以及对应的波前像差标签作为样本，该样本用以在步骤6中制做训练集；

7、步骤5：利用投影仪制作随机大小、种类的扩展目标，并针对可变成像目标执行步骤3-4，以完成可变成像目标的数据集制作；

8、步骤6：选取步骤2-4中所获取的点目标的第一预定数目个样本作为训练集；将步骤5中投影仪制作的可变目标的数据集中随机第二预定数目个样本作为验证集，余下第三预定数目个样本作为测试集，其中，训练集用以供深度神经网络训练并学习特征图像与其对应的近场波面的映射关系，验证集和测试集用以衡量该方法的精度和泛化性；

9、步骤7：配置深度学习环境，搭建高效的深度神经网络，该深度神经网络的输入为归一化精细特征的特征图像和结构聚焦特征的特征图像，输出为4-35阶泽尼克系数，将深度神经网络预测的泽尼克系数和真实畸变波前对应的泽尼克系数标签进行对比，使用l2损失函数计算损失值从而促进深度神经网络进行参数更新；

10、步骤8：基于深度神经网络的输出复原出近场畸变波前，利用所得近场畸变波前求解其所对应的共轭相位，将共轭相位加载到实现校正的第二空间光调制器上，即可实现畸变波前的相位校正。

11、本发明与现有技术相比的有益效果：

12、本发明针对离焦光栅这一关键元器件提供了一套详细的设计方案，在简化了光学系统的同时避免了传统基于相位差采集方法而存在的问题。

13、本发明提出了与成像目标无关但与波前像差精确对应的归一化精细特征（nff）和结构聚焦特征（sff）。这两个特征提供了波前像差的更准确和稳健的表征。

14、本发明深入研究了图像配准算法和噪声模型，使用了滑块匹配法和n2d-gan对采集到的远场图像进行了预处理，以最大限度地减少对后续特征提取方法的干扰。

15、本发明使用了轻量化的adenet来实现特征与波前之间的高效、高精度映射。经过测试，单次波前重构推理时间小于3ms。

技术特征：

1.一种适用于可变成像目标的无波前探测自适应光学方法，其特征在于，包括：

2.根据权利要求1所述的适用于可变成像目标的无波前探测自适应光学方法，其特征在于，步骤3的进行滑块匹配法对正离焦图像和负离焦图像实现配准包括：

3.根据权利要求1所述的适用于可变成像目标的无波前探测自适应光学方法，其特征在于，步骤3的利用图像盲区噪网络对正负离焦图像进行去噪包括：

4.根据权利要求1所述的适用于可变成像目标的无波前探测自适应光学方法，其特征在于，步骤4中，归一化精细特征同时结合了功率特征和锐度特征，其中，功率特征矩阵和锐度特征矩阵根据正离焦图像和负离焦图像的频谱图来计算：

5.根据权利要求1所述的适用于可变成像目标的无波前探测自适应光学方法，其特征在于，步骤7中，所采用的深度神经网络为：基于注意力机制的高效率网络adenet。

技术总结
本发明公开了一种适用于可变成像目标的无波前探测自适应光学方法，包括：使用第一空间光调制器加载相位屏；采集准直激光经相位屏后、又经离焦光栅成像的在焦离焦图像；针对相机采集的在焦离焦图像进行预处理；对经预处理后的在焦离焦图像，提取归一化精细特征和结构聚焦特征；完成可变成像目标的数据集制作；制作训练集、验证集、测试集；搭建高效的深度神经网络，输入为归一化精细特征的特征图像和结构聚焦特征的特征图像；基于深度神经网络的输出复原出近场畸变波前，利用所得近场畸变波前求解其所对应的共轭相位，将共轭相位加载到第二空间光调制器上实现畸变波前的相位校正。根据本发明技术方案，可适用于目标随意变化的成像场景。

技术研发人员：葛欣兰,朱里程,高泽宇,李澳,王宁,叶红卫,杨平
受保护的技术使用者：中国科学院光电技术研究所
技术研发日：
技术公布日：2024/10/10