[发明专利]一种基于深度学习的哈特曼波前传感器模式波前复原方法

说明书

本发明提供一种基于深度学习的哈特曼波前传感器模式波前复原方法，使用哈特曼波前传感器的焦平面相机采集到的图像作为输入，使用经过训练的人工神经网络对该图像进行运算，直接得到哈特曼波前传感器入射光波前的模式系数。相对于传统基于子孔径平均斜率的波前复原方法，本发明提供的方法可以从焦平面相机图像中处理包括子孔径光斑位置和光斑形态在内的更多信息，能够更有效地减小单纯依靠平均斜率而导致的模式混淆和模式耦合误差。在同样的焦平面相机测量噪声强度下，本方法能够以更高的精度复原出更高阶的模式系数。

技术领域

本发明属于光学信息测量技术领域，涉及一种测量光学波前的方法，特别涉及一种基于深度学习的哈特曼波前传感器模式波前复原方法。

背景技术

现有哈特曼波前传感器的模式波前复原方法通常根据各子孔径的平均斜率重构出像差模式的系数(Guang-ming Dai,“Modal wave-front reconstruction with Zernikepolynomials and Karhunen–Loève functions,”J.Opt.Soc.Am.A13,1218-1225，1996)。平均斜率的获取依赖于子孔径图像的质心计算，每一个子孔径通常只能得到x和y方向两个斜率。这在子孔径入射光波前像差仅包含倾斜，不存在离焦及更高阶次的像差时是成立的，然而当哈特曼波前传感器的入射光波前畸变的空间频率明显高于哈特曼子孔径的采样率时，传统波前复原方法将面临很大的模式混淆误差(Jan Herrmann,“Cross coupling andaliasing in modal wave-front estimation,”J.Opt.Soc.Am.71,989-992，1981)，即哈特曼波前传感器在模式重构时将高阶像差引起的波前斜率的变化重构为低阶模式像差。利用传统波前复原方法，这些引起混淆的高阶模式像差不但无法测量，还会影响低阶像差的测量精度。

上述问题的根源在于传统方法在对哈特曼波前传感器采集到的图像进行处理的过程中使用了各子孔径平均斜率组成的斜率向量来表征模式。这个斜率向量的维度最多只能为哈特曼波前传感器有效子孔径数的两倍，并且由于某些阶次像差的斜率向量过于接近，在探测噪声的影响下还会引起明显的模式耦合。如果能够以更多维度的特征来表征波前像差，则不同模式的区分度将得到有效的提升，模式间的混淆与耦合也能得到更好的抑制，从而提高哈特曼波前传感器的模式复原阶次和相位复原精度。

其实，模式的所有特征都来源于哈特曼波前传感器所采集的图像。如果能够直接建立模式系数与哈特曼波前传感器采集图像之间的映射关系，而不借助于引起特征降维的子孔径平均波前斜率计算这一过程，则有望大幅提高哈特曼波前传感器可准确复原的模式阶次。发明专利ZL201210237127.6曾提出以传统哈特曼波前传感器得到的波前探测像差作为起始点，利用迭代算法反复在波前像差与子孔径光斑间进行循环，通过比较迭代出的子孔径光斑与初始子孔径光斑间的形态来提高哈特曼波前传感器的测量精度。但是该方法需要的迭代过程将限制其在如自适应光学等实时性要求较高的场景下的应用。

发明内容

本发明要解决的技术问题是：如何直接利用哈特曼波前传感器采集的子孔径光斑图像获取波前像差模式系数，从而提高哈特曼波前传感器的模式复原阶次。

本发明解决其技术问题所采用的技术方案是：一种基于深度学习的哈特曼波前传感器模式波前复原方法，利用人工神经网络直接对哈特曼波前传感器采集的图像进行计算以复原出入射光波前的模式系数，具体步骤如下：