[发明专利]一种基于离焦图像训练的波前校正方法

说明书

本发明公开了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。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。不需要循环迭代的过程，带宽高，满足实时性的需求。只需采集单幅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。

技术领域

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。

发明内容

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；