[发明专利]一种基于光流估计的神经网络像差预测方法

权利要求书

1.一种基于光流估计的神经网络像差预测方法，其特征在于：该方法包括如下步骤：

步骤一、像差校正器对由大气等扰动产生畸变像差进行校正；

步骤二、图像采集模块采集像差校正后的光束光斑图像；

步骤三、光流估计算法模块对当前图像与上一帧图像特征进行提取，得到图像速度变化信息并输入神经网络模块；

步骤四、卷积神经网络模块经过大量光斑数据训练后，根据成像系统采集得到的光斑图像及光流估计模块的运动信息，拟合出光斑对应的Zernike系数；

步骤五、驱动控制模块将拟合得到的Zernike系数转化为驱动信号，控制像差校正器对弱大气湍流产生的像差像差进行校正。

2.根据权利要求1所述的一种基于光流估计的神经网络像差预测方法，其特征在于：图像采集模块对校正后的光束进行成像，得到校正后的光斑图像，其包括：

1)分光棱镜，对校正后的光束进行分光，其中一束进行图像采集，另一束耦合进入光纤进行信息传输；

2)图像采集器，对光斑亮度值进行捕获，并将光斑亮度值反馈到像差控制系统。

3.根据权利要求1所述的一种基于光流估计的神经网络像差预测方法，其特征在于：光流估计研究是利用图像序列中的像素强度数据的时域变化和相关性来确定各自像素位置的“运动”，

1)光流估计基本模型，在每一像素(x,y)处，I表示像素的强度，t表示时间，Δx与Δy分别为像素在x、y方向的移动距离，有：

进一步化简公式得到：

I_xΔx+I_yΔy＝-I_t (2)

其中，I_x、I_y、I_t分别为像素强度对x、y、t的偏微分；

光流估计即需要对像素点的二维方向运动量(u,v)进行计算，即：

(u,v)＝(Δx,Δy) (3)

2)对于基于领域的Lucas-Kanade(L-K)光流估计方法，假设在一个小方格里的所有像素位移相同，得到一组光流估计方程，用矩阵表示如下：

Αu＝b (4)

其中，A为像素点强度，u为两帧图像对应像素位移，b为像素强度变化值，将上述问题转化为最优化问题，实现光流的初步预估；

3)最后采用图像金字塔方法，首先获取两帧原始图像I_t和I_(t+1)，先对最顶层图像运行L-K方法，得到一个初始的位移估计值，然后进行对准和上采样，将分辨率提高1倍，此时对得到的较大的图像再运行L-K方法，重复上述步骤直至到达原始的分辨率图像，最后将相邻帧及特征点交换，并将特征值输入卷积神经网络控制模块。

4.根据权利要求1所述的一种基于光流估计的神经网络像差预测方法，其特征在于：卷积神经网络模块用于实现：

1)建立初始卷积神经网络结构：其中包括：三层以上卷积层、三层以上池化层及两层以上全连接层；

2)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；

3)训练卷积神经网络：将采集到的样本光斑图像、其对应的Zernike系数和扰动信号的运动信息输入到卷积神经网络，对初始的卷积神经网络进行训练。

5.根据权利要求1所述的一种基于光流估计的神经网络像差预测方法，其特征在于：根据Zernike系数矩阵生成控制信号，包括：

1)校正器控制信号的计算为Zernike矩阵与Zernike系数向量进行矩阵向列乘法；

2)Zernike矩阵由Zernike多项式组成，其表达式如下：

式中，0≤r≤1，0≤θ≤2π，n为非负整数，m步长为2且取值介于-n到n之间，为多项式的径向函数；表示如下：

3)根据卷积神经网络预测得到Zernike系数，将Zernike矩阵与Zernike系数向量进行矩阵向量乘法，最终得到校正器的控制信号。