[发明专利]一种基于光栅调制的单帧焦面光强图像深度学习相位差法

说明书

本发明公开了一种基于光栅调制的单帧焦面光强图像深度学习相位差法。选用在样本空间充分采样的数据集供卷积神经网络(CNN)拟合远场光斑与近场波前相位的映射关系，网络训练收敛之后，输入远场光斑图像，即可获得其对应的波前像差，此映射求解过程不再需要迭代运算，减少计算耗时，本发明基于光栅调制设计了一种结构简单、实时性好、复原精度高的焦面波前复原传感器，并利用深度学习算法规避传统相位差法的迭代寻优过程，降低算法耗时，实现单帧焦面光强图像的快速相位反演。

技术领域

本发明涉及相位反演方法的技术领域，尤其涉及一种基于光栅调制的单帧焦面光强图像深度学习相位差法。

背景技术

相位反演技术直接根据远场光强分布重构波前相位信息，它对环境不敏感，无需波前传感器。Gerchberg-Saxton(GS)算法是一类经典的相位反演方法。GS算法利用角谱传输理论，根据远场复振幅和近场复振幅的傅立叶变换关系多次迭代计算波前像差，它结构简单易于实现，但由于存在同一远场对应多个波前的多解问题，GS算法易陷入局部极值，收敛精度低。

为了克服GS算法中的多解问题，相位差法被提出。相位差法需要CCD在焦面和离焦面多次测量。此外，相位差法仍需多次迭代才能收敛，实时性差。Alexandra引入非冗余掩膜实现单帧焦面图像相位反演，无需CCD在焦面和离焦面多次测量,参见[A.Z.Greenbaum,A.Sivarakrishnan.In-focus wavefront sensing using non-redundant mask-introduced pupil diversity.[J].OPTICS EXPRESS,2016,24(14)]。然而，该方法需非冗余掩膜多次进出光路，系统结构复杂，该算法在实际波前探测中应用有限。因此，在保证单帧焦面远场光强分布对应唯一近场波前的前提下，提高计算效率是一个亟需解决的问题。

发明内容

本发明要解决的技术问题是：在保证远场光斑反演近场波前相位解唯一和复原精确度的基础上，进一步提高运算速度。常规相位差法需要CCD在透镜焦面以及离焦面多次测量，系统结构复杂。离焦光栅与短焦距透镜密切接触使用时，离焦光栅±1级衍射光的焦距方向相反且分别稍短和稍长于短焦距透镜的焦距，此时CCD可同时在短焦距透镜的焦面上测量正负离焦以及焦面远场光强分布。此外，相位差法需多次扰动迭代寻优，算法的计算速度受迭代次数和单步迭代计算时间限制。深度学习可自提取图像深层特征，具有强大的非线性拟合能力，可在光栅调制的基础上学习出远场光强图像到近场波前的映射关系，避免了传统相位差法的迭代计算过程。基于此，本发明基于光栅调制设计了一种结构简单、实时性好、复原精度高的焦面波前复原传感器，并利用深度学习算法规避传统相位差法的迭代寻优过程，降低算法耗时，实现单帧焦面光强图像的快速相位反演。

本发明解决上述问题采用的技术方案是：一种基于光栅调制的单帧焦面光强图像深度学习相位差法，选用在样本空间充分采样的数据集供卷积神经网络(CNN)拟合远场光斑与近场波前相位的映射关系，网络训练收敛之后，输入远场光斑图像，即可获得其对应的波前像差，此映射求解过程不再需要迭代运算，减少计算耗时，具体实现步骤如下：

步骤1：设计基于离焦光栅调制的波前传感器；

步骤2：验证步骤1设计的传感器是否可以在短焦距透镜的焦面上同时获得正负离焦以及焦面远场光强分布；

步骤3：若步骤2可以实现，则根据步骤1收集离焦光栅调制的远场光斑与近场波前数据，并将CCD测量的焦面远场图像和近场波前对应的Zernike模式系数分别作为数据集中的样本和标签，若步骤2无法实现，则重复执行步骤1再次设计传感器，直至实现步骤2；

步骤4：配置深度学习环境，搭建CNN；

步骤5：任意抽取数据集中80％的样本作为训练集，供网络学习远场光斑与近场波前的映射关系；从数据集剩下的20％样本中任意抽取一半样本做为验证集，用于调整网络超参数并验证算法有效性，最后剩余的10％样本作为测试集用于进行无偏估计。