[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

摘要

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。

主权项

1.一种基于深度学习的哈特曼波前传感器模式波前复原方法，其特征在于：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：步骤(1)：根据哈特曼波前传感器入射光波长λ、入瞳函数P(x₀,y₀)以及微透镜阵列透过率函数T(x₀,y₀)建立焦平面光强分布I_f(x_f,y_f)与哈特曼波前传感器入瞳复振幅U₀(x₀,y₀)之间的关系函数F₁(x_f,y_f,U₀)；其中，(x₀,y₀)为入瞳平面坐标，(x_f,y_f)为焦平面坐标；步骤(2)：根据关系函数F₁(x_f,y_f,U₀)以及焦平面相机的二维采样函数S(m,n,x_f,y_f)建立焦平面相机图像I(m,n)与U₀(x₀,y₀)之间的关系函数F₂(m,n,U₀)；其中，(m,n)为像素点在焦平面相机图像上的位置；步骤(3)：利用计算机随机生成模式系数矩阵A_KL，其中，A_KL矩阵的行数为K，表示模式阶数共有K阶，A_KL矩阵的列数为L，表示共生成L组模式系数；模式函数表示为M_k(x₀,y₀)，其中k为模式阶次；步骤(4)：根据模式函数M_k(x₀,y₀)和模式系数矩阵A_KL的第j列向量生成相位函数序列：步骤(5)：将相位函数φ₀(x₀,y₀)＝φ_0j(x₀,y₀)逐次代入哈特曼波前传感器入瞳复振幅计算公式得到复振幅序列U_0j(x₀,y₀)，其中A₀(x₀,y₀)为振幅函数可根据哈特曼波前传感器的实际应用场景灵活设置；步骤(6)：针对L个哈特曼波前传感器入瞳复振幅U_0j(x₀,y₀)分别计算对应的焦平面相机图像I_0j(m,n)；按照实际应用场景随机生成包含可能面临的各种噪声强度的噪声图像序列I_nj(m,n)；步骤(7)：计算焦平面相机图像序列I_j(m,n)＝I_0j(m,n)+I_nj(m,n)作为后续人工神经网络训练的输入数据集，记录向量为人工神经网络训练的标签集；步骤(8)：建立人工神经网络，其输入为维度与焦平面相机采集图像匹配的二维矩阵或单元数与焦平面相机采集图像像素总和相等的一维向量；步骤(9)：利用输入样本集I_j(m,n)和标签样本集组成的L个样本集对步骤(8)建立的人工神经网络进行训练，训练完毕后保存该人工神经网络；步骤(10)：在实际应用中进行波前探测时，以焦平面相机采集到的图像作为输入，利用经步骤(9)训练后的人工神经网络计算对应的输出，作为波前复原的模式系数。