一种基于神经网络的缺光子孔径质心位移估计方法

摘要

本发明公开了一种基于神经网络的缺光子孔径质心位移估计方法，该方法通过神经网络建立夏克‑哈特曼波前传感器局部与全口径子孔径质心位移之间的非线性关系，根据可探测的子孔径质心位移估计缺光子孔径质心位移，本发明可有效降低子孔径缺光对波前传感器探测精度和波前复原算法鲁棒性的影响，提高传感器对光束近场强度非均匀分布的适应能力，增强子孔径存在缺光情况下的波前探测稳定性，有望用于近场光强分布不均匀、光强闪烁等情况下的高精度、高鲁棒性波前测量。

权利要求

1.一种基于神经网络的缺光子孔径质心位移估计方法，其特征在于：该方法基于神经网络建立夏克‑哈特曼波前传感器局部与全口径子孔径质心位移之间的非线性关系，根据已知的部分子孔径质心位移估计缺光子孔径质心位移，该方法通过以下步骤实现：步骤1：根据夏克‑哈特曼波前传感器局部子孔径质心位移和全口径子孔径质心位移构造训练集；

步骤1中，所述的训练集构造过程如下：

步骤1.1：将畸变波前输入夏克‑哈特曼波前传感系统中，输出光斑阵列图像，通过质心算法得到全口径子孔径质心位移矩阵Tx、Ty，作为神经网络的输出；

步骤1.2：随机选取若干个子孔径假设为缺光子孔径，并将其对应位置的子孔径质心位移设置为零，得到局部子孔径质心位移矩阵Lx、Ly，该矩阵作为神经网络的输入，与Tx、Ty构成一组训练样本；

步骤1.3：重复步骤1.1、步骤1.2，随机生成若干组训练样本以构成训练集；

步骤2：构建满足局部子孔径质心位移矩阵和全口径子孔径质心位移矩阵对应关系的神经网络；

步骤3：利用步骤1生成的训练集对步骤2构建的神经网络进行训练，训练完毕后保存该神经网络；

步骤4：在实际应用中，将不可准确探测的子孔径质心位移置零，即获得局部子孔径质心位移矩阵，然后将其输入步骤3训练好的神经网络得到全口径子孔径质心位移，即完成缺光子孔径质心位移估计，所述不可准确探测的子孔径包括缺光子孔径和/或低信噪比子孔径。

2.根据权利要求1所述的一种基于神经网络的缺光子孔径质心位移估计方法，其特征在于：所述神经网络可以是BP神经网络、感知机、U‑net网络、卷积神经网络、深度神经网络或其他任意满足输入和输出模式的神经网络。

3.根据权利要求1所述的一种基于神经网络的缺光子孔径质心位移估计方法，其特征在于：所述质心算法可以是重心法(GoG)，也可以是加权重心法(WCoG)、加窗法、阈值重心法(TGoG)或其他任意质心算法。

4.根据权利要求1所述的一种基于神经网络的缺光子孔径质心位移估计方法，其特征在于：所述步骤1.2中神经网络的输入是通过随机将10％～50％的有效子孔径假设为缺光子孔径，并将其对应位置的质心位移置零所获得。

说明书

一种基于神经网络的缺光子孔径质心位移估计方法

技术领域

[0001] 本发明属于波前传感技术领域，尤其涉及一种基于神经网络的缺光子孔径质心位移估计方法。

背景技术

[0002] 夏克‑哈特曼波前传感器(SH‑WFS)具有结构简单、测量速度快、适应能力强等优势，被广泛应用于激光传输、天文观测、医学成像等各个领域。该传感器由微透镜阵列和CCD组成。入射光束经微透镜阵列分割、采样并聚焦于CCD上形成光斑阵列图像。子光斑质心位移与对应子孔径波前的平均斜率成比例，通过计算各子光斑质心位移来估算局部波前斜率，最后根据子孔径斜率信息由相应的波前复原算法重构整个入射波前。因此，子孔径光斑质心位移数据的准确性和完整性直接决定了夏克‑哈特曼波前传感器的测量精度。

[0003] 实际应用中，受大气湍流强度、信标光缺光特性等因素影响，光束到达夏克‑哈特曼波前传感器时，会出现部分子孔径光斑强度减弱甚至消失于噪声中，从而导致传感器无法获得完整的、准确的子孔径质心位移信息，当缺光子孔径数目较多时会严重影响波前复原精度和复原算法的鲁棒性，限制自适应光学系统的校正效果。

[0004] 针对部分子孔径缺光问题，最常用的一种方法是缺光子孔径斜率置零法(见于魏平，李新阳，罗曦，李剑峰，“部分子孔径缺光对夏克‑哈特曼波前传感器波前复原的影响”.中国激光.47(4)，0409002,2020)。该方法通过抛弃不准确的子孔径斜率信息，提高波前复原精度，在少量子孔径缺光情况下，可以获得较高精度的波前复原效果。但该方法忽略了信息的完整性，随着缺光子孔径数目增多，波前传感器探测精度下降。因此，亟需寻找一种能够利用部分子孔径数据估计缺光子孔径质心位移的方法，使得夏克‑哈特曼波前传感器对部分子孔径信息丢失具备一定的容忍度。

发明内容

[0005] 本发明要解决的技术问题是：解决夏克‑哈特曼波前传感器子孔径缺光导致波前重构精度下降的问题，提高夏克‑哈特曼波前传感器对子孔径缺光的容忍度，降低子孔径缺光对波前复原精度和复原算法鲁棒性的影响。

[0006] 本发明解决上述技术问题采用的技术方案是：一种基于神经网络的缺光子孔径质心位移估计方法，该方法基于神经网络建立夏克‑哈特曼波前传感器局部与全口径子孔径质心位移之间的非线性关系，根据已知的部分子孔径质心位移估计缺光子孔径质心位移，该方法具体通过以下步骤实现：

[0007] 步骤1：根据夏克‑哈特曼波前传感器局部子孔径质心位移和全口径子孔径质心位移构造训练集；

[0008] 步骤2：构建满足局部子孔径质心位移矩阵和全口径子孔径质心位移矩阵对应关系的神经网络；

[0009] 步骤3：利用步骤1生成的训练集对步骤2构建的神经网络进行训练；

[0010] 步骤4：在实际应用中，将不可准确探测的子孔径质心位移置零，即获得局部子孔径质心位移矩阵，然后将其输入步骤3训练好的神经网络得到全口径子孔径质心位移，即完成缺光子孔径质心位移估计，所述不可准确探测的子孔径包括缺光子孔径和/或低信噪比子孔径。

[0011] 进一步地，步骤1所述的训练集构造过程如下：

[0012] 步骤1.1：将畸变波前输入夏克‑哈特曼波前传感系统中，输出光斑阵列图像，通过质心算法得到全口径子孔径质心位移矩阵Tx、Ty，作为神经网络的输出；

[0013] 步骤1.2：随机选取若干个子孔径假设为缺光子孔径，并将其对应位置的子孔径质心位移设置为零，得到局部子孔径质心位移矩阵Lx、Ly，该矩阵作为神经网络的输入，与Tx、Ty构成一组训练样本；

[0014] 步骤1.3：重复步骤1.1、步骤1.2，随机生成若干组样本以构成训练集。

[0015] 进一步地，所述神经网络可以是BP神经网络、感知机、U‑net网络、卷积神经网络、深度神经网络或其他任意满足输入和输出模式的神经网络，也可以是其他非线性拟合方法。

[0016] 一步地，所述质心算法可以是重心法(GoG)，也可以是加权重心法(WCoG)、加窗法、阈值重心法(TGoG)或其他任意质心算法。

[0017] 进一步地，所述步骤1.2中，神经网络的输入是通过随机将10％～50％的有效子孔径假设为缺光子孔径，并将其对应位置的子孔径质心位移置零所获得。

[0018] 本发明与现有技术相比有如下优点：

[0019] 本发明通过神经网络建立了夏克‑哈特曼波前传感器局部与全口径子孔径质心位移之间的非线性关系，由部分子孔径质心位移信息估计缺光子孔径质心位移。本发明与传统的缺光子孔径斜率置零技术相比，有效降低了子孔径缺光对夏克‑哈特曼波前传感器探测精度和波前复原算法鲁棒性的影响，提高了波前传感器对子光斑丢失的容忍度，可用于信标光近场光强分布不均匀、光强闪烁等情况下的高精度波前复原。

附图说明

[0020] 图1为本发明数据采集装置图。

[0021] 其中1：激光器，2、3、10、11：中继透镜，4：光圈，5：线性偏振片，6：吸光黑块，7：分光棱镜，8：空间光调制器(SLM)，9：反射镜，12：微透镜阵列，13：CCD相机，14：计算机。

[0022] 图2为实施例中使用的一种神经网络模型示意图。

[0023] 图3为实施例中神经网络的一组训练样本。

[0024] 图4为实施例中神经网络预测误差的统计结果。

[0025] 其中图4(a)为每个测试样本缺光子孔径质心位移预测误差的均方根统计，图4(b)为每个样本缺光子孔径最大质心位移预测误差统计，每种缺光比下包含1000组测试样本。

[0026] 图5为实施例中本发明和传统方法波前复原残差的均方根(RMS)统计结果。

[0027] 其中图5(a)为所有测试集的波前复原残差的均方根，图5(b)为测试集波前复原残差均方根的统计结果，每种缺光比下包含1000组测试样本。

具体实施方式

[0028] 为使本发明的目的和技术方案更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

[0029] 实施例中，采集数据的装置系统如图1所示，其中采用连续激光器1作为光源，中继透镜2和中继透镜3组成中继系统用于准直和扩展光束，还包括光圈4，线性偏振片5，吸光黑块6，分光棱镜7，纯相位空间光调制器(SLM)8，反射镜9，中继透镜10和中继透镜11组成的4‑f系统，微透镜阵列12，CCD相机13，计算机14，其中，使得空间光调制器8表面和微透镜阵列12前表面共轭。实施例中对该数据采集系统进行仿真，主要参数设置如下：波长635nm，子孔径数目16×16，子孔径尺寸400μm，微透镜焦距42.3mm，像素尺寸6.4μm×6.4μm。结合实施例，具体步骤包括：

[0030] 步骤1：根据夏克‑哈特曼波前传感器局部子孔径质心位移和全口径子孔径质心位移构造训练集。

[0031] 所述步骤1中训练集的具体构造过程如下：

[0032] 步骤1.1：基于Kolmogorov湍流模型生成含前35阶(平移和倾斜项除外)的圆口径随机入射波前，湍流模型的参数D/r0分布在5～10之间，其中D为夏克‑哈特曼波前传感器的有效口径，r0为大气相干长度。空间光调制器用以产生畸变波前，激光器发出的连续光束经过中继透镜2和3准直、扩束，然后通过直径为6.4nm的光圈4和线性偏振片5，产生空间光调制器所需的偏振光，垂直入射到空间光调制器。经空间光调制器垂直反射后，光束被转为相位调制光束，然后依次经过分光棱镜7、反射镜9、中继透镜10和11后进入夏克‑哈特曼波前传感器(由微透镜阵列12和CCD13组成)，在CCD上形成光斑阵列图像，中继透镜10和11组成4‑f系统，使得空间光调制器表面和微透镜阵列前表面共轭，最后计算机通过重心法得到全口径子孔径质心位移矩阵Tx、Ty，作为网络的输出；

[0033] 步骤1.2：随机将10％～50％的有效子孔径假设为缺光子孔径，并将其对应位置的质心位移置零，得到局部子孔径质心位移矩阵Lx、Ly，作为网络的输入，与Tx、Ty构成一组训练样本；

[0034] 步骤1.3：重复步骤1.1、步骤1.2，随机生成50000组训练样本以构成训练集。

[0035] 步骤2：构建局部子孔径质心位移和全口径子孔径质心位移的神经网络，建立波前传感器局部与全口径子孔径质心位移之间的非线性关系。基于训练好的神经网络，由已知的子孔径质心位移估计缺光子孔径质心位移。本实施例基于U‑net网络构建了SH‑Unet神经网络模型，其模型结构如图2所示。该网络由Encoder和Decoder两部分组成，其中Encoder部分由两个3×3的卷积层和激活层、两个max polling层(stride＝2)反复组成，并进行下采样4次以提取特征信息，然后通过Decoder部分对称进行4次上采样，其中Decoder部分由一个2×2的上采样卷积层和激活层、Skip‑Connection层(由Encoder对应的feature map和Decoder上采样的结果相加)、两个3×3的卷积层和激活层，最后通过拟合输出与输入相同大小的分辨率的图像。

[0036] 步骤3：神经网络构建完成后，利用步骤1中的训练集对神经网络进行训练，训练完成后保存该神经网络。

[0037] 步骤4：将1000组畸变波前输入夏克‑哈特曼波前传感系统得到光斑阵列图像，利用重心法求各子孔径质心位移Ttestx和Ttesty，然后分别随机选取10％、20％、30％、40％和50％的有效子孔径，并将其质心位移置零得到局部质心位移矩阵Ltestx和Ltesty作为测试样本，所以缺光比为10％、20％、30％、40％和50％的测试样本各1000个，共5000个测试样本。
将Ltestx和Ltesty输入步骤3训练好的神经网络得到全口径子孔径质心位移，即完成对缺光位置的质心位移预测，并将缺光位置的预测结果与Ttestx和Ttesty中的真值作对比以计算预测误差，测试神经网络的性能。

[0038] 神经网络对5000组测试样本的预测结果统计图如图4所示，每种缺光比下包含1000组测试样本，其中图4(a)为每个测试样本缺光子孔径质心位移预测误差的均方根统计，图4(b)为每个样本缺光子孔径最大质心位移预测误差统计。缺光子孔径质心位移均方根(RMS)误差分布在0.0115～1.0868个像素(pixel)，均值为0.0753个像素。同时，在实施例中基于SH‑Unet模型和传统的缺光子孔径斜率置零法对输入波前进行复原，并与无子光斑缺失情况下的复原结果进行了对比。波前残差RMS结果如图5所示，图5(a)为5000组样本的复原结果，RMS分布在0.0011λ～0.0559λ之间，均值为0.0074λ,与理想条件仅相差0.0015λ，复原精度相对于传统的缺光子孔径斜率置零法提高了93.32％。图5(b)给出了不同缺光下波前残差RMS的统计结果。从图中可以看出，传统的波前复原算法误差随缺光比例的增加而增加，而基于SH‑Unet模型在不同缺光比下都能保持较低的复原误差。综上所述，本发明可以根据局部子孔径质心位移数据准确估计缺光子孔径的质心位移，提高了夏克‑哈特曼波前传感器对子光斑丢失的容忍度，有望用于近场光强不均匀，光强闪烁等环境下的高精度波前测量。

[0039] 以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围之内。