基于稀疏子孔径夏克-哈特曼波前传感器的深度学习波前复原方法

摘要

本发明公开了一种基于稀疏子孔径夏克‑哈特曼波前传感器的深度学习波前复原方法。传统夏克‑哈特曼波前传感器测量精度受限于微透镜阵列空间采样率，为了保证探测精度，通常采用高密度微透镜阵列以提高空间采样率。但过高的空间采样率会降低子孔径信噪比，反而限制了波前复原精度。深度学习可自提取图像深层特征，可被用于拟合远场光强分布到波前像差信息的映射。基于此，本发明基于深度学习设计了一种光能利用率高、实时性好、复原精度高的2×2稀疏子孔径夏克‑哈特曼波前传感器，引入深度学习替代原有的模式复原过程，实现高精度快速波前复原。

说明书

技术领域

本发明涉及一种波前复原方法，尤其涉及一种基于稀疏子孔径夏克-哈特曼波前传感器的深度学习波前复原方法。

背景技术

传统夏克-哈特曼波前传感器测量精度受限于微透镜阵列空间采样率，为了保证探测精度，通常采用高密度微透镜阵列以提高空间采样率。但过高的空间采样率会降低子孔径内光能量，反而限制了波前复原精度。为了提升低空间采样下夏克-哈特曼波前传感器探测性能，一种离焦夏克-哈特曼波前传感技术被提出，参见[丰帆,李常伟,张思炯.离焦型Shack-Hartmann 传感器的光斑矩波前重建[J].光学学报,2018,38(6)]，该类技术将CCD置于离焦平面处，利用离焦光斑获得更多波前信息以提高波前探测精度。但由于离焦使得光斑直径扩大，降低了传感器的动态范围，且该技术对像差大小或高阶像差的幅值要求较为苛刻。此外，相位反演方法等被用于夏克-哈特曼波前传感器进行波前复原，此类算法容易陷入局部最优解，在入射波前畸变较大、探测信号信噪比较低时难以有效复原波前。因此，为了在低空间采样下实现夏克-哈特曼波前传感器高精度探测波前，亟需寻找一种探测精度不受子孔径分割密度限制、波前复原鲁棒性更好的夏克-哈特曼波前探测技术路线。

发明内容

本发明要解决的技术问题是：克服夏克-哈特曼波前传感器在低空间采样情况下难以有效实现高精度波前复原问题，引入卷积神经网络(CNN)替代原有的模式复原过程，实现高精度快速波前复原。

本发明解决上述问题采用的技术方案是：一种基于稀疏子孔径夏克-哈特曼波前传感器的深度学习波前复原方法，选用在样本空间充分采样的数据集供CNN拟合稀疏子孔径夏克- 哈特曼波前传感器的远场光强分布与近场波前相位的映射关系，网络训练收敛之后，CNN 根据输入远场光强图像直接输出对应的波前像差。求解过程不再需要迭代运算，算法计算耗时大大减少，具体实现步骤如下：

步骤1：设计2×2稀疏子孔径夏克-哈特曼波前传感器；

步骤2：根据步骤1收集2×2稀疏子孔径夏克-哈特曼波前传感器的远场光斑与近场波前数据，并将CCD测量的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3：配置深度学习环境，搭建CNN；

步骤4：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。

其中，所述步骤1中的2×2稀疏子孔径夏克-哈特曼波前传感器将入射波前分为四个部分，CCD在远场可同时测量到4个光斑。

其中，所述步骤2中数据集的样本数量应至少为一万组，即应在样本空间进行充分采样。

其中，所述步骤3中的深度学习网络可以是CNN，也可以是其他深度学习网络。

其中，所述步骤4中训练集、验证集与测试集的划分方式可根据数据集的大小适当改变。

本发明与现有技术相比的优点在于：相比于传统夏克-哈特曼波前传感器，本发明光能利用率高，探测精度不受子孔径分割密度限制，具有在暗弱信标波前探测场景中应用的潜力。

附图说明

图1为本发明工作流程图；

图2为CCD采集到的2×2稀疏子孔径夏克-哈特曼波前传感器的远场光斑；

图3为2×2稀疏子孔径夏克-哈特曼波前传感器的原理图；

图4为本发明采用的CNN架构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，结合具体实施案例，并参照附图，对本发明进一步详细说明。

图1是一种基于稀疏子孔径夏克-哈特曼波前传感器的深度学习波前复原算法工作流程图，具体的实施过程为：

步骤1：设计2×2稀疏子孔径夏克-哈特曼波前传感器，图2为CCD采集到的2×2稀疏子孔径夏克-哈特曼波前传感器的远场光斑。

步骤2：根据步骤1收集2×2稀疏子孔径夏克-哈特曼波前传感器的远场光斑与近场波前数据，并将CCD测量的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3：配置深度学习环境，搭建CNN，图4为本发明的CNN架构示意图：CNN架构总共包含13层，其中有1层输入层，7层卷积层，3层池化层以及2层全连接层。输入层输入64×64×4大小的样本，4个通道分别为2×2稀疏子孔径夏克-哈特曼波前传感器各个子孔径内的远场光斑。7层卷积层的卷积核大小均为3×3，7层卷积层的通道数分别为16、16、 32、32、64、64、64。池化层均选择最大池化，池化层步长均为2。两层全连接层的节点数分别为300和20。网络输出4到23阶Zernike系数。CNN选择Adam函数作为梯度下降函数，初始学习率为10

步骤4：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。

训练使网络收敛后，只需给网络输入2×2稀疏子孔径夏克-哈特曼波前传感器的远场光斑，网络即可输出该远场光斑对应的入射波前信息。此过程中不再涉及迭代运算，计算速度大大提高，仿真结果表明，本发明完成一次波前复原所需时间可小于0.6毫秒。

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。