本发明涉及目标无关的波前相位反演方法和无监督学习模型的,尤其涉及一种克服本底像差的无监督学习波前复原方法。
背景技术:
1、相位反演法可根据单帧焦面光强图像多次迭代重构入射波前,光学系统结构简单,光能利用率高,算法容易实现,并且可以同时适用于点目标和扩展目标。当使用两幅光强图进行相位恢复时,通常其中一幅图为焦平面上的光强图,另一幅为离焦面光强图,这种方法就被称为相位差反演(pd)。然而,基于数值迭代的pd算法存在效率低、耗时久、容易陷入局部最优等问题,因此在一些需要高实时和高精度性能的应用场景中受到限制。美国亚利桑那大学的j.r.p.angel等人首次利用深度学习技术实现波前反演后,神经网络逐渐被科学家们引入波前测量领域中,并于近几年涌现出了大量关于无波前传感等方面的文献。安徽农业大学的马慧敏等对alexnet进行改造,仿真生成了不同大气湍流参数下的焦面与离焦面图像,将这些图像作为输入,训练输出前35阶zernike系数。与之类似,中国科学院光电技术研究所的吴玉和郭友明等也是对神经网络输入焦面与离焦面图像,输出13阶zernike系数。近几年来,齐鑫等人和李德全等人利用在焦和离焦图像的时域或锐度信息消除图像依赖,为扩展物体波前传感的研究提供了新的思路。
2、上述基于神经网络的波前复原方法往往需要远场图像及其对应的波前像差标签。为了得到远场图像对应的波前像差标签,需在光路中引入变形镜或空间光调制器来产生像差然后依次采集每一帧像差所对应的远场图像,然而,由于实际的光路中会存在无可避免的本底像差,通过上述方法得到的远场图像和收集的标签往往存在一定的偏差,即远场图像对应的实际波前像差并不是我们制作的标签,另外,大量用于训练的标记数据样本大大增加了应用成本和难度。
3、因此,本发明提出一种克服本底像差的无监督学习波前复原方法。
技术实现思路
1、本发明要解决的技术问题是:为了解决现有波前复原深度学习网络无法克服光学系统本底像差而带来的复原精度不足问题,本发明提出了一种克服本底像差的无监督学习波前复原方法,在实现高精度的与目标无关的波前复原的同时克服实际光路中存在的本底像差的问题。
2、本发明解决上述问题采用的技术方案是:一种克服本底像差的无监督学习波前复原方法,具体实现步骤如下:
3、步骤1:设计基于远场图像的光学成像系统,包括入射光中心波长、透镜的焦距、入瞳半径、离焦量参数设计;
4、步骤2:对理想平行光引入符合大气传输模型的随机像差,再引入一个随机像差,模拟光学系统中存在的本底像差;
5、步骤3:得到在焦、离焦远场图片后进行精细特征提取,消去目标信息,保留像差信息;
6、步骤4:记录特征图像与其对应的近场波前数据,并将特征图像作为样本制作基于无监督学习模型的波前复原数据集;
7、步骤5:选取数据集前80%的样本作为训练集,供网络学习特征图像与近场波面的非线性映射关系;余下20%的数据集以1:1的方式分别作为验证集和测试集,以衡量该方法的精度和实时性;
8、步骤6:配置深度学习环境,搭建神经网络;
9、步骤7:根据步骤1的光学系统参数建立目标无关的光学特征系统,反向计算出精细特征;
10、步骤8:将反算出的精细特征和输入的精细特征进行对比,计算损失值从而促进网络以无监督的学习模式进行参数更新;
11、其中,所述步骤1中入射光中心波长、透镜的焦距、入瞳半径、离焦量等参数要与步骤7中的光学特征系统中的参数严格对应。
12、其中,所述步骤2中引入的本底小像差可以是静态的,也可以是动态变化的。
13、其中,所述步骤5中训练集、验证集与测试集的划分方式可根据实际需求适当改变。
14、其中,所述步骤6中,优先选择搭建一个轻量级的网络,以获得更短的推理时间和更高的波前复原效率。
15、其中,所述步骤7中,光学特征系统反向计算精细特征的实现过程如下,首先将神经网络输出的泽尼克系数转换为波前相位,然后根据波前相位计算在焦平面和离焦平面上的点扩散函数,最终使用两个点扩散函数反向计算出其对应的唯一特征图。
16、其中,所述步骤8中,损失值是根据神经网络输入的精细特征和光学特征系统反算出的精细特征来进行比较计算得到的,损失函数采用l1损失函数。
17、本发明原理在于:首先从采集到的目标在焦、离焦图像中提取出一种与无标无关的,与波前像差相关的一种特征送入神经网络。然后建立光学特征系统与神经网络结合进行无监督学习模式的训练,无监督学习模式的过程为:(1)神经网络接收到特征图片后输出泽尼克系数;(2)将输出泽尼克系数作为中间变量送入光学特征系统中反算出特征图片;(3)将神经网络的输入特征图和光学特征系统的输出特征图进行对比计算得出损失值,进而推动神经网络进行参数更新,最终实现目标无关的无监督波前复原。
18、本发明与现有技术相比的优点在于:
19、(1)本发明提出的特征提取方法可针对扩展目标提取出与扩展目标无关、与像差一一对应的精细特征图像,由此可实现任意应用场景下的波前复原。
20、(2)本发明将神经网络和特征光学系统结合组成了一个无监督学习模型,该模型无需标签值即可实现网络训练与参数更新。
21、(3)本发明使用了轻量化的am-effnet,波前复原精度高,实时性强,经过测试,推理前20阶泽尼克系数的时间约为3ms。
22、(4)本发明提出的波前复原方法可以有效克服光学系统中存在的本底像差问题,使波前复原结果更贴近真实值。
1.一种克服本底像差的无监督学习波前复原方法,其特征在于,通过以下步骤实现:
2.根据权利要求1所述的一种克服本底像差的无监督学习波前复原方法,其特征在于:所述步骤1中入射光中心波长、透镜的焦距、入瞳半径、离焦量参数要与步骤7中的光学特征系统中的参数严格对应。
3.根据权利要求1所述的一种克服本底像差的无监督学习波前复原方法,其特征在于:所述步骤2中引入的本底像差可以是静态的,也可以是动态变化的。
4.根据权利要求1所述的一种克服本底像差的无监督学习波前复原方法,其特征在于:所述步骤5中训练集、验证集与测试集的划分方式可根据实际需求适当改变。
5.根据权利要求1所述的一种克服本底像差的无监督学习波前复原方法,其特征在于:所述步骤6中,优先选择搭建一个轻量级的网络,以获得更短的推理时间和更高的波前复原效率。
6.根据权利要求1所述的一种克服本底像差的无监督学习波前复原方法,其特征在于:所述步骤7中,光学特征系统反向计算精细特征的实现过程如下,首先将神经网络输出的泽尼克系数转换为波前相位,然后根据波前相位计算在焦平面和离焦平面上的点扩散函数,最终使用两个点扩散函数反向计算出其对应的唯一特征图。
7.根据权利要求1所述的一种克服本底像差的无监督学习波前复原方法,其特征在于:所述步骤8中,损失值是根据神经网络输入的精细特征和光学特征系统反算出的精细特征来进行比较计算得到的,损失函数采用l1损失函数。