波前畸变信息预测方法、装置、电子设备及存储介质与流程

本技术涉及光学传感器领域，尤其涉及一种波前畸变信息预测方法、装置、电子设备及存储介质。

背景技术：

1、波前传感是一种光学波前像差测量技术，是自适应光学中的重要环节之一，被广泛应用于天文成像、太阳成像、人眼生物成像、激光通信、高能激光系统。其中，智能自适应光学的诞生，不但大大降低了波前探测对昂贵波前传感器件的需求，也降低了由于波前传感器件带来的对信标激光强度的需求，同时能够提升强湍流、长传输距离、暗弱目标、强功率场景下的探测能力。

2、智能自适应光学包含众多技术子项，智能波前传感是其中一个子项，其功能是从远场光强图像中提出波前畸变信息。目前智能波前传感有三种方案：基于hs测量点阵恢复斜率或波前、基于在焦面和离焦面两幅光强图像恢复波前或zernike像差、基于一幅焦面图像恢复波前或zernike像差。现有的基于远场光强图像的人工智能波前恢复方法普遍存在以下缺陷：1.智能波前传感模型的输入光强图像网格数及分辨率被预先固定，无法灵活对不同网格数和分辨率的光强图像预测波前畸变信息；2.智能波前传感模型通常是基于一个远场光斑测量系统参数的仿真或实验数据学习获得，无法适用于口径、焦距、波长、相机分辨率等参数不同的远场光斑测量系统，对于不同系统必须重新采集数据训练神经网络模型，造成数据采集、模型训练的资源浪费，且其时效性受限。

3、因此，现有波前畸变信息预测存在需要训练不同神经网络模型来识别对不同场景的输入光强图像进行灵活识别，导致不同场景下的波前畸变信息预测效率低的问题。

技术实现思路

1、本技术实施例提供一种波前畸变信息预测方法，旨在解决现有波前畸变信息预测存在需要训练不同神经网络模型来识别对不同场景的输入光强图像进行灵活识别，导致不同场景下的波前畸变信息预测效率低的问题。

2、第一方面，本技术实施例提供一种波前畸变信息预测方法，其特征在于，所述方法包括以下步骤：

3、获取通过目标远场光斑测量系统测量到的原始远场光斑；

4、通过所述目标远场光斑测量系统的第一系统参数以及标准远场光斑模拟系统的第二系统参数对所述原始远场光斑进行定标处理，得到标准远场光斑；

5、将所述标准远场光斑输入到训练好的神经网络模型中进行预测处理，得到预测波前畸变信息，所述训练好的神经网络模型根据定标处理后的样本标准远场光斑以及对应波前畸变真值进行训练得到。

6、可选的，所述通过所述目标远场光斑测量系统的第一系统参数以及标准远场光斑模拟系统的第二系统参数对所述原始远场光斑进行定标处理，得到标准远场光斑，包括：

7、获取所述远场光斑测量系统的第一系统参数，以及获取标准远场光斑模拟系统的第二系统参数；

8、通过所述第一系统参数确定所述原始远场光斑的散斑半径，以及通过所述第二系统参数确定标准远场光斑的散斑半径；

9、通过所述原始远场光斑的散斑半径以及所述标准远场光斑的散斑半径所述原始远场光斑进行定标处理，得到标准远场光斑。

10、可选的，所述通过所述原始远场光斑的散斑半径以及所述标准远场光斑的散斑半径所述原始远场光斑进行定标处理，得到标准远场光斑，包括：

11、确定所述原始远场光斑的第一网格数，以及基于所述原始远场光斑的散斑半径以及所述标准远场光斑的散斑半径所述原始远场光斑的第一分辨率；

12、确定标准远场光斑的第二网格数以及标准远场光斑的第二分辨率；

13、将所述原始远场光斑的第一网格数以及所述原始远场光斑的第一分辨率插值到所述标准远场光斑的第二网格数以及所述标准远场光斑的第二分辨率；得到标准远场光斑。

14、可选的，所述原始远场光斑包括第一远场光斑和第二远场光斑，所述第一远场光斑为离焦远场光斑，所述第二远场光斑为离焦远场光斑或在焦远场光斑，所述标准远场光斑包括第一标准远场光斑以及第二标准远场光斑，所述通过所述目标远场光斑测量系统的第一系统参数以及标准远场光斑模拟系统的第二系统参数对所述原始远场光斑进行定标处理，得到标准远场光斑，包括：

15、通过所述目标远场光斑测量系统的第一系统参数以及标准远场光斑模拟系统的第二系统参数对所述第一远场光斑进行定标处理，得到所述第一标准远场光斑；

16、通过所述目标远场光斑测量系统的第一系统参数以及标准远场光斑模拟系统的第二系统参数对所述第二远场光斑进行定标处理，得到所述第二标准远场光斑。

17、可选的，所述将所述标准远场光斑输入到训练好的神经网络模型中进行预测处理，得到预测波前畸变信息，包括：

18、将所述第一标准远场光斑以及所述第二标准远场光斑输入到训练好的神经网络模型中进行预测处理，得到预测波前畸变信息。

19、可选的，所述预测波前畸变信息包括zernike系数，所述将所述标准远场光斑输入到训练好的神经网络模型中进行预测处理，得到预测波前畸变信息，包括：

20、将所述标准远场光斑输入到训练好的神经网络模型中进行预测处理，输出预定阶数的zernike系数。

21、可选的，在所述将所述标准远场光斑输入到训练好的神经网络模型中进行预测处理，得到预测波前畸变信息，所述方法还包括：

22、通过远场光斑测量系统测量含波前畸变光束的样本原始远场光斑以及所述样本原始远场光斑对应的波前畸变真值；

23、通过所述远场光斑测量系统的第三系统参数以及标准远场光斑模拟系统的第二系统参数对所述样本原始远场光斑进行定标处理，得到样本标准远场光斑；

24、基于所述样本标准远场光斑以及所述样本原始远场光斑对应的波前畸变真值，对待训练的神经网络模型进行训练，训练完成后得到训练好的神经网络模型，所述待训练的神经网络模型以及所述训练好的神经网络模型的输出均为预测波前畸变信息。

25、第二方面，本技术实施例还提供一种波前畸变信息预测装置，所述波前畸变信息预测装置包括：

26、获取模块，用于获取通过目标远场光斑测量系统测量到的原始远场光斑；

27、定标处理模块，用于通过所述目标远场光斑测量系统的第一系统参数以及标准远场光斑模拟系统的第二系统参数对所述原始远场光斑进行定标处理，得到标准远场光斑；

28、预测模块，用于将所述标准远场光斑输入到训练好的神经网络模型中进行预测处理，得到预测波前畸变信息，所述训练好的神经网络模型根据定标处理后的样本标准远场光斑以及对应波前畸变真值进行训练得到。

29、第三方面，本技术实施例提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本技术实施例提供的波前畸变信息预测方法中的步骤。

30、第四方面，本技术实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现发明实施例提供的波前畸变信息预测方法中的步骤。

31、本技术实施例中，获取通过目标远场光斑测量系统测量到的原始远场光斑；通过所述目标远场光斑测量系统的第一系统参数以及标准远场光斑模拟系统的第二系统参数对所述原始远场光斑进行定标处理，得到标准远场光斑；将所述标准远场光斑输入到训练好的神经网络模型中进行预测处理，得到预测波前畸变信息，所述训练好的神经网络模型根据定标处理后的样本标准远场光斑以及对应波前畸变真值进行训练得到。本实施例通过对原始远场光斑不同定标处理，可以将不同远场光斑测量系统测量得到的不同参数的原始远场光斑定标为标准远场光斑，将标准远场光斑作为训练好的神经网络模型的输入，使得神经网络模型的输入标准化，能适用于各种不同测量系统的波前畸变信息预测，提高不同场景下的波前畸变信息预测效率。