一种基于图像矩特征的波前校正方法技术

本发明专利技术公开了一种基于图像矩特征的波前校正方法。该方法利用装置包括：图像采集模块，图像处理模块，神经网络模块和执行机构。具体方法为：入射光通过分光镜一分为二，分别汇聚成聚焦光斑和离焦光斑，图像采集模块负责采集光斑；图像处理模块负责对光斑进行图像矩运算，并将图像矩运算后提取的特征作为神经网络的输入；经过大量图像特征训练后，神经网络模块根据图像处理模块传递的图像特征拟合出对应的Zernike系数；最后执行机构根据拟合的Zernike系数实现对大气湍流产生的波前畸变的校正。

A Wavefront Correction Method Based on Image Moment Feature

【技术实现步骤摘要】
一种基于图像矩特征的波前校正方法
本专利技术涉及波前
，具体涉及一种基于图像矩特征的波前校正方法，主要用于对大气湍流产生的波前畸变进行校正。
技术介绍
空间光通信中由于大气湍流的影响，接收光束存在波前畸变，影响光纤耦合效率和稳定性，进而影响通信误码率。现阶段主要的校正波前畸变的方法为波前校正技术，波前校正技术包括有波前探测的波前校正技术和无波前探测的波前校正技术。有波前探测的波前校正技术利用哈特曼探测器测量出接收光束的波前，然后驱动变形镜对波前畸变进行校正，其优点是精度高，带宽高，但是哈特曼探测器对能量的要求较高，导致接收光束大部分被分光进入哈特曼探测器，适用范围有限。无波前探测的波前校正技术直接控制变形镜，将光纤耦合效率作为目标函数，通过寻优算法迭代达到光纤耦合效率最大，其主要不足在于带宽不足，无法满足实际应用的需求。
技术实现思路
针对现有的波前校正技术所存在的应用局限，本文提出一种基于图像矩特征的波前校正方法，该方法采用神经网络对Zernike系数进行预测，满足实时性要求的同时，提高了能量利用率。本专利技术采用的技术方案为：一种基于图像矩特征的波前校正方法，该方法包括如下步骤：步骤一、入射光通过分光镜一分为二，分别汇聚成聚焦光斑和离焦光斑，图像采集模块负责采集光斑。步骤二、图像处理模块负责对光斑进行图像矩运算，并将图像矩运算后提取的特征作为神经网络的输入。步骤三、经过大量图像特征训练后，神经网络模块根据图像处理模块传递的图像特征拟合出对应的Zernike系数。步骤四、执行机构根据拟合的Zernike系数实现对大气湍流产生的波前畸变的校正。进一步地，图像采集模块对光斑的提取，包括：1)利用分光镜对入射光分光，两束光线分别汇聚成聚焦光斑和离焦光斑；2)利用图像采集器对光斑进行采集并传输给图像处理模块。进一步地，基于图像矩特征：1)矩是描述图像特征的算子，广泛应用于图像识别，采用不变矩作为图像特征的提取手段，不变矩具有平移，旋转和缩放不变性；2)常用的不变矩包括Hu不变矩，Zernike不变矩，Tchebichef矩。进一步地，所述神经网络模块，其包括：1)输入层：输入聚焦光斑和离焦光斑的图像矩特征；2)隐藏层：隐藏层负责计算和输出结果给输出层；3)输出层：输出层输出聚焦光斑和离焦光斑的图像矩特征对应的Zernike系数。本专利技术与现有方法相比具有如下优点：(1)和有波前探测的波前校正系统相比，本专利技术不需要使用哈特曼探测器，提高了光束能量的利用率。(2)和无波前探测的波前校正系统相比，本专利技术不需要循环迭代的过程，带宽高，满足实时性的需求。(3)和基于图像强度的神经网络相比，本专利技术具有更强的鲁棒性和抗噪能力。(4)本专利技术机构简单，易于实现。附图说明图1是本专利技术的基于图像矩特征的波前校正方法的原理图。图2是本专利技术的基于图像矩特征的波前校正方法的流程图。图3是本专利技术的神经网络的学习预测流程图。具体实施方式以下结合附图对本专利技术的具体实施方式做详细说明。如图1所示，基于图像矩特征的波前校正方法，利用的装置包括：图像采集模块，图像处理模块，神经网络模块和执行机构。具体方法为：入射光通过分光镜一分为二，分别汇聚成聚焦光斑和离焦光斑，图像采集模块负责采集光斑；图像处理模块负责对光斑进行图像矩运算，并将图像矩运算后提取的特征作为神经网络的输入；经过大量图像特征训练后，神经网络模块根据图像处理模块传递的图像特征拟合出对应的Zernike系数；最后执行机构根据拟合的Zernike系数实现对大气湍流产生的波前畸变的校正。如图2所示，基于图像矩特征的波前校正方法的具体流程为：通过光学系统接收入射光，入射光被分光镜分束，一部分耦合进入光纤，一部分再次被分光镜分束，一部分在焦点处汇聚成聚焦光斑，一部分在离焦处汇聚成离焦光斑，通过质心算法对低阶像差进行校正，图像处理系统对聚焦光斑和离焦光斑进行图像矩运算，将图像矩运算的结果输入进神经网络，神经网络生成预测的Zernike系数，执行机构根据生成的Zernike系数对光斑进行校正。如图3所示，基于神经网络生成Zernike系数的流程为：训练阶段，采集大量的图像和其对应的zernike系数作为样本，计算其图像矩，将大部分样本作为训练集，少部分样本作为测试集，进行训练，损失函数是生成的Zernike系数和实际Zernike系数的均方差，当测试集的损失函数不再收敛时训练完成，应用阶段，将图像矩输入训练好的神经网络中，输出即为预测的Zernike系数。仿真生成大气相干长度为5cm的10阶Zernike系数组22000组，其中20000组为训练集，剩余2000组为测试集，利用实验平台采集焦点图和离焦图，测试集的残余MRMS波像差为0.0060波长。本文档来自技高网...

【技术保护点】
1.一种基于图像矩特征的波前校正方法，其特征在于：该方法包括如下步骤：步骤一、入射光通过分光镜一分为二，分别汇聚成聚焦光斑和离焦光斑，图像采集模块负责采集光斑；步骤二、图像处理模块负责对光斑进行图像矩运算，并将图像矩运算后提取的特征作为神经网络的输入；步骤三、经过大量图像特征训练后，神经网络模块根据图像处理模块传递的图像特征拟合出对应的Zernike系数；步骤四、执行机构根据拟合的Zernike系数实现对大气湍流产生的波前畸变的校正。

【技术特征摘要】
1.一种基于图像矩特征的波前校正方法，其特征在于：该方法包括如下步骤：步骤一、入射光通过分光镜一分为二，分别汇聚成聚焦光斑和离焦光斑，图像采集模块负责采集光斑；步骤二、图像处理模块负责对光斑进行图像矩运算，并将图像矩运算后提取的特征作为神经网络的输入；步骤三、经过大量图像特征训练后，神经网络模块根据图像处理模块传递的图像特征拟合出对应的Zernike系数；步骤四、执行机构根据拟合的Zernike系数实现对大气湍流产生的波前畸变的校正。2.根据权利要求1所述的一种基于图像矩特征的波前校正方法，其特征在于：图像采集模块对光斑的提取，包括：1)利用分光镜对入射光分光，两束光线分别汇聚成聚焦光斑和离焦光斑；...

【专利技术属性】
技术研发人员：徐杨杰，黄永梅，王强，贺东，郭弘扬，
申请(专利权)人：中国科学院光电技术研究所，
类型：发明
国别省市：四川,51