一种克服本底像差的无监督学习波前复原方法技术

本发明专利技术公开了一种克服本底像差的无监督学习波前复原方法。本发明专利技术首次将无监督学习的思想引入到与目标无关的波前复原方法中，使用无监督学习模式训练模型，无需制作标签，训练完善的网络能够对任意成像目标进行快速相位反演。首先提出了一种精细化特征，该特征只依赖于波前像差而与成像目标无关，接着联合一个轻量型的神经网络和光学特征系统组成了无监督学习模型，通过反向输出精细特征促进神经网络实现特征与波前像差的非线性拟合。该方法无需制作标签，并且能够有效地克服实际光路中存在的本底像差的问题，实现任意扩展目标场景下的高精度的波前复原，对于基于图像的波前复原领域有应用潜力和实际应用意义。领域有应用潜力和实际应用意义。领域有应用潜力和实际应用意义。

【技术实现步骤摘要】
一种克服本底像差的无监督学习波前复原方法


[0001]本专利技术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。

技术介绍

[0002]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本文档来自技高网...

【技术保护点】

【技术特征摘要】
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：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；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；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；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；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；步骤6：配置深度学习环境，搭建神经网络；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；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。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...

【专利技术属性】
技术研发人员：葛欣兰，朱里程，高泽宇，王宁，叶红卫，杨平，
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：