【技术实现步骤摘要】
本专利技术涉及一种微透镜阵列质心提取方法，适用于光学信息测量技术，特别是一种基于卷积神经网络的微透镜阵列质心提取方法。
技术介绍
1、微透镜阵列质心提取是波前检测中常用的一种技术，也是哈特曼波前传感器的重要环节之一。微透镜阵列所形成的光斑图像的质心精度，决定了微透镜阵列所测波前信息精度。由于子孔径内焦斑的质心提取误差以及波前复原算法的误差直接影响微透镜阵列的测量精度。目前最常用的微透镜阵列质心提取算法方法主要有如下几种：质心法、阈值法、加权质心法，等等。近年来，学者们围绕该质心提取问题不断改进，为减小了质心提取的最小起伏方差误差，提出一系列阈值法求取质心坐标；采用加权函数作为焦斑中心的高斯函数把子孔径内的焦斑看作高斯分布型的，继而得到加权质心算法；此外，采用迭代加权算法对加权函数进行优化，将加权函数中心视为质心位置，以达到提高质心提取精度的目的，等等。
2、但是当图像噪声较大时，上述传统的质心提取算法精度不高。若子孔径光斑刚好位于其边缘附近时，发生截断误差，精度将会迅速下降。此外，随着光学系统性能的不断提升，微透镜阵列也逐渐增大，由子孔径获取的光斑质心计算量急剧上升，然而，传统方法在求取质心精度时耗时较长。为了解决该类问题，亟需一种精确而又快速的微透镜阵列光斑提取方法。
技术实现思路
1、本专利技术提出一种基于卷积神经网络的微透镜阵列质心提取方法，采用卷积神经网络算法代替传统质心提取算法，以实现提高微透镜阵列光斑质心提取的精度和速度的目的。
2、本专利技术解
3、一种基于卷积神经网络的微透镜阵列质心提取方法，对微透镜阵列形成的光斑阵列图的样本空间进行充分采样生成待测数据，构造基于卷积神经网络的质心提取算法，通过子孔径光斑图像与其对应的质心坐标的映射关系进行网络训练，待网络收敛输出理想质心坐标。该算法精度高且计算耗时短，具体实现步骤如下：
4、一种基于卷积神经网络的微透镜阵列质心提取方法，其特征在于，该方法包括：
5、步骤1：获取微透镜阵列光斑图：
6、选取前m阶泽尼克系数模拟生成n组波前图像，并透过所述的微透镜阵列，获取经该微透镜阵列子孔径分割后形成的微透镜阵列光斑图；
7、步骤2：预处理微透镜阵列光斑图：
8、步骤2.1：根据得到的微透镜阵列光斑图中子孔径的大小，获取每个子孔径光斑图的质心坐标；
9、步骤2.2以子孔径光斑图和对应的质心坐标作为样本数据，随机抽取a％的样本数据作为训练集，b％的样本数据作为验证集，剩余c％的样本数据作为测试集，a+b+c＝100％，且a远大于b和c；
10、步骤3：搭建卷积神经网络模型：
11、步骤3.1配置训练环境；
12、步骤3.2对样本数据进行卷积、降维等操作，直至得到子孔径光斑图焦点的理想质心坐标，完成卷积神经网络模型的搭建；
13、步骤4：采集任一幅微透镜阵列的光斑阵列图，输入所述卷积神经网络模型，输出微透镜阵列质心坐标。
14、其中，所述的步骤1中，所述n组波前图像中，n不小于1000，且m不小于15。
15、其中，所述的步骤1中，所述波前图像加载至微透镜阵列中，经该微透镜阵列子孔径分割后形成的微透镜阵列光斑图。
16、其中，所述步骤3.2中，所述的基于卷积神经网络的微透镜阵列质心提取方法，所述训练集用于供所述卷积神经网络学习子孔径光斑图与相应质心坐标的映射关系；所述验证集用于在网络训练过程中调整卷积神经网络的参数，评估训练得到的模型效果，再根据模型在验证集的效果对模型进行选择和调参，使得模型效果在验证集达到最优，最后选出效果最好的模型；所述测试集，用于对预测卷积神经网络模型的测试，对输出的子孔径光斑图的质心坐标与实际的质心坐标进行残差分析，对最终筛选出来模型的泛化能力进行评价。
17、其中，所述的步骤3.2具体是：
18、以子孔径光斑图的集合作为输入层，采用卷积神经网络作为基线算法，在每个卷积层后分别加入bathnorm层进行批量归一化和relu作为激活函数；
19、对于每幅子孔径光斑图的输入图像，采用z-score函数进行归一化，公式如下所示：
20、
21、其中，x表示输入的子孔径光斑图，e(x)表示x的平均值，δ(x)为子孔径光斑图的标准差，xout为归一化后输出的结果；
22、训练过程中，采用均方根误差函数作为神经网络的损失函数，公式如下：
23、
24、其中，表示第i个预测值，表示第i个目标值。
25、在卷积层后分别加入最大池化运算，得到的输出特征维度为输入特征维度的二分之一；
26、经过一个全连接层和一个激活函数对卷积神经网络输出的特征图进行计算，最后通过神经元个数为2的全连接层对神经网络进行输出，得到当前子孔径图像焦点的质心坐标。
27、其中，所述的步骤3中，所述的卷积神经网络可以是其他深度学习网络。
28、其中，所述的步骤3.2中，所述的归一化函数可以是其他归一化函数。
29、其中，所述的步骤3.2中，所述的损失函数可以是其他损失函数。
30、本专利技术与现有微透镜阵列质心提取方法相比的优点在于：
31、相比传统微透镜阵列质心提取方法，本专利技术采用一种卷积神经网络模型对子孔径内光斑质心坐标直接进行预测，解决了噪声误差、截断误差等因素造成的直接影响，提高了质心提取精度，同时也提高了质心提取速度。从另一方面来讲，也等效于提高了微透镜阵列波前测量的精度和效率。
本文档来自技高网...【技术保护点】
1.一种基于卷积神经网络的微透镜阵列质心提取方法，其特征在于，该方法包括：
2.根据权利要求1所述的基于卷积神经网络的微透镜阵列质心提取方法，其特征在于，所述训练集用于供所述卷积神经网络学习子孔径光斑图与相应质心坐标的映射关系；所述验证集用于在网络训练过程中调整卷积神经网络的参数，评估训练得到的模型效果，再根据模型在验证集的效果对模型进行选择和调参，使得模型效果在验证集达到最优，最后选出效果最好的模型；所述测试集，用于对预测卷积神经网络模型的测试，对输出的子孔径光斑图的质心坐标与实际的质心坐标进行残差分析，对最终筛选出来模型的泛化能力进行评价。
3.根据权利要求1所述的基于卷积神经网络的微透镜阵列质心提取方法，其特征在于，所述步骤3.2具体是：
4.根据权利要求1所述的基于卷积神经网络的微透镜阵列质心提取方法，其特征在于，所述N组波前图像中，N不小于1000，且M不小于15。
5.根据权利要求1所述的基于卷积神经网络的微透镜阵列质心提取方法，其特征在于，所述波前图像加载至微透镜阵列中，经该微透镜阵列子孔径分割后形成的微透镜阵列光斑图
6.根据权利要求1所述的基于卷积神经网络的微透镜阵列质心提取方法，其特征在于，所述的卷积神经网络可以是其他深度学习网络。
7.根据权利要求1所述的基于卷积神经网络的微透镜阵列质心提取方法，其特征在于，所述的归一化函数可以是其他归一化函数。
8.根据权利要求1所述的基于卷积神经网络的微透镜阵列质心提取方法，其特征在于，所述的损失函数可以是其他损失函数。
...【技术特征摘要】
1.一种基于卷积神经网络的微透镜阵列质心提取方法，其特征在于，该方法包括：
2.根据权利要求1所述的基于卷积神经网络的微透镜阵列质心提取方法，其特征在于，所述训练集用于供所述卷积神经网络学习子孔径光斑图与相应质心坐标的映射关系；所述验证集用于在网络训练过程中调整卷积神经网络的参数，评估训练得到的模型效果，再根据模型在验证集的效果对模型进行选择和调参，使得模型效果在验证集达到最优，最后选出效果最好的模型；所述测试集，用于对预测卷积神经网络模型的测试，对输出的子孔径光斑图的质心坐标与实际的质心坐标进行残差分析，对最终筛选出来模型的泛化能力进行评价。
3.根据权利要求1所述的基于卷积神经网络的微透镜阵列质心提取方法，其特征在于，所述步骤3.2具体是：
4....
【专利技术属性】
技术研发人员：杨亚玲，李展，张军勇，刘德安，
申请(专利权)人：中国科学院上海光学精密机械研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。