[發明專利]基于機器學習的多像質參數自適應像差矯正方法及裝置

在審

• 申請號: 201911423325.X
• 申請日: 2019-12-31
• 公開（公告）號: CN111008945A
• 公開（公告）日: 2020-04-14
• 發明（設計）人: 王偉波;譚久彬;李曉君
• 申請（專利權）人: 哈工大機器人（中山）無人裝備與人工智能研究院
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06N3/08;G01M11/02
• 代理公司: 廣州三環專利商標代理有限公司 44202
• 代理人: 郭浩輝;麥小嬋

本發明公開了一種基于機器學習的多像質參數自適應像差矯正方法及裝置，該方法先獲取圖像的相對圖像評價數據；將所述相對圖像評價數據和所述相對圖像評價數據對應的像差澤尼克系數作為訓練集，輸入至機器學習模型中進行訓練，以構建訓練好的像差澤尼克系數的預測模型；根據所述像差澤尼克系數的預測模型，對待檢測圖像的相對圖像評價數據進行像差澤尼克系數的預測，并根據所述像差澤尼克系數的預測的結果進行像差的矯正。采用本發明技術方案不僅能夠提高像差的矯正效率，還能夠提高像差矯正精度。

技術領域

本發明涉及光學顯微成像領域，尤其涉及一種基于機器學習的多像質參數自適應像差矯正方法及裝置。

背景技術

目前，自適應像差矯正方法主要分為基于波前傳感器的直接波前探測方法和無波前傳感器的間接探測方法，然而直接波前探測方法引入了波前傳感器，不僅增加光學系統的成本和設計難度，還提高光源能量的要求，從而使得直接波前探測法難以推廣和應用。

現有技術中，無波前傳感器的間接探測法主要分為兩種，一種為無模型的隨機搜索算法，雖然無模型的隨機搜索算法的矯正范圍大，但是矯正結果的準確度不高，需要反復測試才能獲得相對較好的矯正結果，從而導致像差的矯正效率低。另一種是基于模型的模式法，雖然基于模型的模式法的矯正速度比隨機搜索算法的矯正速度快，但是基于模型的模式法的像差矯正范圍小，需要多次測試才能完成矯正，從而導致像差的矯正效率低。

發明內容

本發明實施例提供了一種基于機器學習的多像質參數自適應像差矯正方法及裝置，不僅能夠提高像差的矯正效率，還能夠提高像差矯正精度。

為了解決上述技術問題，本發明實施例提供了一種基于機器學習的多像質參數自適應像差矯正方法，包括：

獲取圖像的相對圖像評價數據；

將所述相對圖像評價數據和所述相對圖像評價數據對應的像差澤尼克系數作為訓練集，輸入至機器學習模型中進行訓練，以構建訓練好的像差澤尼克系數的預測模型；

根據所述像差澤尼克系數的預測模型，對待檢測圖像的相對圖像評價數據進行像差澤尼克系數的預測，并根據所述像差澤尼克系數的預測的結果進行像差的矯正。

作為優選方案，所述相對圖像評價數據包括以下至少任一：相對圖像強度評價值、相對圖像灰度方差值、相對圖像銳度值。

作為優選方案，所述獲取圖像的相對圖像強度評價值，具體為：

獲取待調整圖像和標準圖像；

計算所述待調整圖像的圖像強度，獲得待調整圖像強度評價值；

計算所述標準圖像的圖像強度，獲得標準圖像強度評價值；

以所述待調整圖像強度評價值為被除數，以所述標準圖像強度評價值為除數，獲得的商作為所述相對圖像強度評價值。

作為優選方案，所述獲取圖像的相對圖像灰度方差值，具體為：

獲取待調整圖像和標準圖像；

計算所述待調整圖像的灰度方差，獲得待調整圖像灰度方差值；

計算所述標準圖像像的灰度方差，獲得標準圖像灰度方差值；

以所述待調整圖像灰度方差值為被除數，以所述標準圖像灰度方差值為除數，獲得的商作為所述相對圖像灰度方差值。

作為優選方案，所述獲取圖像的相對圖像銳度值，具體為：

獲取待調整圖像和標準圖像；

計算所述待調整圖像的圖像銳度，獲得待調整圖像銳度值；

計算所述標準圖像的圖像銳度，獲得標準圖像銳度值；