[發明專利]基于四象限離散相位調制的單遠場型深度學習波前復原方法

在審

• 申請號: 202011030900.2
• 申請日: 2020-09-27
• 公開（公告）號: CN112197876A
• 公開（公告）日: 2021-01-08
• 發明（設計）人: 邱學晶;趙旺;楊超;王帥;許冰
• 申請（專利權）人: 中國科學院光電技術研究所
• 主分類號: G01J9/00
• 分類號: G01J9/00;G06N3/04;G06N3/08
• 代理公司: 北京科迪生專利代理有限責任公司 11251
• 代理人: 楊學明

本發明公開了一種基于四象限離散相位調制的單遠場型深度學習波前復原方法。深度學習可自提取圖像深層特征，具有強大的非線性擬合能力，可被用于擬合遠場光強分布到波前像差信息的映射。在傅立葉光學中，遠場光強分布等于入射波前復振幅傅立葉變換的模平方，單個遠場光強分布可對應多個不同的入射波前。在監督學習中，這相當于一個樣本對應多個標簽，是一種病態的映射。本發明設計了一種結構簡單、光能利用率高、實時性好、復原精度高的焦面波前復原傳感器，引入四象限離散相位調制克服了波前復原中單一遠場對應多個入射波前的多解問題，并利用深度學習準確擬合調制后的遠場光強分布與入射波前的映射關系，實現單幀焦面光強圖像的高精度快速波前復原。

技術領域

本發明涉及一種波前復原方法，尤其涉及一種基于四象限離散相位調制的單遠場型深度學習波前復原方法。

背景技術

在傅立葉光學中，遠場光強分布等于入射波前復振幅傅立葉變換的模平方，此時單個遠場光強分布可對應多個不同的入射波前。在監督學習中，這相當于一個樣本對應多個標簽，是一種及其病態的映射，深度學習作為監督學習的一個分支，無法學習這類病態的多對一映射。在小像差下，單個遠場光強分布對應的多個不同入射波前間的差別很小，因此尚能用深度學習實現單幀焦面遠場光強分布高精度波前復原，參見[Paine S W,Fienup JR.Machine learning for improved image-based wavefront sensing[J].OPTICSLETTERS,2018,43(6)]與[Nishizaki Y,Valdivia M,Horisaki R,et al.Deep learningwavefront sensing[J].OPTICS EXPRESS,2019,27(1)]。中國科學院光電技術研究所孔慶峰對多解問題的產生原因進行了分析并用迭代尋優的方法進行波前復原，參見[孔慶峰.基于單幀焦面圖像的波前相位反演方法研究[D].電子科技大學，2019]，與傳統相位反演方法比，這種方法降低了算法迭代次數，但算法實時性提升有限。因此，在保證遠場光強分布對應唯一近場波前的前提下，提高計算效率是一個亟需解決的問題。

發明內容

本發明要解決的技術問題是：克服波前復原中存在的單個遠場光強分布對應多個波前的多解問題，進一步提高運算速度和波前復原精度。

本發明解決上述問題采用的技術方案是：一種基于四象限離散相位調制的單遠場型深度學習波前復原方法，選用在樣本空間充分采樣的數據集供卷積神經網絡(CNN)擬合四象限離散相位調制之后的遠場光強分布與近場波前相位的映射關系，網絡訓練收斂之后，輸入遠場光強圖像，即可獲得其對應的波前像差，此映射求解過程不再需要迭代運算，方法計算耗時大大減少，具體實現步驟如下：

步驟1：設計基于四象限離散相位調制的波前傳感器；

步驟2：根據步驟1收集四象限離散相位調制的遠場光斑與近場波前數據，并將CCD測量的遠場圖像和近場波前對應的Zernike模式系數分別作為數據集中的樣本和標簽，若步驟2無法實現，則重復執行步驟1再次設計傳感器，直至實現步驟2；

步驟3：配置深度學習環境，搭建CNN；

步驟4：任意抽取數據集中80％的樣本作為訓練集，供網絡學習遠場光斑與近場波前的映射關系；從數據集剩下的20％樣本中任意抽取一半樣本做為驗證集，用于調整網絡超參數并驗證算法有效性，最后剩余的10％樣本作為測試集用于進行無偏估計。

其中，深度學習網絡可以是CNN，也可以是其他網絡。

本發明與現有技術相比的優點在于：

(1)相比于傳統波前傳感器技術，本發明結構簡單，光能利用率高，且能克服傳統單幀光強波前復原算法的多解問題；

(2)相比于傳統相位反演方法，直接利用CNN擬合遠場光斑分布與近場波前的映射關系復原波前相位，避免迭代過程，提高計算效率，系統結構簡單光能利用率高。