CN106873152B - 一种基于机器学习的高速像差校正方法 - Google Patents
一种基于机器学习的高速像差校正方法 Download PDFInfo
- Publication number
- CN106873152B CN106873152B CN201710018015.4A CN201710018015A CN106873152B CN 106873152 B CN106873152 B CN 106873152B CN 201710018015 A CN201710018015 A CN 201710018015A CN 106873152 B CN106873152 B CN 106873152B
- Authority
- CN
- China
- Prior art keywords
- wave
- distribution
- zernike coefficient
- front phase
- zernike
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G02—OPTICS
- G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
- G02B27/00—Optical systems or apparatus not provided for by any of the groups G02B1/00 - G02B26/00, G02B30/00
- G02B27/0012—Optical design, e.g. procedures, algorithms, optimisation routines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Optics & Photonics (AREA)
- Testing Of Optical Devices Or Fibers (AREA)
Abstract
本发明公开了一种基于机器学习的高速像差校正方法。入射的平行光束先经过不加载波前相位分布的空间光调制器得到理想的聚焦光斑,利用泽尼克多项式处理获得一系列的波前相位分布,每一波前相位分布加载到空间光调制器后得到畸变聚焦光斑,将各畸变聚焦光斑的光强分布与其入射波波前相位分布下的各项泽尼克系数输入到机器学习训练获得校正模型。将待测散射介质的畸变聚焦光斑图的光强分布输入到校正模型中,获得各项泽尼克系数的数值,再取负值计算后获得校正相位分布,并加载到空间光调制器上实现像差校正。本发明能实现对光路的高速光学像差校正,校正速度快,且精确度高,解决了传统自适应光学算法速度慢的问题。
Description
技术领域
本发明属于光学显微成像领域,特别涉及一种基于机器学习的高速像差校正方法。
背景技术
在显微成像用于生物组织深区成像时,光路中由于光学元器件的生产精度误差以及生物组织折射率不均匀性引起的波前像差会严重影响光斑的聚焦情况,并且随着成像深度的增加,信噪比和分辨率降低,成像质量急剧下降。针对这一现象,研究者们提出了许多解决方案,其中自适应光学技术是较为常用且效果良好的解决手段。
自适应光学技术提高成像质量的原理如下:首先利用波前传感器实时测量各种干扰引起的光学系统的波前畸变,然后通过波前校正器如变形镜、空间光调制器等对畸变进行补偿,恢复衍射极限。传统的自适应校正算法的弱点是校正速度非常慢,研究者们也提出了一系列加快校正速度的算法,比如COAT算法。
发明内容
为了解决背景技术中存在的问题,本发明提供了一种基于机器学习的高速像差校正方法,结合机器学习理论与自适应光学技术中泽尼克多项式重构入射波前进行像差校正。本发明能够通过大量的样本训练学习,建立起一个非线性映射关系,快速得到焦斑所对应的入射波前泽尼克系数组合,从而重构波前,进行像差校正。
本发明采用的技术方案是针对散射介质较深层处实现高速高分辨显微成像,采用以下步骤:
1)平行光束先经过不加载波前相位分布(即置零)的空间光调制器(SLM)反射,再经过透镜聚焦,在焦平面位置得到理想的聚焦光斑(艾里斑);
2)利用泽尼克多项式进行处理获得一系列的波前相位分布;波前相位分布用于加载到空间光调制器上,调制入射光波前相位分布情况。
3)针对步骤2)获得的每一波前相位分布,将该波前相位分布加载到空间光调制器上,平行光束先经过加载有波前相位分布的空间光调制器反射,再经过透镜聚焦,在焦平面位置得到一畸变聚焦光斑;
4)将步骤3)获得的各个畸变聚焦光斑的光强分布I与其各自对应的在空间光调制器中加载的波前相位分布下的各项泽尼克系数ak一起输入到机器学习中进行训练获得具有非线性映射关系的校正模型;
5)在待测情况下,平行光束先经过不加载波前相位分布的空间光调制器反射,再经过透镜聚焦,到达焦平面位置前穿过待测散射介质,在焦平面位置得到待测散射介质的畸变聚焦光斑图;
7)利用机器学习得到的非线性映射关系,将待测散射介质的畸变聚焦光斑图的光强分布输入到步骤4)获得的校正模型中,获得对应的各项泽尼克系数ak的数值;
8)将步骤7)中得到的各项泽尼克系数ak的数值进行处理获得校正相位分布,校正相位分布用于校正入射光波前,然后重复步骤5)并将校正相位分布加载到空间光调制器上,使入射平行光束经过空间光调制器和散射介质后的聚焦光斑接近理想聚焦光斑,实现像差校正。
所述步骤2)具体是:利用泽尼克多项式的前n项采用以下公式计算获得入射光束的波前相位分布:
其中,ak表示第k项泽尼克系数,k=1,2,3,4,5,6,...n,Zk表示泽尼克多项式的第k项表达式,n表示泽尼克多项式的项数;
对每一项泽尼克系数ak依次进行等间隔取值,获得一系列的波前相位分布。
所述的对每一项泽尼克系数ak依次进行等间隔取值获得一系列的波前相位分布具体是:
先对第一项泽尼克系数a1等间隔取值,在第一项泽尼克系数a1每一取值下对第二项泽尼克系数a2等间隔取值,再在第二项泽尼克系数a2每一取值下对第三项泽尼克系数a3等间隔取值,以此方式完成对所有项泽尼克系数ak的等间隔取值,以各项泽尼克系数ak的不同取值组合作为一波前相位分布,从而获得一系列的波前相位分布。即针对各项泽尼克系数ak的所有等间隔取值进行排列组合,获得各项泽尼克系数ak等间隔取值下的不同取值组合作为波前相位分布。
所述各项泽尼克系数ak进行等间隔取值的间隔相同或者不同。
所述步骤8)中校正相位分布具体采用以下方式获得:将步骤7)中得到的各项泽尼克系数ak的数值取负值后代入以下公式表示的泽尼克多项式波前相位函数中,获得校正相位分布:
其中,ak表示第k项泽尼克系数,k=1,2,3,4,5,6,...n,Zk表示泽尼克多项式的第k项表达式,n表示泽尼克多项式的项数。
所述步骤4)中机器学习具体是对输入的各个畸变聚焦光斑的光强分布I与波前相位分布下的各项泽尼克系数ak先依次进行降维降噪分析、权重分析处理后提取关键特征,然后建立非线性映射关系y=f(x1,x2,...,xn)作为校正模型,其中x表示泽尼克系数的数值,y表示不同畸变情况下畸变聚焦光斑的光强分布。
所述步骤5)待测散射介质也是利用泽尼克多项式表示的,其系数组合不在训练库中。
本发明是首先产生足量的样本库,样本库中包含一系列一一对应的泽尼克系数组合和焦斑光强分布图,通过机器学习对其进行降维分解,提取关键信息训练样本库,先初步得到一个非线性映射关系。给定一定数量的散射后的焦斑光强分布图作为测试样本,对泽尼克多项式每一项进行影响因子权重分析,误差允许范围分析,最后调整算法参数最终得到一个精度高的非线性映射关系作为校正模型。
本发明的有益效果是:
本发明提出的方法校正速度快且精确度高,通过本发明方法能够高速而准确地校正波前像差,解决了传统自适应光学算法速度慢的问题,实现生物组织较深层高速高分辨显微成像。
本发明的实施将首次实现结合机器学习理论的高速光学像差校正,显著提高厚生物组织样本的显微成像分辨率,同时也为自适应光学提供一种全新的快速光学像差校正算法。
附图说明
图1(a)和图1(b)分别为本发明方法中没有散射介质和有散射介质时的光路示意图。SLM表示空间光调制器,CMOS表示cmos相机。
图2为本发明方法流程图。
图3为实施例用机器学习建立的非线性映射关系得到的泽尼克系数组合,用于像差校正的结果。其中(a)为重构的波前相位a1=0;a2=0.004;a3=-0.006;a4=0.002;a5=-0.0012;a6=0.0016;(b)为校正前的焦斑;(c)为校正后的光斑。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
由于波前探测器的使用会增加光路的复杂度,带入波前测量误差等一系列问题,因此本发明不使用波前探测器,而是直接根据聚焦光斑分布情况来分析得到波前相位分布。
本发明的实施例如下:
1)平行光束先经过不加载波前相位分布的空间光调制器反射,再经过透镜聚焦,在焦平面位置得到理想的聚焦光斑;
2)利用泽尼克多项式采用以下公式计算获得入射光束的波前相位分布:
其中,ak表示第k项泽尼克系数,k=1,2,3,4,5,6,...n,Zk表示泽尼克多项式的第k项表达式,n表示泽尼克多项式的项数;
对每一项泽尼克系数ak依次进行等间隔取值,获得一系列的波前相位分布。
在(-0.8,0.8)范围内以0.4为间隔选取泽尼克系数a2和a3,两者排列组合可得到25个不同的波前相位分布。其中一个表达式为ψ1=-0.8Z2+0.4Z3;
3)针对步骤2)获得的每一波前相位分布,将每个波前相位分布依次加载到空间光调制器上,平行光束先经过空间光调制器反射,再经过透镜聚焦,在焦平面位置得到对应的25个畸变聚焦光斑;
4)将步骤3)获得的各个畸变聚焦光斑的光强分布I与其各自对应的波前相位分布下的各项泽尼克系数ak一起输入到机器学习中进行训练。对输入的各个畸变聚焦光斑的光强分布I与波前相位分布下的各项泽尼克系数ak先依次进行降维降噪分析、权重分析处理后提取关键特征,然后通过极限学习机(ELM),稀疏随机投影等方法建立起非线性映射关系y=f(x1,x2,...,xn)作为校正模型,其中x表示泽尼克系数的数值,y表示不同畸变情况下畸变聚焦光斑的光强分布。
5)平行光束先经过不加载波前相位分布的空间光调制器反射,再经过透镜聚焦,到达焦平面位置前穿过待测散射介质,在焦平面位置得到待测散射介质的畸变聚焦光斑图;
7)将待测散射介质的畸变聚焦光斑图的光强分布输入到步骤4)获得的校正模型中,获得对应的各项泽尼克系数ak的数值;
8)将步骤7)中得到的各项泽尼克系数ak的数值取负值后代入以下公式表示的泽尼克多项式波前相位函数中,获得校正相位分布:
其中,ak表示第k项泽尼克系数,k=1,2,3,4,5,6,...n,Zk表示泽尼克多项式的第k项表达式,n表示泽尼克多项式的项数。
然后重复步骤5)并将校正相位分布加载到空间光调制器上,使入射平行光束经过空间光调制器和散射介质后的聚焦光斑接近理想聚焦光斑,实现像差校正,实现散射介质较深层处高速高分辨显微成像。
Claims (6)
1.一种基于机器学习的高速像差校正方法,其特征在于包括以下步骤:
1)入射的平行光束先经过不加载波前相位分布的空间光调制器反射,再经过透镜聚焦,在焦平面位置得到理想的聚焦光斑;
2)利用泽尼克多项式进行处理获得一系列的波前相位分布;
所述步骤2)具体是:采用以下公式计算获得入射光束的波前相位分布:
其中,ak表示第k项泽尼克系数,k=1,2,3,4,5,6,...n,Zk表示泽尼克多项式的第k项表达式,n表示泽尼克多项式的项数;
对每一项泽尼克系数ak依次进行等间隔取值,获得一系列的波前相位分布;
3)针对步骤2)获得的每一波前相位分布,将该波前相位分布加载到空间光调制器上,平行光束先经过空间光调制器反射,再经过透镜聚焦,在焦平面位置得到一畸变聚焦光斑;
4)将步骤3)获得的各个畸变聚焦光斑的光强分布I与其各自对应的波前相位分布下的各项泽尼克系数ak作为训练库一起输入到机器学习中进行训练获得校正模型;
5)平行光束先经过不加载波前相位分布的空间光调制器反射,再经过透镜聚焦,到达焦平面位置前穿过待测散射介质,在焦平面位置用CMOS相机可测得路经待测散射介质的畸变聚焦光斑图;
7)将待测散射介质的畸变聚焦光斑图的光强分布输入到步骤4)获得的校正模型中,获得对应的各项泽尼克系数ak的数值;
8)将步骤7)中得到的各项泽尼克系数ak的数值进行处理获得校正相位分布,然后重复步骤5)并将校正相位分布加载到空间光调制器上,使入射平行光束经过空间光调制器和散射介质后的聚焦光斑接近理想聚焦光斑,实现像差校正。
2.根据权利要求1所述的一种基于机器学习的高速像差校正方法,其特征在于:所述的对每一项泽尼克系数ak依次进行等间隔取值获得一系列的波前相位分布具体是:先对第一项泽尼克系数a1等间隔取值,在第一项泽尼克系数a1每一取值下对第二项泽尼克系数a2等间隔取值,再在第二项泽尼克系数a2每一取值下对第三项泽尼克系数a3等间隔取值,以此方式完成对所有项泽尼克系数ak的等间隔取值,以各项泽尼克系数ak的不同取值组合作为一波前相位分布,从而获得一系列的波前相位分布。
3.根据权利要求2所述的一种基于机器学习的高速像差校正方法,其特征在于:所述各项泽尼克系数ak进行等间隔取值的间隔相同或者不同。
4.根据权利要求1所述的一种基于机器学习的高速像差校正方法,其特征在于:所述步骤8)中校正相位分布具体采用以下方式获得:将步骤7)中得到的各项泽尼克系数ak的数值取负值后代入以下公式表示的泽尼克多项式波前相位函数中,获得校正相位分布:
其中,ak表示第k项泽尼克系数,k=1,2,3,4,5,6,...n,Zk表示泽尼克多项式的第k项表达式,n表示泽尼克多项式的项数。
5.根据权利要求1所述的一种基于机器学习的高速像差校正方法,其特征在于:所述步骤4)中机器学习具体是对输入的各个畸变聚焦光斑的光强分布I与波前相位分布下的各项泽尼克系数ak先依次进行降维降噪分析、权重分析处理后提取关键特征,然后建立非线性映射关系y=f(x1,x2,...,xn)作为校正模型,其中x表示泽尼克系数的数值,y表示不同畸变情况下畸变聚焦光斑的光强分布。
6.根据权利要求1所述的一种基于机器学习的高速像差校正方法,其特征在于:所述步骤5)所述待测散射介质是利用泽尼克多项式表示,其系数组合不在训练库中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710018015.4A CN106873152B (zh) | 2017-01-11 | 2017-01-11 | 一种基于机器学习的高速像差校正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710018015.4A CN106873152B (zh) | 2017-01-11 | 2017-01-11 | 一种基于机器学习的高速像差校正方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106873152A CN106873152A (zh) | 2017-06-20 |
CN106873152B true CN106873152B (zh) | 2019-01-25 |
Family
ID=59157479
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710018015.4A Active CN106873152B (zh) | 2017-01-11 | 2017-01-11 | 一种基于机器学习的高速像差校正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106873152B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107121775B (zh) * | 2017-06-16 | 2023-03-28 | 浙江大学 | 大视场角多层共轭自适应光学聚焦和显微系统及方法 |
CN108594429B (zh) * | 2018-04-13 | 2021-06-08 | 中国科学院光电研究院 | 基于波前校正的透云雾成像方法 |
CN109091108B (zh) * | 2018-06-07 | 2021-09-03 | 南京理工大学 | 基于视场子区分割的相位滤波器搜索算法 |
CN109528161B (zh) * | 2018-11-06 | 2021-01-12 | 浙江大学 | 一种基于机器学习的高速高分辨扫描显微成像系统与方法 |
CN109445115B (zh) * | 2018-12-20 | 2023-09-15 | 宁波大学 | 一种基于变形镜产生可调艾里光束的系统 |
CN110188321B (zh) * | 2019-05-22 | 2022-07-19 | 中国科学院光电技术研究所 | 一种基于神经网络算法的主次镜校准方法 |
CN110221421B (zh) * | 2019-06-03 | 2020-10-16 | 浙江大学 | 基于机器学习的结构光照明超分辨显微成像方法 |
CN110349095B (zh) * | 2019-06-14 | 2021-08-27 | 浙江大学 | 基于深度迁移学习预测波前泽尼克系数的自适应光学波前补偿方法 |
CN114845626A (zh) * | 2019-12-19 | 2022-08-02 | 爱尔康公司 | 基于机器学习模型和波前分析的视觉质量评估 |
CN111008945B (zh) * | 2019-12-31 | 2024-03-29 | 哈工大机器人(中山)无人装备与人工智能研究院 | 基于机器学习的多像质参数自适应像差矫正方法及装置 |
CN111580271B (zh) * | 2020-06-24 | 2022-02-18 | 哈工大机器人(中山)无人装备与人工智能研究院 | 自适应像差校正方法及基于该方法的光片显微成像装置 |
CN113283162B (zh) * | 2021-04-30 | 2022-10-28 | 晋城鸿智纳米光机电研究院有限公司 | 塑料光学镜片面形误差预测方法、电子装置及存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102207378B (zh) * | 2011-03-09 | 2012-11-14 | 浙江大学 | 球面干涉检测中基于波前差分的高精度调整误差校正方法 |
US9006633B2 (en) * | 2012-11-02 | 2015-04-14 | The United States Of America As Represented By The Secretary Of The Army | Passive imaging correction system using feedback including a variable aperture with plural settings and method thereof |
CN103955117B (zh) * | 2014-03-11 | 2016-09-21 | 中国科学院上海光学精密机械研究所 | 光刻机投影物镜波像差检测标记和检测方法 |
CN105785609B (zh) * | 2016-04-28 | 2023-04-07 | 长春理工大学 | 基于透射式液晶空间光调制器波前校正的方法及装置 |
CN107121775B (zh) * | 2017-06-16 | 2023-03-28 | 浙江大学 | 大视场角多层共轭自适应光学聚焦和显微系统及方法 |
CN107505706B (zh) * | 2017-08-22 | 2020-04-24 | 浙江大学 | 基于并行自适应光学校正的多层共轭像差校正系统和方法 |
-
2017
- 2017-01-11 CN CN201710018015.4A patent/CN106873152B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN106873152A (zh) | 2017-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106873152B (zh) | 一种基于机器学习的高速像差校正方法 | |
CN109528161B (zh) | 一种基于机器学习的高速高分辨扫描显微成像系统与方法 | |
CN110346340B (zh) | 基于波前传感器的机器学习快速像差测量系统与方法 | |
CN107843982B (zh) | 基于实时相位差异技术的无波前探测自适应光学系统 | |
CN101013195B (zh) | 基于线性相位反演复原技术的自适应光学系统 | |
CN110389119B (zh) | 基于机器学习的快速自适应光学扫描显微成像系统与方法 | |
CN111626997B (zh) | 基于深度学习的高速单图直接探测光学畸变相位的方法 | |
CN107966801A (zh) | 一种基于环形照明的高速傅立叶叠层成像装置及重构方法 | |
CN104320598A (zh) | 一种基于ccd阵列像素响应函数频域标定的无像差图像重构方法 | |
CN109212735A (zh) | 基于机器学习的高速自适应光学环形光斑校正系统和方法 | |
CN111579097B (zh) | 基于神经网络的高精度光学散射补偿方法 | |
CN111985143A (zh) | 一种基于Zernike多项式分解的全视场望远镜主动准直方法 | |
CN111812836A (zh) | 大口径大视场相机的标校装调方法、装置、设备及介质 | |
NL2010457C2 (en) | Hartmann wavefront measuring instrument adapted for non-uniform light illumination. | |
Hu et al. | Deep learning based wavefront sensor for complex wavefront detection in adaptive optical microscopes | |
CN103969031B (zh) | 最小二乘法测量液晶校正器响应矩阵的方法 | |
CN207882564U (zh) | 基于实时相位差异技术的无波前探测自适应光学系统 | |
Guthery et al. | Theory and design of a hybrid wave-front sensor for adaptive optics | |
CN113405676B (zh) | 空间望远镜相位差波前探测中微振动影响的修正方法 | |
CN106569325B (zh) | 一种基于可动光学元件的消像差薄膜望远系统 | |
CN117451189A (zh) | 基于哈特曼探测器的波前探测方法 | |
CA2766094A1 (en) | Process and device for representation of a scanning function | |
KR102073712B1 (ko) | 센서리스 적응광학 시스템, 이를 적용한 이미지 장치 및 통신 장치 | |
CN113994179A (zh) | 使用密度梯度滤光片检查光波表面的系统 | |
US20220412720A1 (en) | Method for compensation during the process of wavefront reconstruction in grating-based lateral shearing interferometry |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |