CN110020719A - 一种基于图像矩特征的波前校正方法 - Google Patents
一种基于图像矩特征的波前校正方法 Download PDFInfo
- Publication number
- CN110020719A CN110020719A CN201910233348.8A CN201910233348A CN110020719A CN 110020719 A CN110020719 A CN 110020719A CN 201910233348 A CN201910233348 A CN 201910233348A CN 110020719 A CN110020719 A CN 110020719A
- Authority
- CN
- China
- Prior art keywords
- image
- spot
- moment
- neural network
- module
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G02—OPTICS
- G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
- G02B26/00—Optical devices or arrangements for the control of light using movable or deformable optical elements
- G02B26/06—Optical devices or arrangements for the control of light using movable or deformable optical elements for controlling the phase of light
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Optics & Photonics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Testing Of Optical Devices Or Fibers (AREA)
Abstract
本发明公开了一种基于图像矩特征的波前校正方法。该方法利用装置包括:图像采集模块,图像处理模块,神经网络模块和执行机构。具体方法为:入射光通过分光镜一分为二,分别汇聚成聚焦光斑和离焦光斑,图像采集模块负责采集光斑;图像处理模块负责对光斑进行图像矩运算,并将图像矩运算后提取的特征作为神经网络的输入;经过大量图像特征训练后,神经网络模块根据图像处理模块传递的图像特征拟合出对应的Zernike系数;最后执行机构根据拟合的Zernike系数实现对大气湍流产生的波前畸变的校正。
Description
技术领域
本发明涉及波前技术领域,具体涉及一种基于图像矩特征的波前校正方法,主要用于对大气湍流产生的波前畸变进行校正。
背景技术
空间光通信中由于大气湍流的影响,接收光束存在波前畸变,影响光纤耦合效率和稳定性,进而影响通信误码率。现阶段主要的校正波前畸变的方法为波前校正技术,波前校正技术包括有波前探测的波前校正技术和无波前探测的波前校正技术。
有波前探测的波前校正技术利用哈特曼探测器测量出接收光束的波前,然后驱动变形镜对波前畸变进行校正,其优点是精度高,带宽高,但是哈特曼探测器对能量的要求较高,导致接收光束大部分被分光进入哈特曼探测器,适用范围有限。
无波前探测的波前校正技术直接控制变形镜,将光纤耦合效率作为目标函数,通过寻优算法迭代达到光纤耦合效率最大,其主要不足在于带宽不足,无法满足实际应用的需求。
发明内容
针对现有的波前校正技术所存在的应用局限,本文提出一种基于图像矩特征的波前校正方法,该方法采用神经网络对Zernike系数进行预测,满足实时性要求的同时,提高了能量利用率。
本发明采用的技术方案为:一种基于图像矩特征的波前校正方法,该方法包括如下步骤:
步骤一、入射光通过分光镜一分为二,分别汇聚成聚焦光斑和离焦光斑,图像采集模块负责采集光斑。
步骤二、图像处理模块负责对光斑进行图像矩运算,并将图像矩运算后提取的特征作为神经网络的输入。
步骤三、经过大量图像特征训练后,神经网络模块根据图像处理模块传递的图像特征拟合出对应的Zernike系数。
步骤四、执行机构根据拟合的Zernike系数实现对大气湍流产生的波前畸变的校正。
进一步地,图像采集模块对光斑的提取,包括:
1)利用分光镜对入射光分光,两束光线分别汇聚成聚焦光斑和离焦光斑;
2)利用图像采集器对光斑进行采集并传输给图像处理模块。
进一步地,基于图像矩特征:
1)矩是描述图像特征的算子,广泛应用于图像识别,采用不变矩作为图像特征的提取手段,不变矩具有平移,旋转和缩放不变性;
2)常用的不变矩包括Hu不变矩,Zernike不变矩,Tchebichef矩。
进一步地,所述神经网络模块,其包括:
1)输入层:输入聚焦光斑和离焦光斑的图像矩特征;
2)隐藏层:隐藏层负责计算和输出结果给输出层;
3)输出层:输出层输出聚焦光斑和离焦光斑的图像矩特征对应的Zernike系数。
本发明与现有方法相比具有如下优点:
(1)和有波前探测的波前校正系统相比,本发明不需要使用哈特曼探测器,提高了光束能量的利用率。
(2)和无波前探测的波前校正系统相比,本发明不需要循环迭代的过程,带宽高,满足实时性的需求。
(3)和基于图像强度的神经网络相比,本发明具有更强的鲁棒性和抗噪能力。
(4)本发明机构简单,易于实现。
附图说明
图1是本发明的基于图像矩特征的波前校正方法的原理图。
图2是本发明的基于图像矩特征的波前校正方法的流程图。
图3是本发明的神经网络的学习预测流程图。
具体实施方式
以下结合附图对本发明的具体实施方式做详细说明。
如图1所示,基于图像矩特征的波前校正方法,利用的装置包括:图像采集模块,图像处理模块,神经网络模块和执行机构。具体方法为:入射光通过分光镜一分为二,分别汇聚成聚焦光斑和离焦光斑,图像采集模块负责采集光斑;图像处理模块负责对光斑进行图像矩运算,并将图像矩运算后提取的特征作为神经网络的输入;经过大量图像特征训练后,神经网络模块根据图像处理模块传递的图像特征拟合出对应的Zernike系数;最后执行机构根据拟合的Zernike系数实现对大气湍流产生的波前畸变的校正。
如图2所示,基于图像矩特征的波前校正方法的具体流程为:通过光学系统接收入射光,入射光被分光镜分束,一部分耦合进入光纤,一部分再次被分光镜分束,一部分在焦点处汇聚成聚焦光斑,一部分在离焦处汇聚成离焦光斑,通过质心算法对低阶像差进行校正,图像处理系统对聚焦光斑和离焦光斑进行图像矩运算,将图像矩运算的结果输入进神经网络,神经网络生成预测的Zernike系数,执行机构根据生成的Zernike系数对光斑进行校正。
如图3所示,基于神经网络生成Zernike系数的流程为:训练阶段,采集大量的图像和其对应的zernike系数作为样本,计算其图像矩,将大部分样本作为训练集,少部分样本作为测试集,进行训练,损失函数是生成的Zernike系数和实际Zernike系数的均方差,当测试集的损失函数不再收敛时训练完成,应用阶段,将图像矩输入训练好的神经网络中,输出即为预测的Zernike系数。
仿真生成大气相干长度为5cm的10阶Zernike系数组22000组,其中20000组为训练集,剩余2000组为测试集,利用实验平台采集焦点图和离焦图,测试集的残余MRMS波像差为0.0060波长。
Claims (4)
1.一种基于图像矩特征的波前校正方法,其特征在于:该方法包括如下步骤:
步骤一、入射光通过分光镜一分为二,分别汇聚成聚焦光斑和离焦光斑,图像采集模块负责采集光斑;
步骤二、图像处理模块负责对光斑进行图像矩运算,并将图像矩运算后提取的特征作为神经网络的输入;
步骤三、经过大量图像特征训练后,神经网络模块根据图像处理模块传递的图像特征拟合出对应的Zernike系数;
步骤四、执行机构根据拟合的Zernike系数实现对大气湍流产生的波前畸变的校正。
2.根据权利要求1所述的一种基于图像矩特征的波前校正方法,其特征在于:图像采集模块对光斑的提取,包括:
1)利用分光镜对入射光分光,两束光线分别汇聚成聚焦光斑和离焦光斑;
2)利用图像采集器对光斑进行采集并传输给图像处理模块。
3.根据权利要求1所述的一种基于图像矩特征的波前校正方法,其特征在于:所述基于图像矩特征具体为:
1)矩是描述图像特征的算子,广泛应用于图像识别,采用不变矩作为图像特征的提取手段,不变矩具有平移,旋转和缩放不变性;
2)常用的不变矩包括Hu不变矩,Zernike不变矩,Tchebichef矩。
4.根据权利要求1所述的一种基于图像矩特征的波前校正方法,其特征在于:神经网络模块,其包括:
1)输入层:输入聚焦光斑和离焦光斑的图像矩特征;
2)隐藏层:隐藏层负责计算和输出结果给输出层;
3)输出层:输出层输出聚焦光斑和离焦光斑的图像矩特征对应的Zernike系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910233348.8A CN110020719A (zh) | 2019-03-26 | 2019-03-26 | 一种基于图像矩特征的波前校正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910233348.8A CN110020719A (zh) | 2019-03-26 | 2019-03-26 | 一种基于图像矩特征的波前校正方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110020719A true CN110020719A (zh) | 2019-07-16 |
Family
ID=67190056
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910233348.8A Pending CN110020719A (zh) | 2019-03-26 | 2019-03-26 | 一种基于图像矩特征的波前校正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110020719A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114022730A (zh) * | 2021-10-28 | 2022-02-08 | 中国科学院光电技术研究所 | 一种基于自监督学习神经网络的点目标相位检索方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040065831A1 (en) * | 2002-05-31 | 2004-04-08 | John Federici | Terahertz imaging system and method |
CN108983412A (zh) * | 2018-07-09 | 2018-12-11 | 北京邮电大学 | 一种无波前检测自适应光学系统及光束相位调整方法 |
CN109031654A (zh) * | 2018-09-11 | 2018-12-18 | 安徽农业大学 | 一种基于卷积神经网络的自适应光学校正方法及系统 |
-
2019
- 2019-03-26 CN CN201910233348.8A patent/CN110020719A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040065831A1 (en) * | 2002-05-31 | 2004-04-08 | John Federici | Terahertz imaging system and method |
CN108983412A (zh) * | 2018-07-09 | 2018-12-11 | 北京邮电大学 | 一种无波前检测自适应光学系统及光束相位调整方法 |
CN109031654A (zh) * | 2018-09-11 | 2018-12-18 | 安徽农业大学 | 一种基于卷积神经网络的自适应光学校正方法及系统 |
Non-Patent Citations (2)
Title |
---|
SERGIO LUIS SUÁREZ GÓMEZ等: "Compensating Atmospheric Turbulence with Convolutional Neural Networks for Defocused Pupil Image Wave-Front Sensors", 《HYBRID ARTIFICIAL INTELLIGENT SYSTEMS》, 30 June 2018 (2018-06-30), pages 411 - 421, XP047474727, DOI: 10.1007/978-3-319-92639-1_34 * |
赵建川等: "红外激光主动成像和识别", 《中国光学》, no. 05, 15 October 2013 (2013-10-15), pages 796 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114022730A (zh) * | 2021-10-28 | 2022-02-08 | 中国科学院光电技术研究所 | 一种基于自监督学习神经网络的点目标相位检索方法 |
CN114022730B (zh) * | 2021-10-28 | 2023-08-15 | 中国科学院光电技术研究所 | 一种基于自监督学习神经网络的点目标相位检索方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110207835A (zh) | 一种基于离焦图像训练的波前校正方法 | |
CN109031654B (zh) | 一种基于卷积神经网络的自适应光学校正方法及系统 | |
CN104236856B (zh) | 物镜成像系统的波像差检测装置及其系统误差校正方法 | |
CN1987547B (zh) | 一种利用望远镜次镜自动校正望远镜像差的装置 | |
CN100580501C (zh) | 基于像清晰化原理的自适应光学星体目标成像系统 | |
US7274442B2 (en) | Closed-loop wavefront sensor using field programmable gate array | |
CN102706372A (zh) | 一种光纤波长解调光谱峰值定位方法 | |
CN101968567B (zh) | 无波前传感器的新型自适应光学方法及系统 | |
CN104359564A (zh) | 一种脉冲激光光束质量同步测量系统及其同步控制方法 | |
CN202522516U (zh) | 一种光学透过率测试装置 | |
CN110086534A (zh) | 一种基于相位差算法校正涡旋光波前畸变的方法 | |
CN110346340A (zh) | 基于波前传感器的机器学习快速像差测量系统与方法 | |
CN103503433A (zh) | 图像的聚焦误差估计 | |
CN106338823B (zh) | 一种基于混合焦距菲涅耳波带片的相位反演方法 | |
CN104537656A (zh) | 光纤扩束准直镜筒出射偏心高斯光束的检测方法 | |
CN107607195B (zh) | 一种基于复振幅实时获取的光束质量测量方法 | |
CN109739033A (zh) | 一种无波前探测的液晶像差校正方法 | |
CN111340081A (zh) | 一种基于光流估计的神经网络像差预测方法 | |
CN105675151A (zh) | 一种基于光强传输方程相位恢复应用装置 | |
CN110020719A (zh) | 一种基于图像矩特征的波前校正方法 | |
CN203011419U (zh) | 一种多光学传感器光轴平行性数字检校仪 | |
CN109491080A (zh) | 一种实现多模光纤出射光斑逐点聚焦的方法与系统 | |
CN108646406B (zh) | 一种基于棱锥波前传感器本征模式控制的自适应光学装置 | |
CN112924026B (zh) | 一种干涉平板成像方法及其系统 | |
CN107782448B (zh) | 一种新型成像光谱仪及其数据立方体的构建方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190716 |