CN110207835A - 一种基于离焦图像训练的波前校正方法 - Google Patents
一种基于离焦图像训练的波前校正方法 Download PDFInfo
- Publication number
- CN110207835A CN110207835A CN201910431726.3A CN201910431726A CN110207835A CN 110207835 A CN110207835 A CN 110207835A CN 201910431726 A CN201910431726 A CN 201910431726A CN 110207835 A CN110207835 A CN 110207835A
- Authority
- CN
- China
- Prior art keywords
- image
- neural network
- training
- module
- focus
- 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
- 238000012549 training Methods 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000012937 correction Methods 0.000 title claims abstract description 28
- 238000013528 artificial neural network Methods 0.000 claims abstract description 24
- 238000013527 convolutional neural network Methods 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 5
- 239000013307 optical fiber Substances 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims description 2
- 238000011176 pooling Methods 0.000 claims description 2
- 230000003287 optical effect Effects 0.000 abstract description 5
- 230000008569 process Effects 0.000 abstract description 4
- 230000009466 transformation Effects 0.000 abstract 2
- 230000001537 neural effect Effects 0.000 abstract 1
- 238000001514 detection method Methods 0.000 description 5
- 230000004075 alteration Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000000699 topical effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J9/00—Measuring optical phase difference; Determining degree of coherence; Measuring optical wavelength
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J9/00—Measuring optical phase difference; Determining degree of coherence; Measuring optical wavelength
- G01J2009/002—Wavefront phase distribution
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- General Physics & Mathematics (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明公开了一种基于离焦图像训练的波前校正方法，该方法利用的装置包括：图像采集模块，神经网络模块，电压转换模块和执行机构。具体方法为：入射光通过光学棱镜汇聚为离焦光斑；图像采集模块负责对离焦光斑进行采集；经过大量离焦光斑图像训练后，神经网络模块根据图像采集模块传递的图像特征拟合出对应的Zernike系数；电压转换模块建立Zernike系数与驱动电压关系；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。本发明不需要使用哈特曼等波前探测器，提高了光束能量的利用率。不需要循环迭代的过程，带宽高，满足实时性的需求。只需采集单幅离焦图进行神经网络训练，既减少了图像采集的工作量又增加了样本光斑的信息量。
Description
技术领域
本发明涉及波前校正领域，具体的涉及一种基于离焦图像训练的波前校正方法，主要用于对大气湍流产生的波前畸变进行校正。
背景技术
波前矫正技术是一种用于校正光场的波前像差的技术，已被广泛用于空间光通信和天文成像中的自适应光学领域。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根据目标函数，通过SPGD等寻优算法迭代直接控制校正器，但是存在带宽低、实时性较差等问题。如今，机器学习，包括深度学习，已经成为光学领域的热门话题。但是目前常用的像差校正神经网络训练过程中，常采用单幅焦点光斑图像进行训练，或者一幅焦点图与一幅离焦图像同时训练。单幅焦点图训练神经网络虽然有样本采集方便的优势，但是样本信息重叠在中心部分，不利于目标特征的识别和提取，导致预测精度低。两幅图(一幅焦点图与一幅离焦图像)的训练方法虽然能够提高神经网络预测精度，但是又会存在探测光路复杂，样本采集繁琐的问题。
发明内容
针对以上问题，本发明提出一种基于离焦图像训练的波前校正方法，该方法采用单幅离焦图对神经网络进行训练，并对Zernike系数进行预测，减少了训练工作量并提高样本的信息量。满足实时性要求的同时，提高了系统的执行效率。
本发明采用的技术方案为：一种基于离焦图像训练的波前校正方法，该方法包括如下步骤：
步骤一、入射光通过汇聚镜后汇聚为离焦光斑，图像采集模块负责对离焦光斑进行采集；
步骤二、神经网络模块经过大量离焦光斑图像训练后，神经网络模块根据图像采集模块传递的图像特征拟合出对应的Zernike系数；
步骤三、电压转换模块建立Zernike系数与驱动电压关系，执行机构根据拟合的Zernike系数对大气湍流产生的波前畸变进行校正。
进一步地，图像采集模块对光斑的提取：
1)分光镜，对入射光分光，其中一条汇聚成离焦光斑进入到图像采集模块进行图像记录，另一束耦合进入光纤进行信息传输；
2)图像采集器(如CCD)，对光斑进行采集并传输给神经网络模块。
进一步地，神经网络模块建立初始卷积神经网络结构，三层以上卷积层、三层以上池化层及两层以上全连接层：
1)输入层：输入离焦光斑的图像；
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。
进一步地，卷积神经网络训练：
1)样本数据采集：获取足够的训练光斑图像及各个样本光斑图像对应的Zernike系数；
2)训练卷积神经网络：将采集到的样本光斑图像和其对应的Zernike系数输入到卷积神经网络，对初始的卷积神经网络进行训练，最终得到用于波前校正的卷积神经网络。
进一步地，波前校正模块，其包括：
1)电压转换模块建立Zernike系数与驱动电压关系；
2)控制器将驱动信号加载到执行机构并对大气湍流产生的波前畸变进行校正。
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等波前探测器，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，本发明只需采集离焦图进行神经网络训练，既减少了图像采集的工作量又增加了样本光斑的信息量。
(4)本发明机构简单，易于实现。
附图说明
图1是本发明的基于离焦图像训练的波前校正方法的原理图。
图2是本发明的基于离焦图像训练的波前校正方法的流程图。
图3是本发明的神经网络的训练流程图。
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，本发明一种基于离焦图像训练的波前校正方法，该方法利用的装置包括：图像采集模块，神经网络模块，电压转换模块和执行机构。具体方法为：入射光通过光学棱镜汇聚为离焦光斑；图像采集模块负责对离焦光斑进行采集；经过大量离焦光斑图像训练后，神经网络模块根据图像采集模块传递的图像特征拟合出对应的Zernike系数；电压转换模块建立Zernike系数与驱动电压关系；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。
其中，是波前，aj是Zernike多项式的系数，j是阶数。Zj是Zernike多项式，Z1项代表整体相移，Z2，Z3项代表倾斜，Z4项代表离焦。
如图2所示，基于离焦图像训练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，图像采集模块采集离焦光斑图像，将离焦图像输入神经网络，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，采集大量的离焦光斑图像和其对应的zernike系数作为样本，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，将离焦光斑图像输入训练好的神经网络中，输出即为预测的Zernike系数。
具体的，损失函数为：
其中，ypredict是神经网络输出的Zernike系数预测值，ytrue是真实的Zernike系数。
在实验室条件下，使用大气相干长度为5cm情况下仿真生成的Zernike系数模拟大气湍流，使用20000张图片作为训练集，2000张图片作为测试集，训练好的网络在测试集中的RMS波像差为0.0491λ。
Claims (5)
1.一种基于离焦图像训练的波前校正方法，其特征在于：该方法包括如下步骤：
步骤一、入射光通过汇聚镜后汇聚为离焦光斑，图像采集模块负责对离焦光斑进行采集；
步骤二、神经网络模块经过大量离焦光斑图像训练后，神经网络模块根据图像采集模块传递的图像特征拟合出对应的Zernike系数；
步骤三、电压转换模块建立Zernike系数与驱动电压关系，执行机构根据拟合的Zernike系数对大气湍流产生的波前畸变进行校正。
2.根据权利要求1所述的一种基于离焦图像训练的波前校正方法，其特征在于：图像采集模块对光斑的提取，其包括：
1)分光镜，对入射光分光，其中一条汇聚成离焦光斑进入到图像采集模块进行图像记录，另一束耦合进入光纤进行信息传输；
2)图像采集器，对光斑进行采集并传输给神经网络模块。
3.根据权利要求1所述的一种基于离焦图像训练的波前校正方法，其特征在于：神经网络模块中建立初始卷积神经网络结构，其包括：三层以上卷积层、三层以上池化层及两层以上全连接层：
1)输入层：输入离焦光斑的图像；
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。
4.根据权利要求3所述的一种基于离焦图像训练的波前校正方法，其特征在于：卷积神经网络训练，其包括：
1)样本数据采集：获取足够的训练光斑图像及各个样本光斑图像对应的Zernike系数；
2)训练卷积神经网络：将采集到的样本光斑图像和其对应的Zernike系数输入到卷积神经网络，对初始的卷积神经网络进行训练，最终得到用于波前校正的卷积神经网络。
5.根据权利要求1所述的一种基于离焦图像训练的波前校正方法，其特征在于：波前校正模块，其包括：
1)电压转换模块建立Zernike系数与驱动电压关系；
2)控制器将驱动信号加载到执行机构并对大气湍流产生的波前畸变进行校正。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910431726.3A CN110207835A (zh) | 2019-05-23 | 2019-05-23 | 一种基于离焦图像训练的波前校正方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910431726.3A CN110207835A (zh) | 2019-05-23 | 2019-05-23 | 一种基于离焦图像训练的波前校正方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110207835A true CN110207835A (zh) | 2019-09-06 |
Family
ID=67788263
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910431726.3A Pending CN110207835A (zh) | 2019-05-23 | 2019-05-23 | 一种基于离焦图像训练的波前校正方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110207835A (zh) |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110260788A (zh) * | 2019-07-03 | 2019-09-20 | 北京航空航天大学 | 光学微纳测量装置、提取待测结构微纳尺寸信息的方法 |
| CN110648298A (zh) * | 2019-11-01 | 2020-01-03 | 中国工程物理研究院流体物理研究所 | 一种基于深度学习的光学像差畸变校正方法及系统 |
| CN110795892A (zh) * | 2019-10-23 | 2020-02-14 | 北京邮电大学 | 一种基于生成对抗网络的信道模拟方法及装置 |
| CN111272299A (zh) * | 2020-01-22 | 2020-06-12 | 浙江大学 | 一种基于深度学习的Shack-Hartmann波前探测器 |
| CN111325317A (zh) * | 2020-01-21 | 2020-06-23 | 北京空间机电研究所 | 一种基于生成对抗网络的波前像差确定方法及装置 |
| CN111638040A (zh) * | 2020-05-14 | 2020-09-08 | 中国科学院光电技术研究所 | 适用于光学合成孔径成像系统的离焦解耦指向校正方法 |
| CN111862035A (zh) * | 2020-07-17 | 2020-10-30 | 平安科技（深圳）有限公司 | 光斑检测模型的训练方法、光斑检测方法、设备及介质 |
| CN112561898A (zh) * | 2020-12-22 | 2021-03-26 | 电子科技大学中山学院 | 一种基于卷积神经网络的光纤传感器光斑分析方法 |
| US20210186323A1 (en) * | 2019-12-19 | 2021-06-24 | Alcon Inc. | Vision quality assessment based on machine learning model and wavefront analysis |
| CN113141446A (zh) * | 2020-01-20 | 2021-07-20 | 深圳华大智造科技有限公司 | 像差处理方法、计算机装置及可读存储介质 |
| CN113188671A (zh) * | 2021-04-27 | 2021-07-30 | 浙江大学 | 一种基于交叉迭代自动位置矫正的波前检测方法 |
| CN113359871A (zh) * | 2021-06-29 | 2021-09-07 | 中国科学院光电技术研究所 | 一种基于双棱镜旋转装置的定点闭环方法 |
| CN113654670A (zh) * | 2021-08-12 | 2021-11-16 | 中国科学院光电技术研究所 | 一种基于神经网络的缺光子孔径质心位移估计方法 |
| 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 |
| CN114488518A (zh) * | 2020-10-23 | 2022-05-13 | 中国人民解放军国防科技大学 | 基于机器学习的自适应光学波前校正方法 |
| CN114859552A (zh) * | 2022-06-07 | 2022-08-05 | 中国科学院光电技术研究所 | 一种基于深度学习的离轴望远镜低阶像差校正方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101738721A (zh) * | 2009-12-25 | 2010-06-16 | 中国科学院光电技术研究所 | 一种哈特曼波前传感器无系统误差的自适应光学成像系统 |
| US20110085173A1 (en) * | 2009-10-08 | 2011-04-14 | Massachusetts Institute Of Technology | Phase From Defocused Color Images |
| CN102721477A (zh) * | 2012-06-04 | 2012-10-10 | 中国科学院光电技术研究所 | 一种用于相位差波前传感器的离焦量测量方法 |
| CN107843982A (zh) * | 2017-12-01 | 2018-03-27 | 长春理工大学 | 基于实时相位差异技术的无波前探测自适应光学系统 |
| 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
- 2019-05-23 CN CN201910431726.3A patent/CN110207835A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110085173A1 (en) * | 2009-10-08 | 2011-04-14 | Massachusetts Institute Of Technology | Phase From Defocused Color Images |
| CN101738721A (zh) * | 2009-12-25 | 2010-06-16 | 中国科学院光电技术研究所 | 一种哈特曼波前传感器无系统误差的自适应光学成像系统 |
| CN102721477A (zh) * | 2012-06-04 | 2012-10-10 | 中国科学院光电技术研究所 | 一种用于相位差波前传感器的离焦量测量方法 |
| CN107843982A (zh) * | 2017-12-01 | 2018-03-27 | 长春理工大学 | 基于实时相位差异技术的无波前探测自适应光学系统 |
| 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: "Compensating Atmospheric Turbulence with Convolutional Neural Networks for Defocused Pupil Image Wave-Front Sensors", 《HYBRID ARTIFICIAL INTELLIGENT SYSTEMS》 * |
| 吴之旭: "基于单幅离焦图像的波前恢复算法", 《天文学进展》 * |
Cited By (27)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110260788A (zh) * | 2019-07-03 | 2019-09-20 | 北京航空航天大学 | 光学微纳测量装置、提取待测结构微纳尺寸信息的方法 |
| CN110795892A (zh) * | 2019-10-23 | 2020-02-14 | 北京邮电大学 | 一种基于生成对抗网络的信道模拟方法及装置 |
| CN110795892B (zh) * | 2019-10-23 | 2021-10-01 | 北京邮电大学 | 一种基于生成对抗网络的信道模拟方法及装置 |
| CN110648298A (zh) * | 2019-11-01 | 2020-01-03 | 中国工程物理研究院流体物理研究所 | 一种基于深度学习的光学像差畸变校正方法及系统 |
| US20210186323A1 (en) * | 2019-12-19 | 2021-06-24 | Alcon Inc. | Vision quality assessment based on machine learning model and wavefront analysis |
| US11931104B2 (en) * | 2019-12-19 | 2024-03-19 | Alcon Inc. | Vision quality assessment based on machine learning model and wavefront analysis |
| CN113141446B (zh) * | 2020-01-20 | 2023-06-20 | 深圳华大智造科技股份有限公司 | 像差处理方法、计算机装置及可读存储介质 |
| CN113141446A (zh) * | 2020-01-20 | 2021-07-20 | 深圳华大智造科技有限公司 | 像差处理方法、计算机装置及可读存储介质 |
| CN111325317A (zh) * | 2020-01-21 | 2020-06-23 | 北京空间机电研究所 | 一种基于生成对抗网络的波前像差确定方法及装置 |
| CN111325317B (zh) * | 2020-01-21 | 2023-12-12 | 北京空间机电研究所 | 一种基于生成对抗网络的波前像差确定方法及装置 |
| CN111272299B (zh) * | 2020-01-22 | 2021-01-26 | 浙江大学 | 一种基于深度学习的Shack-Hartmann波前探测器 |
| CN111272299A (zh) * | 2020-01-22 | 2020-06-12 | 浙江大学 | 一种基于深度学习的Shack-Hartmann波前探测器 |
| CN111638040A (zh) * | 2020-05-14 | 2020-09-08 | 中国科学院光电技术研究所 | 适用于光学合成孔径成像系统的离焦解耦指向校正方法 |
| CN111862035A (zh) * | 2020-07-17 | 2020-10-30 | 平安科技（深圳）有限公司 | 光斑检测模型的训练方法、光斑检测方法、设备及介质 |
| CN111862035B (zh) * | 2020-07-17 | 2023-07-28 | 平安科技（深圳）有限公司 | 光斑检测模型的训练方法、光斑检测方法、设备及介质 |
| CN114488518B (zh) * | 2020-10-23 | 2024-01-05 | 中国人民解放军国防科技大学 | 基于机器学习的自适应光学波前校正方法 |
| CN114488518A (zh) * | 2020-10-23 | 2022-05-13 | 中国人民解放军国防科技大学 | 基于机器学习的自适应光学波前校正方法 |
| CN112561898A (zh) * | 2020-12-22 | 2021-03-26 | 电子科技大学中山学院 | 一种基于卷积神经网络的光纤传感器光斑分析方法 |
| CN113188671A (zh) * | 2021-04-27 | 2021-07-30 | 浙江大学 | 一种基于交叉迭代自动位置矫正的波前检测方法 |
| CN113359871A (zh) * | 2021-06-29 | 2021-09-07 | 中国科学院光电技术研究所 | 一种基于双棱镜旋转装置的定点闭环方法 |
| CN113359871B (zh) * | 2021-06-29 | 2022-08-23 | 中国科学院光电技术研究所 | 一种基于双棱镜旋转装置的定点闭环方法 |
| CN113654670B (zh) * | 2021-08-12 | 2022-07-29 | 中国科学院光电技术研究所 | 一种基于神经网络的缺光子孔径质心位移估计方法 |
| CN113654670A (zh) * | 2021-08-12 | 2021-11-16 | 中国科学院光电技术研究所 | 一种基于神经网络的缺光子孔径质心位移估计方法 |
| 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 |
| 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 |
| CN114859552A (zh) * | 2022-06-07 | 2022-08-05 | 中国科学院光电技术研究所 | 一种基于深度学习的离轴望远镜低阶像差校正方法 |
| CN114859552B (zh) * | 2022-06-07 | 2023-09-19 | 中国科学院光电技术研究所 | 一种基于深度学习的离轴望远镜低阶像差校正方法 |
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 | |
| 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 | |
| CN110470245B (zh) | 一种基于菲涅尔波带片衍射信息融合的相位恢复检测装置及相位恢复方法 | |
| CN110160751B (zh) | 一种基于相位恢复的宽频段波前误差检测装置及检测方法 | |
| CN108983412A (zh) | 一种无波前检测自适应光学系统及光束相位调整方法 | |
| WO2024187835A1 (zh) | 一种基于run优化算法的波前校正系统及校正方法 | |
| CN101344639B (zh) | 基于蚁群算法的自适应光学系统 | |
| CN105203213A (zh) | 一种计算复合波前传感自适应光学系统复原电压的方法 | |
| CN114022730B (zh) | 一种基于自监督学习神经网络的点目标相位检索方法 | |
| 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 | |
| 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 | |
| CN114186664B (zh) | 一种基于神经网络的模式波前复原方法 | |
| Liu et al. | Performance analysis of coherent optical communication based on hybrid algorithm | |
| CN112179504A (zh) | 一种基于光栅调制的单帧焦面光强图像深度学习相位差法 | |
| CN110736555B (zh) | 一种激光传输热晕效应及其自适应光学补偿的模拟装置 | |
| CN104360478A (zh) | 一种嵌套双自适应光学系统 | |
| CN110020719A (zh) | 一种基于图像矩特征的波前校正方法 | |
| CN110824697A (zh) | 人造信标与无波前探测结合的自适应光学系统 | |
| CN110068973B (zh) | 一种基于反卷积神经网络的液晶像差校正方法 | |
| CN110749550B (zh) | 一种基于深度学习的天文光谱仪像质补偿方法及系统 | |
| CN114880953B (zh) | 一种四台阶相位型菲涅尔波带片的快速波前复原方法 | |
| US12025793B1 (en) | Wavefront correction system based on RUN optimization algorithm | |
| CN115826075B (zh) | 白天强天光背景暗弱目标识别装置及识别方法 | |
| CN117451190A (zh) | 一种深度学习的散焦散射波前传感方法 |
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: 20190906 |