CN110648298A - 一种基于深度学习的光学像差畸变校正方法及系统 - Google Patents
一种基于深度学习的光学像差畸变校正方法及系统 Download PDFInfo
- Publication number
- CN110648298A CN110648298A CN201911057722.XA CN201911057722A CN110648298A CN 110648298 A CN110648298 A CN 110648298A CN 201911057722 A CN201911057722 A CN 201911057722A CN 110648298 A CN110648298 A CN 110648298A
- Authority
- CN
- China
- Prior art keywords
- neural network
- deep learning
- semi
- turbulence
- convolutional neural
- 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
- 230000004075 alteration Effects 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000003287 optical effect Effects 0.000 title claims abstract description 22
- 238000013135 deep learning Methods 0.000 title claims abstract description 20
- 238000003384 imaging method Methods 0.000 claims abstract description 28
- 238000013528 artificial neural network Methods 0.000 claims abstract description 23
- 238000013527 convolutional neural network Methods 0.000 claims description 31
- 238000005070 sampling Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 13
- 238000011176 pooling Methods 0.000 claims description 8
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 238000005286 illumination Methods 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 2
- 239000010410 layer Substances 0.000 description 24
- 230000003044 adaptive effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000012634 optical imaging Methods 0.000 description 2
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000011241 protective layer Substances 0.000 description 1
- 210000001747 pupil Anatomy 0.000 description 1
- 229910052709 silver Inorganic materials 0.000 description 1
- 239000004332 silver Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Mechanical Light Control Or Optical Switches (AREA)
Abstract
本发明提供了一种基于深度学习的光学像差畸变校正方法及系统,光线通过加载目标后的空间光调制器进入湍流池,产生相位畸变,湍流池的出射光线经过一个半透半反镜分为两路,其中一路被成像CCD采集并作为神经网络的输入,另一路经过另一个半透半反镜后照射到变形镜上,对成像进行校正,校正后的光线再次经过所述的另一个半透半反镜后成像至CCD;所述的变形镜受神经网络模块的输出控制。本发明不依赖光学信标和Hartmann波前传感器,实现波前像差的探测与重构。
Description
技术领域
本发明涉及光学技术领域,尤其涉及一种光学像差畸变校正系统。
背景技术
大气中的湍流效应会导致光在大气中传输时出现光强起伏、光斑漂移等。这些效应会导致激光远场传输时激光传输能量集中度下降,导致光学成像系统分辨力下降。通常采用自适应光学技术提高激光系统的光束质量,改善光学成像系统的分辨能力。
自适应光学系统通常包含波前传感器、波前控制器和波前校正器。波前传感器的存在使得整个自适应光学系统结构复杂,成本昂贵,难以被广泛普及。
发明内容
为了克服现有技术的不足,本发明提供一种基于深度学习的光学像差畸变校正方法及系统,利用光学系统对经过大气湍流后的目标直接成像,通过深度神经网络对目标成像进行特征分析,计算并提取大气湍流造成的畸变相位信息,用于对大气湍流造成的光学波前像差畸变校正。
本发明解决其技术问题所采用的技术方案是:
一种基于深度学习的光学像差畸变校正方法,包括如下步骤:建立基于深度学习训练目标图像和像差畸变的卷积神经网络模型;卷积神经网络模型构建完成后,将原始目标成像图和经过湍流畸变后的目标成像图作为卷积神经网络模型输入,将大气湍流相位畸变作为卷积神经网络模型输出;卷积神经网络模型输出的大气湍流相位畸变信息传递给波前校正器,使波前校正器产生与待校正波前共轭的变形量,以校正大气湍流畸变所导致的波前的像差,完成待校正波前的校正。
所述的卷积神经网络的训练集采用设定阶数的低价Zernike系数生成的用于描述Kolmogorov湍流谱的相位畸变作为网络输出,并将相位畸变加载到目标成像光路中,得到目标的模拟湍流畸变成像图和原始的目标成像图作为输入。
所述的设定阶数的低价Zernike系数即前1~9项Zernike项。
所述的卷积神经网络在训练时采用随机梯度下降算法,通过降低损失函数的函数值来学习建立后的所述卷积神经网络的参数;损失函数式中,Nx和Ny分别表示x和y方向的像素数,Yij表示实际加载的相位屏在坐标(i,j)处的像素值,表示网络模型输出的相位屏在坐标为(i,j)处的像素值。
所述的卷积神经网络模型包括一个编码器和一个解码器,编码器由四次下采样构成,解码器由四次上采样构成;编码器和解码器之间设计了一个桥接层;上采样通过转置卷积实现;对应的下采样层与上采用层之间使用残差连接,将下采样过程中的部分中间层复制到上采样层中,参与上采样过程;解码器的输出经过一次卷积操作后,得到最终的输出图像;神经网络使用均方误差MSE作为Loss函数,并用Adam优化器进行优化;网络中所有卷积核大小均为3×3,池化层的池化窗口大小均为2×2。
本发明还提供一种实现上述方法的基于深度学习的光学像差畸变校正系统,包括变形镜、半透半反镜、CCD和神经网络模块,光线通过加载目标后的空间光调制器进入湍流池,产生相位畸变,湍流池的出射光线经过一个半透半反镜分为两路,其中一路被成像CCD采集并作为神经网络的输入,另一路经过另一个半透半反镜后照射到变形镜上,对成像进行校正,校正后的光线再次经过所述的另一个半透半反镜后成像至CCD;所述的变形镜受神经网络模块的输出控制。
所述的空间光调制器为强度型空间光调制器,用于加载目标图像。
所述的空间光调制器在进入湍流池之前通过一个半透半反镜,接受外来的照明光线。
所述的另一个半透半反镜和CCD之间设置有凸透镜,对光线进行汇聚。
本发明的有益效果是:通过光学系统对目标直接成像,实现波前传感与校正。本发明可以不依赖光学信标和Hartmann波前传感器,通过建立面向大气湍流这一真实物理过程的深度神经网络,最终实现波前像差的探测与重构。
附图说明
图1是本发明的装置结构示意图
图中,1-强度型空间光调制器(加载目标图像),2-半透半反镜,3-湍流池,4-半透半反镜,5-成像CCD,6-半透半反镜,7-变形镜,8-凸透镜(焦距f),9-CCD,10-神经网络。
具体实施方式
本发明解决其技术问题所采用的技术方案是:
一种基于深度学习的光学像差畸变校正方法,包括如下步骤:
S1,建立基于深度学习训练目标图像和像差畸变的卷积神经网络模型;
S2,卷积神经网络模型构建完成后,将原始目标成像图和经过湍流畸变后的目标成像图作为卷积神经网络模型输入,将大气湍流相位畸变作为卷积神经网络模型输出;
S3,卷积神经网络模型输出的大气湍流相位畸变信息经计算机处理后传递给波前校正器,使波前校正器产生与待校正波前共轭的变形量,以校正大气湍流畸变所导致的波前的像差,完成待校正波前的校正。
所述的卷积神经网络的训练集采用主控计算机利用液晶相位屏加载设定阶数的低价Zernike系数(即前1~9项Zernike项)生成的用于描述Kolmogorov湍流谱的相位畸变作为网络输出,并将相位畸变加载到目标成像光路中,得到目标的模拟湍流畸变成像图和原始的目标成像图作为输入;
所述的卷积神经网络在训练时采用随机梯度下降算法,通过降低损失函数的函数值来学习建立后的所述卷积神经网络的参数;损失函数为:
式中,Nx和Ny分别表示x和y方向的像素数,Yij表示实际加载的相位屏在坐标(i,j)处的像素值,表示网络模型输出的相位屏在坐标为(i,j)处的像素值。由于网络处理的是灰度图像,所以像素值范围均为[0,255]。
作为本发明的进一步方案:所述卷积神经网络模型包括一个编码器和一个解码器,编码器主要由四次下采样构成,解码器主要由四次上采样构成。编码器和解码器之间设计了一个桥接层。上采样通过转置卷积(Transpose Convolution)实现。中间层经过一次上采样操作,尺寸扩大为前一层的一倍,同时控制其通道数减少一半。对应的下采样层与上采用层之间使用残差连接(Skip Connection),将下采样过程中的部分中间层复制到上采样层中,参与上采样过程。解码器的输出经过一次卷积操作后,得到最终的输出图像。神经网络使用均方误差(Mean-Square Error,MSE)作为Loss函数,并用Adam优化器进行优化。网络中所有卷积核大小均为3×3,池化层(Max pool)的池化窗口大小均为2×2。
本发明还提供一种实现上述方法的基于深度学习的光学像差畸变校正系统,包括变形镜、半透半反镜、CCD和神经网络模块,如图1所示。图中光线通过加载目标后的空间光调制器1进入湍流池3,产生相位畸变,湍流池3的出射光线经过一个半透半反镜4分为两路,其中一路被成像CCD5采集并作为神经网络模块10的输入,另一路经过另一个半透半反镜6后照射到变形镜7上,对成像进行校正,校正后的光线再次经过所述的另一个半透半反镜6后成像至CCD9;所述的变形镜7受神经网络模块10的输出控制。
所述的空间光调制器1为强度型空间光调制器,用于加载目标图像。
所述的空间光调制器1在进入湍流池3之前通过一个半透半反镜2,接受外来的照明光线。
所述的另一个半透半反镜6和CCD9之间设置有凸透镜8,对光线进行汇聚。
下面结合附图和实施例对本发明进一步说明,本发明包括但不仅限于下述实施例。(如图1所示)
如图1所示进行搭建光路,一路光经过加载目标后的空间光调制器1和蓝绿激光照明光一起进入湍流池3,产生相位畸变,湍流池3的出射光线经过一个半透半反镜4分为两路,其中一路被成像CCD5采集并作为神经网络模块10的输入,另一路经过另一个半透半反镜6后照射到变形镜7上,对成像进行校正,校正后的光线再次经过所述的另一个半透半反镜6后成像至CCD9;所述的变形镜7受神经网络模块10的输出控制。上述的光路中强度型空间光调制器是用于将加载模拟湍流相差信息的成像信息,该信息将作为神经网络的训练集使用。所述变形镜为压电可变形反射镜,型号为DMP40/M-P01,包含40个促动器,10mm光瞳直径的反射镜,有保护层的银膜。CCD选用acA2040-90μm相机,共2048×2048像素,CMV4000传感器,像元尺寸5.5μm×5.5μm,帧频90fps。
实施例中的神经网络为卷积神经网络,包括一个编码器和一个解码器,编码器主要由四次下采样构成,解码器主要由四次上采样构成。编码器和解码器之间设计了一个桥接层。上采样通过转置卷积(Transpose Convolution)实现。中间层经过一次上采样操作,尺寸扩大为前一层的一倍,同时控制其通道数减少一半。对应的下采样层与上采用层之间使用残差连接(Skip Connection),将下采样过程中的部分中间层复制到上采样层中,参与上采样过程。解码器的输出经过一次卷积操作后,得到最终的输出图像。神经网络使用均方误差(Mean-Square Error,MSE)作为Loss函数,并用Adam优化器进行优化。网络中所有卷积核大小均为3×3,池化层(Max pool)的池化窗口大小均为2×2。该卷积神经网络在进行训练时采用随机梯度下降算法(SGD),在计算下降最快的方向时为了提高迭代速度,采用随机选一个数据进行计算,而不是扫描全部训练数据集,具体如下:
上式中,h为卷积神经网络当前参数下计算得到的损失函数值,x为神经网络训练集的输入向量,y为卷积神经网络训练集的输出值,θ为该神经网络的参数。
如前所述,该卷积神经网络的损失函数由如下方式定义:
Claims (9)
1.一种基于深度学习的光学像差畸变校正方法,其特征在于包括如下步骤:建立基于深度学习训练目标图像和像差畸变的卷积神经网络模型;卷积神经网络模型构建完成后,将原始目标成像图和经过湍流畸变后的目标成像图作为卷积神经网络模型输入,将大气湍流相位畸变作为卷积神经网络模型输出;卷积神经网络模型输出的大气湍流相位畸变信息传递给波前校正器,使波前校正器产生与待校正波前共轭的变形量,以校正大气湍流畸变所导致的波前的像差,完成待校正波前的校正。
2.根据权利要求1所述的基于深度学习的光学像差畸变校正方法,其特征在于:所述的卷积神经网络的训练集采用设定阶数的低价Zernike系数生成的用于描述Kolmogorov湍流谱的相位畸变作为网络输出,并将相位畸变加载到目标成像光路中,得到目标的模拟湍流畸变成像图和原始的目标成像图作为输入。
3.根据权利要求2所述的基于深度学习的光学像差畸变校正方法,其特征在于:所述的设定阶数的低价Zernike系数即前1~9项Zernike项。
5.根据权利要求1所述的基于深度学习的光学像差畸变校正方法,其特征在于:所述的卷积神经网络模型包括一个编码器和一个解码器,编码器由四次下采样构成,解码器由四次上采样构成;编码器和解码器之间设计了一个桥接层;上采样通过转置卷积实现;对应的下采样层与上采用层之间使用残差连接,将下采样过程中的部分中间层复制到上采样层中,参与上采样过程;解码器的输出经过一次卷积操作后,得到最终的输出图像;神经网络使用均方误差MSE作为Loss函数,并用Adam优化器进行优化;网络中所有卷积核大小均为3×3,池化层的池化窗口大小均为2×2。
6.一种实现权利要求1所述方法的基于深度学习的光学像差畸变校正系统,其特征在于:包括变形镜、半透半反镜、CCD和神经网络模块,光线通过加载目标后的空间光调制器进入湍流池,产生相位畸变,湍流池的出射光线经过一个半透半反镜分为两路,其中一路被成像CCD采集并作为神经网络的输入,另一路经过另一个半透半反镜后照射到变形镜上,对成像进行校正,校正后的光线再次经过所述的另一个半透半反镜后成像至CCD;所述的变形镜受神经网络模块的输出控制。
7.根据权利要求6所述的基于深度学习的光学像差畸变校正系统,其特征在于:所述的空间光调制器为强度型空间光调制器,用于加载目标图像。
8.根据权利要求6所述的基于深度学习的光学像差畸变校正系统,其特征在于:所述的空间光调制器在进入湍流池之前通过一个半透半反镜,接受外来的照明光线。
9.根据权利要求6所述的基于深度学习的光学像差畸变校正系统,其特征在于:所述的另一个半透半反镜和CCD之间设置有凸透镜,对光线进行汇聚。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911057722.XA CN110648298A (zh) | 2019-11-01 | 2019-11-01 | 一种基于深度学习的光学像差畸变校正方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911057722.XA CN110648298A (zh) | 2019-11-01 | 2019-11-01 | 一种基于深度学习的光学像差畸变校正方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110648298A true CN110648298A (zh) | 2020-01-03 |
Family
ID=68995487
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911057722.XA Pending CN110648298A (zh) | 2019-11-01 | 2019-11-01 | 一种基于深度学习的光学像差畸变校正方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110648298A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111290118A (zh) * | 2020-03-10 | 2020-06-16 | 北京空间机电研究所 | 一种变形镜的解耦控制方法及装置 |
CN112329893A (zh) * | 2021-01-04 | 2021-02-05 | 中国工程物理研究院流体物理研究所 | 基于数据驱动的异源多目标智能检测方法及系统 |
CN112529799A (zh) * | 2020-12-07 | 2021-03-19 | 中国工程物理研究院流体物理研究所 | 一种基于fpga卷积神经网络结构的光学像差畸变校正系统 |
CN112561831A (zh) * | 2020-12-24 | 2021-03-26 | 中国计量大学 | 一种基于神经网络的畸变校正方法 |
CN113225130A (zh) * | 2021-03-25 | 2021-08-06 | 中国人民解放军国防科技大学 | 一种基于机器学习的大气湍流等效相位屏预测方法 |
WO2021160085A1 (zh) * | 2020-02-12 | 2021-08-19 | 北京理工大学 | 基于径向基函数的可变形反射镜面形控制方法及装置 |
CN113313197A (zh) * | 2021-06-17 | 2021-08-27 | 哈尔滨工业大学 | 一种全连接神经网络训练方法 |
CN113837960A (zh) * | 2021-09-22 | 2021-12-24 | 中国计量大学 | 一种基于深度学习的畸变矫正方法 |
CN114004342A (zh) * | 2021-11-29 | 2022-02-01 | 中国科学院光电技术研究所 | 一种基于lstm网络的激光通信系统畸变波前预测方法 |
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 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101952855A (zh) * | 2008-01-15 | 2011-01-19 | 拉古纳大学 | 从三维场景实时获取视觉信息的方法和照相机 |
US20110085173A1 (en) * | 2009-10-08 | 2011-04-14 | Massachusetts Institute Of Technology | Phase From Defocused Color Images |
CN109032781A (zh) * | 2018-07-13 | 2018-12-18 | 重庆邮电大学 | 一种卷积神经网络算法的fpga并行系统 |
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 |
CN109584246A (zh) * | 2018-11-16 | 2019-04-05 | 成都信息工程大学 | 基于多尺度特征金字塔的dcm心肌诊疗放射影像分割方法 |
CN109886971A (zh) * | 2019-01-24 | 2019-06-14 | 西安交通大学 | 一种基于卷积神经网络的图像分割方法及系统 |
CN109903292A (zh) * | 2019-01-24 | 2019-06-18 | 西安交通大学 | 一种基于全卷积神经网络的三维图像分割方法及系统 |
CN110207835A (zh) * | 2019-05-23 | 2019-09-06 | 中国科学院光电技术研究所 | 一种基于离焦图像训练的波前校正方法 |
CN110389119A (zh) * | 2019-07-19 | 2019-10-29 | 浙江大学 | 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 |
-
2019
- 2019-11-01 CN CN201911057722.XA patent/CN110648298A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101952855A (zh) * | 2008-01-15 | 2011-01-19 | 拉古纳大学 | 从三维场景实时获取视觉信息的方法和照相机 |
US20110085173A1 (en) * | 2009-10-08 | 2011-04-14 | Massachusetts Institute Of Technology | Phase From Defocused Color Images |
CN109032781A (zh) * | 2018-07-13 | 2018-12-18 | 重庆邮电大学 | 一种卷积神经网络算法的fpga并行系统 |
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 |
CN109584246A (zh) * | 2018-11-16 | 2019-04-05 | 成都信息工程大学 | 基于多尺度特征金字塔的dcm心肌诊疗放射影像分割方法 |
CN109886971A (zh) * | 2019-01-24 | 2019-06-14 | 西安交通大学 | 一种基于卷积神经网络的图像分割方法及系统 |
CN109903292A (zh) * | 2019-01-24 | 2019-06-18 | 西安交通大学 | 一种基于全卷积神经网络的三维图像分割方法及系统 |
CN110207835A (zh) * | 2019-05-23 | 2019-09-06 | 中国科学院光电技术研究所 | 一种基于离焦图像训练的波前校正方法 |
CN110389119A (zh) * | 2019-07-19 | 2019-10-29 | 浙江大学 | 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 |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
WO2021160085A1 (zh) * | 2020-02-12 | 2021-08-19 | 北京理工大学 | 基于径向基函数的可变形反射镜面形控制方法及装置 |
CN111290118A (zh) * | 2020-03-10 | 2020-06-16 | 北京空间机电研究所 | 一种变形镜的解耦控制方法及装置 |
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 |
CN112529799A (zh) * | 2020-12-07 | 2021-03-19 | 中国工程物理研究院流体物理研究所 | 一种基于fpga卷积神经网络结构的光学像差畸变校正系统 |
CN112561831A (zh) * | 2020-12-24 | 2021-03-26 | 中国计量大学 | 一种基于神经网络的畸变校正方法 |
CN112329893A (zh) * | 2021-01-04 | 2021-02-05 | 中国工程物理研究院流体物理研究所 | 基于数据驱动的异源多目标智能检测方法及系统 |
CN113225130A (zh) * | 2021-03-25 | 2021-08-06 | 中国人民解放军国防科技大学 | 一种基于机器学习的大气湍流等效相位屏预测方法 |
CN113313197A (zh) * | 2021-06-17 | 2021-08-27 | 哈尔滨工业大学 | 一种全连接神经网络训练方法 |
CN113837960A (zh) * | 2021-09-22 | 2021-12-24 | 中国计量大学 | 一种基于深度学习的畸变矫正方法 |
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 |
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 |
CN114004342A (zh) * | 2021-11-29 | 2022-02-01 | 中国科学院光电技术研究所 | 一种基于lstm网络的激光通信系统畸变波前预测方法 |
CN114004342B (zh) * | 2021-11-29 | 2023-05-30 | 中国科学院光电技术研究所 | 一种基于lstm网络的激光通信系统畸变波前预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110648298A (zh) | 一种基于深度学习的光学像差畸变校正方法及系统 | |
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 | |
Tseng et al. | Differentiable compound optics and processing pipeline optimization for end-to-end camera design | |
US20200065942A1 (en) | Image processing method, image processing apparatus, imaging apparatus, lens apparatus, storage medium, and image processing system | |
JP7258604B2 (ja) | 画像処理方法、画像処理装置、プログラム、および学習済みモデルの製造方法 | |
CN110287846A (zh) | 一种基于注意力机制的人脸关键点检测方法 | |
CN111507049B (zh) | 一种镜头像差仿真及优化方法 | |
US9269131B2 (en) | Image processing apparatus with function of geometrically deforming image, image processing method therefor, and storage medium | |
JP7508265B2 (ja) | 情報処理装置、情報処理方法及びプログラム | |
CN113077540B (zh) | 一种端到端成像设备设计方法和装置 | |
JP2020036310A (ja) | 画像処理方法、画像処理装置、撮像装置、レンズ装置、プログラム、記憶媒体、および、画像処理システム | |
CN112561831A (zh) | 一种基于神经网络的畸变校正方法 | |
CN117011194B (zh) | 一种基于多尺度双通道注意力网络的低光图像增强方法 | |
CN116456183B (zh) | 一种事件相机引导下的高动态范围视频生成方法及系统 | |
CN211264359U (zh) | 一种基于深度学习的光学像差畸变校正系统 | |
CN114967121B (zh) | 一种端到端的单透镜成像系统设计方法 | |
WO2021115053A1 (zh) | 一种基于残差连接的多维图像复原方法和设备 | |
CN116363014A (zh) | 一种级联自适应光学图像盲复原方法 | |
KR20190100833A (ko) | Hdr 이미지 생성 장치 | |
CN116563157A (zh) | 一种基于深度学习的面向空间卫星低照度图像增强方法 | |
CN116017123A (zh) | 一种光电成像系统及其成像方法 | |
JP2020030569A (ja) | 画像処理方法、画像処理装置、撮像装置、レンズ装置、プログラム、および、記憶媒体 | |
US11080832B2 (en) | Image processing method, image processing apparatus, imaging apparatus, and storage medium | |
JP2021189929A (ja) | 画像処理方法、プログラム、画像処理装置、および、画像処理システム | |
JP2020057373A (ja) | 画像処理方法、画像処理装置、撮像装置、プログラム、記憶媒体、画像処理システム、および、学習済みモデルの製造方法 |
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 |