CN116400495B - 一种基于run优化算法的波前校正系统 - Google Patents
一种基于run优化算法的波前校正系统 Download PDFInfo
- Publication number
- CN116400495B CN116400495B CN202310254090.6A CN202310254090A CN116400495B CN 116400495 B CN116400495 B CN 116400495B CN 202310254090 A CN202310254090 A CN 202310254090A CN 116400495 B CN116400495 B CN 116400495B
- Authority
- CN
- China
- Prior art keywords
- wavefront
- algorithm
- correction
- population
- new
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 42
- 238000012937 correction Methods 0.000 title claims abstract description 35
- 238000005457 optimization Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 13
- 230000004075 alteration Effects 0.000 claims abstract description 6
- 239000002245 particle Substances 0.000 claims description 22
- 101100460203 Schizosaccharomyces pombe (strain 972 / ATCC 24843) new2 gene Proteins 0.000 claims description 13
- 230000003044 adaptive effect Effects 0.000 claims description 10
- 238000011161 development Methods 0.000 claims description 10
- 230000003287 optical effect Effects 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012067 mathematical method Methods 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 description 6
- 101100390985 Schizosaccharomyces pombe (strain 972 / ATCC 24843) fmc1 gene Proteins 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000001839 endoscopy Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000386 microscopy Methods 0.000 description 1
- 230000002207 retinal effect Effects 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- G02B27/0025—Optical systems or apparatus not provided for by any of the groups G02B1/00 - G02B26/00, G02B30/00 for optical correction, e.g. distorsion, aberration
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Optics & Photonics (AREA)
- Mechanical Light Control Or Optical Switches (AREA)
Abstract
本发明公开了一种基于RUN优化算法的波前校正系统,包括:波前校正器、图像传感器、透镜、电脑控制模块、图像采集卡、D/A转换器和高压放大器;以表征校正波前畸变程度的性能指标函数作为优化算法目标函数,将RUN算法作为系统闭环校正控制算法,波前校正器作为系统校正波前畸变器件,由RUN算法控制波前校正器校正波前像差,每次迭代时,将算法获得的电压控制信号经过放大施加到波前校正器,改变波前校正器镜面的形状,产生相应的校正波前。本发明的系统小型化、低值化,收敛速度快,对于不同湍流强度下波前畸变适应性强,能够充分发挥变形镜的校正能力。
Description
技术领域
本发明涉及自适应光学技术领域,尤其是一种基于RUN优化算法的波前校正系统。
背景技术
光透过畸变介质或者不完备的成像系统后产生静态或动态畸变,这将严重影响光学系统的成像性能。自适应光学技术是波前像差校正领域中十分重要的技术手段,现在已经用于多个领域,如显微成像、人眼视网膜成像、内窥镜、光束整形及天文成像等。
传统自适应光学系统因为存在波前传感器,使得自适应光学系统成本高,结构复杂。对于要求结构小型化的领域,传统自适应光学系统已不能满足应用需求。无波前探测自适应光学系统能够实现自适应光学系统小型化,因为不需要波前测量环节,大大降低了结构的复杂程度,从而比传统自适应光学系统有着更为广泛的应用。近些年,几种元启发式算法被用作无波前探测适应光学系统的控制方法,如遗传算法、粒子群优化算法和差分进化算法等。把这些算法作为系统控制方法时,或者收敛速度慢,或者全局搜索效率不足,难以实际应用。
发明内容
本发明所要解决的技术问题在于,提供一种基于RUN优化算法的波前校正系统,系统小型化、低值化,收敛速度快,对于不同湍流强度下波前畸变适应性强,能够充分发挥变形镜的校正能力。
为解决上述技术问题,本发明提供一种基于RUN优化算法的波前校正系统,包括:波前校正器、图像传感器、透镜、电脑控制模块、图像采集卡、D/A转换器和高压放大器;畸变波前通过透镜到达图像传感器,电脑控制模块控制图像采集卡采集图像传感器的信号,通过RUN优化算法计算相应的控制信号,D/A转换器将数模转换后的控制信号传输给高压放大器,高压放大器将接受到的控制信号放大并驱动波前校正器产生变形,从而使畸变波前得到补偿。
相应的,一种基于RUN优化算法的波前校正方法,包括如下步骤:
步骤1、以表征校正波前畸变程度的性能指标函数作为优化算法目标函数;
步骤2、初始化控制算法各参数,设置种群数N,用来解决l维优化问题,l的大小取决于自适应光学系统的优化参数,一般等于波前校正器的单元数;
步骤3、通过初始化公式产生种群的初始位置,将初始化的种群作为控制参数施加到波前校正器上使之变形,再通过图像采集卡将图像传感器信息读入电脑控制模块,计算目标函数,分析出目前全局最优解xgbest;
步骤4、将种群每个粒子位置进行更新;
步骤5、更新种群中每个粒子的位置和修正xgbest。将xgbest参数作为控制信号经过放大器放大施加到波前校正器进行像差校正,完成当前迭代;
步骤6、重复步骤4和步骤5,当全局最优控制参数达到满足校正要求或者满足预先设置的终止条件时候,完成系统闭环校正。
优选的,步骤3中,采用下式初始化种群:
xn,l=DLl+R*(DUl-DLl) (1)
DLl和DUl分别是搜索空间的下边界和上边界,R是[0,1]范围内的随机数。
优选的,步骤4中,将种群每个粒子位置进行更新具体包括如下步骤:
步骤41、通过四阶龙格库塔数学方法计算出梯度SM,再随机生成[0,1]之间的随机数R,如果R<0.5,则粒子进入探索阶段,在搜索空间中进行全局搜索,同时围绕由xn(当前位置)产生新位置执行局部搜索,根据搜索结果更新位置xn+1;
步骤42、如果R≥0.5,则粒子进入开发阶段,围绕由目前全局最优解和每次迭代最优解产生的新位置进行局部搜索,根据开发结果更新位置xn+1;
步骤43、当R<0.5时,通过ESQ(Enhanced Solution Quality,解质量增强)阶段提高解的质量。
优选的,步骤43中,当R<0.5时,通过ESQ阶段提高解的质量具体为:生成随机数c通常取(1,10)之间整数,it为当前迭代次数,Iter为最大迭代次数);如果w<1,粒子进入开发阶段,根据开发结果得到新位置xnew2;如果w≥1,粒子进入探索阶段,根据探索结果得到新位置xnew2;如果新解xnew2没有比当前解得到更好的适应度且满足R<w条件时,围绕xnew2局部搜索和探索有希望区域,得到新位置xnew3,比较ESQ的解和当前最优解的适应度,完成位置更新。
本发明的有益效果为:(1)基于RUN优化算法的波前校正系统与传统自适应光学系统相比较不需要波前传感器,可以使系统小型化、低值化和广泛运用;(2)与现有元启发式种群类算法波前校正系统相比,该算法系统能够更高效的进行波前校正,系统收敛速度快;(3)基于RUN优化算法的波前校正系统陷入局部极值的概率低,并且对于不同湍流强度下波前畸变适应性强,能够充分发挥变形镜的校正能力。
附图说明
图1为本发明的系统结构示意图。
图2为本发明的方法流程示意图。
图3(a)为本发明待校正的波前畸变示例。
图3(b)为图3(a)对应的校正前点扩散函数图。
图3(c)为残余波前对应的校正后点扩散函数图。
具体实施方式
如图1所示,一种基于RUN优化算法的波前校正系统,包括:波前校正器、图像传感器、透镜、电脑控制模块、图像采集卡、D/A转换器和高压放大器;畸变波前通过透镜到达图像传感器,电脑控制模块控制图像采集卡采集图像传感器的信号,通过RUN优化算法计算相应的控制信号,D/A转换器将数模转换后的控制信号传输给高压放大器,高压放大器将接受到的控制信号放大并驱动波前校正器产生变形,从而使畸变波前得到补偿。
以61单元变形镜(DM-Deformable Mirror)作为波前校正器为例,图像传感器以电耦合元件(CCD)为例。其系统主要由DM、CCD、透镜、电脑控制模块、图像采集卡、控制算法、数模转换器、高压放大器组成。当光通过畸变介质的时候,入射光波发生了波前畸变,发生畸变的入射光经过61单元变形镜反射,再通过透镜到达CCD相机之后进行成像。RUN控制算法利用图像采集卡采集的成像信号计算DM的控制信号。数模转换器将控制信号转换为模拟信号,再由高压放大器将控制信号放大后施加到变形镜,完成一次闭环校正。
如图2所示,一种基于RUN优化算法的波前校正方法,包括如下步骤:
第1步:以校正波前畸变程度的性能指标函数作为优化算法目标函数,目标函数以平均半径(MR-Mean Radius)为例,随着AO系统的校正,像差变小时,MR也逐渐变小。
第2步:初始化控制算法各参数,设置种群数N。根据波前校正器驱动器数量,设置种群粒子维度l为61。
第3步:产生种群xn(n=1,2,…,N)的初始化位置,将产生的初始种群参数信号经过放大器放大施加到DM驱动器上,在CCD上面测出相应的远场光强。通过目标函数中性能指标MR的计算得到相应的适应度,确定当前全局最优粒子xgbest。
第4步:将种群每个粒子位置进行更新。
第4.1步:先通过四阶龙格库塔数学方法计算出梯度SM,再随机生成[0,1]之间的随机数R,如果R<0.5时候,粒子进入探索阶段,在搜索空间中进行全局搜索,同时围绕由xn产生新位置执行局部搜索,用这种搜索机制去更新xn+1的位置。通过图像传感器测量xn+1控制参数校正后的远场光强,经目标函数中性能指标计算得到相应适应度,J(xn+1)和J(xn)确定新的位置xnew;
第4.2步:当R≥0.5时候,粒子进入开发阶段,围绕由目前全局最优解和每次迭代最优解产生的新位置进行局部搜索,用这种搜索机制去更新xn+1的位置。通过图像传感器测量xn+1控制参数校正后的远场光强,经目标函数中性能指标计算得到相应适应度,J(xn+1)和J(xn)确定新的位置xnew。
第4.3步:当R<0.5时候,通过ESQ阶段提高解的质量。生成随机数wc通常取(1,10)之间整数,it为当前迭代次数,Iter为最大迭代次数),w<1时候,粒子进入开发式搜索;w≥1时候,粒子进入探索式搜索,从而获得新位置xnew2。通过图像传感器测量xnew2控制参数校正后的远场光强,经目标函数中性能指标计算得到相应适应度,J(xnew2)和J(xnew)进行比较,确定新位置xnew。如果新解xnew2没有比当前解得到更好的适应度,再次进入新位置搜索阶段。如果同时满足J(xnew2)>J(xnew)和R<w条件时,围绕xnew2局部搜索和探索有希望区域,得到新位置xnew3。通过图像传感器测量xnew3控制参数校正后的远场光强,经目标函数中性能指标计算得到相应适应度,J(xnew3)和J(xnew)进行比较,确定新的位置。
第5步:更新种群中每个粒子的位置和修正xgbest。将xgbest参数信号经过放大器放大施加到DM进行校正,经过DM校正后残余波前作为待校正波前。
第6步:当算法满足终止条件的时候,将得到全局最优控制参数信号经过放大器放大输入到变形镜驱动器中,完成波前畸变校正。否则增加迭代次数,然后返回第四步。
如图3所示,其中图3(a)为待校正的波前畸变,图3(b)为图3(a)对应的校正前的点扩散函数图,图3(c)为通过基于RUN优化算法的波前校正系统校正后的残余波前对应的点扩散函数图。
本发明以表征校正波前畸变程度的性能指标函数作为优化算法目标函数,将RUN算法作为系统闭环校正控制算法。波前校正器作为系统校正波前畸变器件,由RUN算法控制波前校正器校正波前像差。每次迭代时,将算法获得的电压控制信号经过放大施加到波前校正器,改变波前校正器镜面的形状,产生相应的校正波前。
Claims (1)
1.一种基于RUN优化算法的波前校正系统,其特征在于,包括:波前校正器、图像传感器、透镜、电脑控制模块、图像采集卡、D/A转换器和高压放大器;畸变波前通过透镜到达图像传感器,电脑控制模块控制图像采集卡采集图像传感器的信号,通过RUN优化算法计算相应的控制信号,D/A转换器将数模转换后的控制信号传输给高压放大器,高压放大器将接受到的控制信号放大并驱动波前校正器产生变形,从而使畸变波前得到补偿;具体包括如下步骤:
步骤1、以表征校正波前畸变程度的性能指标函数作为优化算法目标函数;
步骤2、初始化控制算法各参数,设置种群数N,用来解决l维优化问题,l的大小取决于自适应光学系统的优化参数,等于波前校正器的单元数;
步骤3、通过初始化公式产生种群的初始位置,将初始化的种群作为控制参数施加到波前校正器上使之变形,再通过图像采集卡将图像传感器信息读入电脑控制模块,计算目标函数,分析出目前全局最优解xgbest;采用下式初始化种群:
xn,l=DLl+R*(DIl-DLl) (1)
DLl和DUl分别是搜索空间的下边界和上边界,R是[0,1]范围内的随机数;
步骤4、将种群每个粒子位置进行更新;
步骤5、更新种群中每个粒子的位置和修正xgbest,将xgbest参数作为控制信号经过放大器放大施加到波前校正器进行像差校正,完成当前迭代;具体包括如下步骤:
步骤41、通过四阶龙格库塔数学方法计算出梯度SM,再随机生成[0,1]之间的随机数R,如果R<0.5,则粒子进入探索阶段,在搜索空间中进行全局搜索,同时围绕由当前位置xn产生新位置执行局部搜索,根据搜索结果更新位置xn+1;
步骤42、如果R≥0.5,则粒子进入开发阶段,围绕由目前全局最优解和每次迭代最优解产生的新位置进行局部搜索,根据开发结果更新位置xn+1;
步骤43、当R<0.5时,通过ESQ阶段提高解的质量;当R<0.5时,通过ESQ阶段提高解的质量具体为:生成随机数w,c为常数,通常取(1,10)之间整数,it为当前迭代次数,Iter为最大迭代次数;如果w<1,粒子进入开发阶段,根据开发结果得到新位置xnew2;如果w≥1,粒子进入探索阶段,根据探索结果得到新位置xnew2;如果新解xnew2没有比当前解得到更好的适应度且满足R<w条件时,围绕xnew-局部搜索和探索有希望区域,得到新位置xnew.,比较ESQ的解和当前最优解的适应度,完成位置更新;
步骤6、重复步骤4和步骤5,当全局最优控制参数达到满足校正要求或者满足预先设置的终止条件时候,完成系统闭环校正。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310254090.6A CN116400495B (zh) | 2023-03-16 | 2023-03-16 | 一种基于run优化算法的波前校正系统 |
PCT/CN2023/136021 WO2024187835A1 (zh) | 2023-03-16 | 2023-12-04 | 一种基于run优化算法的波前校正系统及校正方法 |
US18/610,749 US12025793B1 (en) | 2023-03-16 | 2024-03-20 | Wavefront correction system based on RUN optimization algorithm |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310254090.6A CN116400495B (zh) | 2023-03-16 | 2023-03-16 | 一种基于run优化算法的波前校正系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116400495A CN116400495A (zh) | 2023-07-07 |
CN116400495B true CN116400495B (zh) | 2024-02-23 |
Family
ID=87018999
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310254090.6A Active CN116400495B (zh) | 2023-03-16 | 2023-03-16 | 一种基于run优化算法的波前校正系统 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN116400495B (zh) |
WO (1) | WO2024187835A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US12025793B1 (en) | 2023-03-16 | 2024-07-02 | Jinling Institute Of Technology | Wavefront correction system based on RUN optimization algorithm |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000317397A (ja) * | 1999-05-10 | 2000-11-21 | Hiroshi Nakamura | 電磁型振動体のリアルタイム制御方法及び装置 |
CN102722023A (zh) * | 2012-05-29 | 2012-10-10 | 中国科学院光电技术研究所 | 一种基于分离模式控制和优化算法的多变形镜控制方法 |
CN103901617A (zh) * | 2014-04-17 | 2014-07-02 | 淮海工学院 | 一种基于模型的无波前探测自适应光学系统 |
CN105044906A (zh) * | 2015-09-10 | 2015-11-11 | 淮海工学院 | 一种基于图像信息的快速扩展目标成像校正方法 |
CN106875001A (zh) * | 2017-03-22 | 2017-06-20 | 浙江大学 | 具有冯·诺依曼结构的随机漂移粒子群优化方法 |
CN108646407A (zh) * | 2018-05-08 | 2018-10-12 | 宜宾学院 | 一种无波前感知自适应光学成像系统及其成像方法 |
CN111279390A (zh) * | 2018-02-06 | 2020-06-12 | 惠普发展公司,有限责任合伙企业 | 通过拼接不重叠图像构建用户面部图像 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017195078A1 (en) * | 2016-05-10 | 2017-11-16 | Netsia, Inc. | System and method for programmable joint optimization of mobility load balancing and mobility robustness optimization |
-
2023
- 2023-03-16 CN CN202310254090.6A patent/CN116400495B/zh active Active
- 2023-12-04 WO PCT/CN2023/136021 patent/WO2024187835A1/zh unknown
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000317397A (ja) * | 1999-05-10 | 2000-11-21 | Hiroshi Nakamura | 電磁型振動体のリアルタイム制御方法及び装置 |
CN102722023A (zh) * | 2012-05-29 | 2012-10-10 | 中国科学院光电技术研究所 | 一种基于分离模式控制和优化算法的多变形镜控制方法 |
CN103901617A (zh) * | 2014-04-17 | 2014-07-02 | 淮海工学院 | 一种基于模型的无波前探测自适应光学系统 |
CN105044906A (zh) * | 2015-09-10 | 2015-11-11 | 淮海工学院 | 一种基于图像信息的快速扩展目标成像校正方法 |
CN106875001A (zh) * | 2017-03-22 | 2017-06-20 | 浙江大学 | 具有冯·诺依曼结构的随机漂移粒子群优化方法 |
CN111279390A (zh) * | 2018-02-06 | 2020-06-12 | 惠普发展公司,有限责任合伙企业 | 通过拼接不重叠图像构建用户面部图像 |
CN108646407A (zh) * | 2018-05-08 | 2018-10-12 | 宜宾学院 | 一种无波前感知自适应光学成像系统及其成像方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116400495A (zh) | 2023-07-07 |
WO2024187835A1 (zh) | 2024-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN107292887B (zh) | 一种基于深度学习自适应权重的视网膜血管分割方法 | |
Ma et al. | Numerical study of adaptive optics compensation based on convolutional neural networks | |
CN116400495B (zh) | 一种基于run优化算法的波前校正系统 | |
CN107843982A (zh) | 基于实时相位差异技术的无波前探测自适应光学系统 | |
CN111462012A (zh) | 一种基于条件生成对抗网络的sar图像仿真方法 | |
CN112614056B (zh) | 图像超分辨率处理方法 | |
CN111580283B (zh) | 一种基于相位恢复的单透镜计算成像方法 | |
Sengan et al. | Images super-resolution by optimal deep AlexNet architecture for medical application: a novel DOCALN | |
CN112561831A (zh) | 一种基于神经网络的畸变校正方法 | |
CN117977356B (zh) | 用于提高大孔径激光器光束质量的装置和方法 | |
CN117195960A (zh) | 基于夏克哈特曼ut变换模型的大气湍流波前探测方法 | |
Shen et al. | Deeper super-resolution generative adversarial network with gradient penalty for sonar image enhancement | |
CN112099229B (zh) | 基于远场的高速自适应光学闭环控制方法 | |
CN112785517B (zh) | 一种基于高分辨率表征的图像去雾方法和装置 | |
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 | |
Zhang et al. | Pgnn: Physics-guided neural network for fourier ptychographic microscopy | |
CN115933159A (zh) | 一种实时高精度波前畸变相位补偿系统 | |
US12025793B1 (en) | Wavefront correction system based on RUN optimization algorithm | |
CN115685539A (zh) | 一种基于深度学习的细胞显微二维成像像差自适应校正方法 | |
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 | |
CN117760571A (zh) | 基于哈特曼探测器的无监督学习波前探测方法 | |
CN111272299B (zh) | 一种基于深度学习的Shack-Hartmann波前探测器 | |
CN211264359U (zh) | 一种基于深度学习的光学像差畸变校正系统 | |
CN115857157B (zh) | 一种基于AMSGrad的SPGD算法的无波前传感自适应光学校正方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |