一种相位差波前检测的求解方法及系统技术方案

本发明专利技术提供了一种相位差波前检测的求解方法及系统，方法包括通过成像系统采集若干幅具有相位差异的目标图像，通过目标图像及神经网络，获取成像波前相位的估计值，基于估计值，利用非线性算法求解得到成像波前相位。本发明专利技术提出的方法能够快速准确求解光学波前相位，具有求解精度高、处理速度快、方法鲁棒性好、实用性强的优点，不需要经过耗费大量时间的迭代运算，就能直接给出成像波前相位的较好估计值，通过仿真图像训练神经网络，训练的网络对真实图像同样保持高精度，避免了采集海量真实图像作为训练数据的苛刻要求，具有很好的应用可行性。性。性。

【技术实现步骤摘要】
一种相位差波前检测的求解方法及系统


[0001]本专利技术属于相位差波前检测
，具体涉及一种相位差波前检测的求解方法及系统。

技术介绍

[0002]光学波前检测对评价成像系统质量至关重要。
[0003]相位差波前检测是一种重要的检测方法，具有系统结构简单、抗干扰能力强、容易实现的优点，在许多领域都有很好的应用。这种方法不需要额外增加复杂的硬件，它通过成像系统获取若干幅目标图像，每幅目标图像的成像通道都预先引入附加相位，这个附加相位就称为相位差(phase diversity)，根据成像模型和成像参数建立目标评价函数，利用非线性优化算法搜索最优解，从而恢复波前相位。
[0004]然而，如何快速准确获取最优解是相位差波前检测的难题。传统方法一般采用基于梯度的非线性优化算法，搜索目标函数最小值。但是，当目标函数在解空间是非凸函数时，基于梯度的优化算法容易陷入局部极小值或者鞍点，求解结果远远偏离真实值；通过增加优化算法的初始搜索点数量的方式能够提高获取全局最优解的概率，但是处理时间急剧增加。另外，现有方法的步骤大多都较为繁琐，且需要反复调试设置参数。

技术实现思路

[0005]为了克服上述现有技术的缺陷，申请人进行了研究，并在研究中发现仿真图像和真实图像的低频傅里叶系数差异很小，利用仿真图像的低频傅里叶系数作为特征训练的网络，对于真实图像同样保持极高的精度，由此，本专利技术提出一种相位差波前检测的求解方法，能够快速准确求解光学波前相位，具有求解精度高、处理速度快、方法鲁棒性好、实用性强的优点。
[0006]所述方法包括：
[0007]通过成像系统采集若干幅具有相位差异的目标图像；
[0008]通过所述目标图像及神经网络，获取成像波前相位的估计值；
[0009]基于所述估计值，利用非线性算法求解得到所述成像波前相位。
[0010]具体地，所述“通过所述目标图像及神经网络，获取成像波前相位的估计值”包括：
[0011]计算所述目标图像的二维傅里叶变换，获得每幅所述目标图像的低频傅里叶系数；
[0012]将所述目标图像的全部低频傅里叶系数组合成为一个输入向量，将所述输入向量作为所述神经网络的输入，得到所述神经网络输出的所述成像波前相位的估计值。
[0013]进一步地，所述神经网络是通过以下方式训练得到的：
[0014]生成一系列随机波前相位；
[0015]根据所述成像系统的参数和傅里叶光学成像理论，对每个所述随机波前相位进行仿真，获得若干幅具有相位差异的仿真目标图像；
[0016]计算所述仿真目标图像的二维傅里叶变换，获得每幅所述仿真目标图像的低频傅里叶系数；
[0017]将每个所述随机波前相位对应的各幅所述仿真目标图像的全部低频傅里叶系数组成一个输入向量，每个所述随机波前相位的Zernike系数组成一个输出向量；
[0018]将所有所述输入向量组成输入数据集，所有所述输出向量组成输出数据集；
[0019]利用所述输入数据集和所述输出数据集，训练所述神经网络。
[0020]具体地，所述“基于所述估计值，利用非线性算法求解得到所述成像波前相位”包括：
[0021]根据采集的所述目标图像以及所述成像系统的参数，构建目标评价函数；
[0022]将所述估计值作为初始搜索点，采用所述非线性算法使得所述目标评价函数取得最小值，求解得到所述成像波前相位。
[0023]优选地，所述非线性优化算法包括Limited
‑
memory Broyden
–
Fletcher
–
Goldfarb
–
Shanno算法。
[0024]本专利技术还提出了一种相位差波前检测求解系统，用于实现如前文所述的相位差波前检测求解方法，所述系统包括：
[0025]采集模块，用于通过成像系统采集若干幅具有相位差异的目标图像；
[0026]估计值获取模块，用于通过所述目标图像及神经网络，获取成像波前相位的估计值；
[0027]求解模块，用于利用非线性算法求解所述成像波前相位。
[0028]具体地，所述估计值获取模块包括：
[0029]计算单元，用于计算所述目标图像的二维傅里叶变换；
[0030]获取单元，用于获得每幅所述目标图像的低频傅里叶系数；
[0031]组合单元，用于将所述目标图像的全部低频傅里叶系数组合成为一个输入向量；
[0032]输出单元，用于将所述输入向量作为所述神经网络的输入，使所述神经网络输出所述成像波前相位的估计值。
[0033]具体地，所述求解模块包括：
[0034]构建单元，用于根据采集的所述目标图像以及所述成像系统的参数，构建目标评价函数；
[0035]求解单元，用于将所述估计值作为初始搜索点，采用所述非线性优化算法使得所述目标评价函数取得最小值，求解得到所述成像波前相位。
[0036]具体地，所述神经网络通过以下模块训练得到：
[0037]生成模块，用于生成一系列随机波前相位；
[0038]图像获取模块，用于根据所述成像系统的参数和傅里叶光学成像理论，对每个所述随机波前相位进行仿真，获得若干幅具有相位差异的仿真目标图像；
[0039]系数获取模块，用于计算所述仿真目标图像的二维傅里叶变换，获得每幅所述仿真目标图像的低频傅里叶系数；
[0040]向量组成模块，用于将每个所述随机波前相位对应的各幅所述仿真目标图像的全部低频傅里叶系数组成一个输入向量，每个所述随机波前相位的Zernike系数组成一个输出向量；
[0041]数据集组成模块，用于将所有所述输入向量组成输入数据集，所有所述输出向量组成输出数据集；
[0042]训练模块，用于利用所述输入数据集和所述输出数据集，训练所述神经网络。
[0043]优选地，所述求解模块使用的所述非线性算法包括Limited
‑
memory Broyden
–
Fletcher
–
Goldfarb
–
Shanno算法。
[0044]本专利技术至少具有以下有益效果：
[0045]本方法通过神经网络直接获得待测波前的较好估计值，将该估计值作为非线性优化的初始搜索点。与传统的随机搜索初始点相比，估计值位于真实解附近，一方面能够有效避免非线性优化陷入局部极值或者鞍点，保证收敛到真实解，提高求解精度，另一方面，从真实解附近开始搜索，大大加速收敛过程，提高求解速度；
[0046]进一步地，本方法对大量不同的随机波前相位，该方法都能取得令人满意的结果，从统计上证明了方法具有很好的鲁棒性；利用仿真图像的低频傅里叶系数作为特征训练的网络，对于真实图像同样保持极高的精度。此外本方法还采用了计算机仿真图像训练网络，而不需要获取大量真实图像，实际可行性强。
[0047]以此，本专利技术提供了一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种相位差波前检测求解方法，其特征在于，所述方法包括：通过成像系统采集若干幅具有相位差异的目标图像；通过所述目标图像及神经网络，获取成像波前相位的估计值；基于所述估计值，利用非线性算法求解得到所述成像波前相位。2.根据权利要求1所述的相位差波前检测求解方法，其特征在于，所述“通过所述目标图像及神经网络，获取成像波前相位的估计值”包括：计算所述目标图像的二维傅里叶变换，获得每幅所述目标图像的低频傅里叶系数；将所述目标图像的全部低频傅里叶系数组合成为一个输入向量，将所述输入向量作为所述神经网络的输入，得到所述神经网络输出的所述成像波前相位的估计值。3.根据权利要求1所述的相位差波前检测求解方法，其特征在于，所述神经网络是通过以下方式训练得到的：生成一系列随机波前相位；根据所述成像系统的参数和傅里叶光学成像理论，对每个所述随机波前相位进行仿真，获得若干幅具有相位差异的仿真目标图像；计算所述仿真目标图像的二维傅里叶变换，获得每幅所述仿真目标图像的低频傅里叶系数；将每个所述随机波前相位对应的各幅所述仿真目标图像的全部低频傅里叶系数组成一个输入向量，每个所述随机波前相位的Zernike系数组成一个输出向量；将所有所述输入向量组成输入数据集，所有所述输出向量组成输出数据集；利用所述输入数据集和所述输出数据集，训练所述神经网络。4.根据权利要求1所述的相位差波前检测求解方法，其特征在于，所述“基于所述估计值，利用非线性算法求解得到所述成像波前相位”包括：根据采集的所述目标图像以及所述成像系统的参数，构建目标评价函数；将所述估计值作为初始搜索点，采用所述非线性算法使得所述目标评价函数取得最小值，求解得到所述成像波前相位。5.根据权利要求1或4所述的相位差波前检测求解方法，其特征在于，所述非线性算法包括Limited
‑
memory Broyden
–
Fletcher
–
Goldfarb
–
Shanno算法。6.一种相位差波前检测求解系统，用于实现如权利要求1
‑
8任一项所述的相位差波前检测求解方法，其特...

【专利技术属性】
技术研发人员：周志盛，罗栋，刘鹏，陈良培，韩军，罗阿郁，
申请(专利权)人：中国科学院深圳先进技术研究院，
类型：发明
国别省市：