CN114880953B - 一种四台阶相位型菲涅尔波带片的快速波前复原方法 - Google Patents
一种四台阶相位型菲涅尔波带片的快速波前复原方法 Download PDFInfo
- Publication number
- CN114880953B CN114880953B CN202210655397.2A CN202210655397A CN114880953B CN 114880953 B CN114880953 B CN 114880953B CN 202210655397 A CN202210655397 A CN 202210655397A CN 114880953 B CN114880953 B CN 114880953B
- Authority
- CN
- China
- Prior art keywords
- focal length
- quadrant
- zone plate
- fresnel zone
- phase type
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种四台阶相位型菲涅尔波带片的快速波前复原方法。本发明基于菲涅尔波带片设计了一种操作简单、结构简洁、实时性好、复原精度高的波前复原传感器,可利用1、3象限焦距与2、4象限焦距不同的情况下,打破传统无波前传感技术中单帧远场图像存在的多解问题,并利用神经网络构建经混合焦距的四台阶相位型菲涅尔波带片成像的远场图像和泽尼克模式系数的非线性关系,避免了传统无波前传感技术的相位模糊问题及利用多张远场图片克服多解问题,结合实时性较强的神经网络,无需耗时较大的迭代寻优过程,实现单帧焦面光强图像的快速相位反演。
Description
技术领域
本发明涉及无波前传感器的单帧图像波前复原的技术领域,尤其涉及一种四台阶相位型菲涅尔波带片的快速波前复原方法。
背景技术
相位反演方法是一种利用焦面光强分布来解算波前的探测方法,该方法结构简单,可实现高阶连续像差检测,能对扩展目标进行相位复原,可在线检测,能量集中度高,适合弱光探测。但其主要问题是反演精度不高,且存在多解问题,在迭代过程容易陷入停滞。这种迭代停滞是由于实际的近场复振幅f(x,y)和它的旋转180度共轭复振幅在远场上具有相同的光强分布而产生的。因此,GS算法很容易收敛到局部最小伪解或两个全局最小模糊解之一。
单帧焦面图像的波前反演方法是通过一张远场图像实现波前复原,该方法光路简单,但是多解现象的存在使其应用范围收到了限制。法国的Serge Meimon等人,通过在原像差中加上一定角度的散光,得到低阶像差与光斑分布之间的线性算法,但此种方法的线性区域受到限制,只对低阶像差探测有效(参见C.Plantet,S.Meimon,J.M.Conan,etal.Experiment al validation of LIFT for estimation of low-order modes in low-flux wavefront sensing[J].Optics Express,2013,21(14):16337-16352)。Dong Bing等人在2015年提出了一种混合相位反演算法,该算法使用了线性相位反演和GS算法相结合。利用线性反演的结果作为GS算法的初始波前相位。通过此方法,高阶像差基本恢复,但多解问题仍未解决(参见B.Dong,G.Jia,R.Wang.Hybrid phase retrieval from a singledefocused image[C].Proc.SPIE,2015,9622:962205)。
基于单帧焦面图像的波前相位反演方法,具有结构简单、环境要求低、能量利用率高的优点,是一种具有广阔应用前景和研究价值的波前复原技术。但传统的单帧焦面反演技术存在多解问题,会导致测试效果不够精确。相位差法虽然可以克服此问题,但它需要在焦面和离焦面两个位置探测光强信息,结构较复杂。其他的基于单帧焦面图像的波前反演方法存在各种限制,并没有根本解决相位反演的复原精度问题。
因此,本发明提出一种基于混合焦距的四台阶相位型菲涅尔波带片结合神经网络的波前复原法。
发明内容
本发明要解决的技术问题是:在只采集一张远场光斑图像的情况下,使远场既包含一部分在焦信息,又包含一部分离焦信息,然后结合神经网络利用远场图像反演近场波前相位唯一解,并保证波前复原的精度和实时性。本发明提供一种基于混合焦距的四台阶相位型菲涅尔波带片结合神经网络的波前复原法,设计一个一、三象限为一焦距,二、四象限为另一焦距的四台阶菲涅尔波带片,打破近场波前的旋转翻转对称性,从根本上克服多解问题,另外结合非线性拟合能力强大的神经网络技术,无需耗时量大的迭代寻优即可得到最终复原结果,实现一种更为实时高效的无波前探测自适应光学波前复原方法。
本发明解决上述问题采用的技术方案是:一种四台阶相位型菲涅尔波带片的快速波前复原方法,选用在样本空间充分采样的数据集供卷积神经网络(CNN)拟合远场光斑与近场波前相位的映射关系,网络训练收敛之后,输入经混合焦距菲涅尔波带片成像的远场光斑图像,即可获得其对应的波前泽尼克模式系数,此映射求解过程不再需要迭代运算,减少计算耗时,具体实现步骤如下:
步骤1:设计基于混合焦距的四台阶相位型菲涅尔波带片,包括混合焦距的分布、入瞳半径、焦距差、相位台阶宽度、相位台阶高度、衍射效率参数设计;
步骤2:验证步骤1设计的基于混合焦距的四台阶相位型菲涅尔波带片是否可以在混合焦距的四台阶相位型菲涅尔波带片的其中之一个焦距焦面上同时获得单帧点光源的远场光强分布,并且光强利用率达到百分之八十以上,且光斑半径大于五个像素,否则神经网络对少量的像素数难以进行特征提取;
步骤3:若步骤2可以实现,则使用步骤1设计的混合焦距的四台阶相位型菲涅尔波带片,对理想平行光引入符合大气传输模型的随机像差,记录远场光斑与近场波前数据,并将CCD探测到的远场光斑图像和与之一一对应的的近场波前Zernike模式系数(或近场波面)分别作为样本和标签制作基于混合焦距的四台阶相位型菲涅尔波带片结合神经网络的波前复原数据集,若步骤2无法实现,则重复执行步骤1再次设计基于混合焦距的四台阶相位型菲涅尔波带片,直至实现步骤2;
步骤4:配置深度学习环境,搭建神经网络;
步骤5:任意抽取数据集中80%的样本作为训练集,供网络学习远场光斑与近场波前的映射关系;从数据集剩下的20%样本中任意抽取一半样本做为验证集,用于调整网络超参数并验证算法有效性,最后剩余的10%样本作为测试集用于进行无偏估计;
步骤6:更换不同的神经网络进行测试,记录测试集结果,根据最终结果选出性能最优的网络结构。
其中,所述步骤1中混合焦距的四台阶相位型菲涅尔波带片的第一、三象限为一个焦距值,第二、四象限为与一、三象限不同的焦距值,将CCD放置在一、三或二、四象限的在焦面上才可保证远场成像既包含一部分在焦信息又包含一部分离焦信息,达到打破近场波面翻转旋转对称性的目的,即克服多解问题。
其中,所述步骤1中混合焦距的四台阶相位型菲涅尔波带片中一、三象限与二、四象限的焦距值差值可根据传统相位差法确认一个合适的离焦量,更有利于提高波前复原的精度,优选一个波长左右的离焦量。
其中,所述步骤2中选择衍射效率较高且台阶数适中的的四台阶类型进行设计,台阶宽度、高度直接影响衍射效率。
其中,所述步骤3中数据集的样本数应至少为三万组,即应在样本空间进行充分采样。
其中,所述步骤5中训练集、验证集与测试集的划分方式可根据实际需求和数据集的大小适当改变。
本发明与现有技术相比的优点在于:
(1)本发明设计的混合焦距的四台阶相位型菲涅尔波带片衍射效率较高且仅需一张远场光斑图像即可克服多解问题;
(2)本发明仿真设计了多种离焦量和多种相位台阶高度的四台阶菲涅尔波带片,使用神经网络训练测试确定了复原精度较高的设计参数,复原62阶泽尼克模式系数的精度可达波前复原残差为0.008个波长;
(3)本发明无传统的波前传感器和额外调制器件,结构简单易操作,成像设备仅需一台CCD相机;
(4)本发明神经网络引入了通道注意力和空间注意力机制,让网络更多的聚焦于重要局部信息,抑制无用信息,无需迭代,实时性强,并且更换多种网络测试网络性能选出波前复原效果最优的网络结构,预测一帧波面推理时间小于4ms。
附图说明
图1为本发明一种四台阶相位型菲涅尔波带片的快速波前复原方法的控制算法工作原理示意图;
图2为本发明一种四台阶相位型菲涅尔波带片的快速波前复原方法的工作流程图;
图3为基于混合焦距的四台阶相位型菲涅尔波带片的无波前传感原理图;
图4为本发明采用的神经网络架构示意图,其中,图4(a)为神经网络整体结构,图4(b)为通道注意力模块,图4(c)为空间注意力模块。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施案例,并参照附图,对本发明进一步详细说明。
图1是一种四台阶相位型菲涅尔波带片的快速波前复原方法原理示意图。图2是本发明一种四台阶相位型菲涅尔波带片的快速波前复原方法的工作流程图,具体的实施过程为:
步骤1:设计混合焦距的四台阶相位型菲涅尔波带片,将CCD置于混合焦距的四台阶相位型菲涅尔波带片的一、三象限或二、四象限焦距之一的焦平面。混合焦距的四台阶相位型菲涅尔波带片相关参数如下:中心波长为520nm,入瞳直径12mm,一、三象限焦距为50cm,二、四象限焦距为52cm,台阶数为4,等间距分布,一三象限相邻弧带相位分布依次为0,0.5*pi,pi,1.5*pi,二四象限相邻弧带相位分布依次为0,0.65*pi,1.3*pi,1.95*pi。图3为混合焦距的四台阶相位型菲涅尔波带片示意图,图3为基于混合焦距的四台阶相位型菲涅尔波带片的无波前传感原理图;
步骤2:验证步骤1设计的菲涅尔波带片是否可以分别针对正、负离焦近场波前光束在经菲涅尔波带片在一、三象限或二、四象限焦距之一的焦平面获得不同形态的远场光强分布;
步骤3:若步骤2可以实现,则根据步骤1收集经混合焦距的四台阶相位型菲涅尔波带片成像的远场光斑与近场波前数据,并将CCD放置在一、三象限或二、四象限焦距之一的焦平面,焦面远场图像和近场波前对应的Zernike模式系数分别作为数据集中的样本和标签,若步骤2无法实现,则重复执行步骤1再次设计传感器,直至实现步骤2;
步骤4:配置深度学习环境,搭建CNN,图4为本发明的注意力机制CNN架构示意图:注意力机制CNN架构总共包含11层,其中有1层输入层,4层卷积层,4层池化层,2层全连接层并且加入通道注意力机制和空间注意力机制。输入层输入224×224大小的远场图像样本。4层卷积层的卷积核大小分别为5×5、5×5、4×4、4×4,4层卷积层的通道数分别为16、16、32、32。池化层均选择最大池化,池化层步长均为2。两层全连接层的节点数分别为200和62。网络输出4到65阶Zernike系数。CNN选择Adam函数作为梯度下降函数,初始学习率为10-3。为了避免网络过拟合,对每层卷积层都引入Batch正则化。Epoch设置为1000,Batchsize大小设置为64。
步骤5:任意抽取数据集中80%的样本作为训练集,供网络学习远场光斑与近场波前的映射关系;从数据集剩下的20%样本中任意抽取一半样本做为验证集,用于调整网络超参数并验证算法有效性,最后剩余的10%样本作为测试集用于进行无偏估计。
训练使网络收敛后,只需给网络输入单帧焦面光强图像,网络即可输出该远场光斑对应的近场波前信息。此过程中不再涉及迭代运算,计算速度大大提高,仿真结果表明,本发明完成一次波前复原所需时间可小于4毫秒。
步骤1中,设定混合焦距的四台阶相位型菲涅尔波带片第一象限和第三象限的焦距为f13,第二和第四象限焦距为f24,按照波带片理论,第n个环带半径可以表示为:
式中,λ为光学波长,r13_n表示第一象限和第三象限的第n个环带半径,r24_n表示第二和第四象限的第n个环带半径。混合焦距的四台阶相位型菲涅尔波带片的相邻四个环带具有相位差,第一象限和第三象限的调制相位可以表示为:
第二象限和第四象限的调制相位可以表示为:
因此,混合焦距的四台阶相位型菲涅尔波带片后表面的波前复振幅表示为:
式中,Unear(x1,y1,0)为混合焦距的四台阶相位型菲涅尔波带片前表面的近场光波复振幅。
根据菲涅耳衍射基本理论,当CCD相机靶面位于混合焦距的四台阶相位型菲涅尔波带片后f13的位置时,远场光斑复振幅可以表示为:
式中(x2+y2)为远场空间二维坐标,λ为波长,k=2π/λ为波数,表示傅里叶变换。
步骤4中,注意力机制的加入目的是当给定一个中间特征图,让网络沿着通道和空间两个维度依次推断出注意力权重,然后与原特征图相乘来对特征进行自适应调整。注意力机制模块是一个轻量级的通用模块,它可以无缝地集成到任何CNN架构中,额外开销忽略不计,并且可以与基本CNN一起进行端到端的训练。
通道注意力机制是关注什么样的特征是有意义的。为了汇总空间特征,采用了全局平均池化和最大池化两种方式来分别利用不同的信息:
输入是一个H×W×C的特征F(H×W代表像素大小),先分别进行一个空间的全局最大池化和平均池化得到两个1×1×C的通道描述。接着,再将它们分别送入一个两层的神经网络,第一层神经元个数为C/r,激活函数为Relu,第二层神经元个数为C,这个两层的神经网络是共享的。然后再将得到的两个特征相加后经过一个Sigmoid激活函数得到权重系数Mc。最后,输入的特征F与Mc相乘即可得到缩放后的新特征。
在通道注意力模块之后,再引入空间注意力模块来关注哪里的特征是有意义的:
与通道注意力相似,给定一个H×W×C的特征F,先分别进行一个通道维度的最大池化和平均池化得到两个H×W×I的通道描述,并将这两个描述按照通道拼接在一起。然后,经过一个7×7的卷积层,激活函数为Sigmoid,得到权重系数Ms。最后,输入的特征F与Ms相乘即可得到缩放后的新特征。
通道注意力和空间注意力这两个模块可以以并行或者顺序的方式组合在一起,本发明发现顺序组合并且将通道注意力放在前面可以取得更好的效果,因此采用先通道注意力后空间注意力的串联的方式分别加入到第二层卷积层和最后一层卷积层后面。
以上所述,仅为本发明中的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉该技术的人在本发明所揭露的技术范围内,可理解想到的变换或替换,都应涵盖在本发明的包含范围之内。
Claims (5)
1.一种四台阶相位型菲涅尔波带片的快速波前复原方法,其特征在于,通过以下步骤实现:
步骤1:设计基于混合焦距的四台阶相位型菲涅尔波带片,包括混合焦距的分布、入瞳半径、焦距差、相位台阶宽度、相位台阶高度、衍射效率参数设计;
步骤2:验证步骤1设计的基于混合焦距的四台阶相位型菲涅尔波带片是否可以在混合焦距的四台阶相位型菲涅尔波带片的其中之一个焦距焦面上同时获得单帧点光源的远场光强分布,并且光强利用率达到百分之八十以上,且光斑半径大于五个像素,否则神经网络对少量的像素数难以进行特征提取;
步骤3:若步骤2可以实现,则使用步骤1设计的混合焦距的四台阶相位型菲涅尔波带片,对理想平行光引入符合大气传输模型的随机像差,记录远场光斑与近场波前数据,并将CCD探测到的远场光斑图像和与之一一对应的近场波前Zernike模式系数或近场波面分别作为样本和标签制作基于混合焦距的四台阶相位型菲涅尔波带片结合神经网络的波前复原数据集,若步骤2无法实现,则重复执行步骤1再次设计基于混合焦距的四台阶相位型菲涅尔波带片,直至实现步骤2;
步骤4:配置深度学习环境,搭建神经网络;
步骤5:选取数据集前90%的样本作为训练集,供网络学习远场光斑与泽尼克模式系数的非线性映射关系;余下10%的数据集做为验证集,用于调整网络超参数并验证算法有效性,最后另外制作与训练集和验证集符合同一数据分布的1000组数据作为测试集用于进行模型的测试,对输出的预测泽尼克模式系数与实际标签泽尼克模式系数进行残差分析,衡量该方法的精度和实时性;
步骤6:更换不同的神经网络进行测试,记录测试集结果,根据最终结果选出性能最优的网络结构;
所述步骤1中混合焦距的四台阶相位型菲涅尔波带片的第一、三象限为一个焦距值,第二、四象限为与一、三象限不同的焦距值,将CCD放置在一、三或二、四象限的在焦面上。
2.根据权利要求1所述的一种四台阶相位型菲涅尔波带片的快速波前复原方法,其特征在于:所述步骤1中混合焦距的四台阶相位型菲涅尔波带片中一、三象限与二、四象限的焦距差值根据传统相位差法确认一个离焦量,选择一个波长的离焦量。
3.根据权利要求1所述的一种四台阶相位型菲涅尔波带片的快速波前复原方法,其特征在于:所述步骤2中选择四台阶类型进行设计。
4.根据权利要求1所述的一种四台阶相位型菲涅尔波带片的快速波前复原方法,其特征在于:所述步骤3中数据集的样本数至少为三万组,即在样本空间进行充分采样。
5.根据权利要求1所述的一种四台阶相位型菲涅尔波带片的快速波前复原方法,其特征在于:所述步骤5中训练集、验证集与测试集的划分方式根据实际需求和数据集的大小适当改变。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210655397.2A CN114880953B (zh) | 2022-06-10 | 2022-06-10 | 一种四台阶相位型菲涅尔波带片的快速波前复原方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210655397.2A CN114880953B (zh) | 2022-06-10 | 2022-06-10 | 一种四台阶相位型菲涅尔波带片的快速波前复原方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114880953A CN114880953A (zh) | 2022-08-09 |
CN114880953B true CN114880953B (zh) | 2023-08-11 |
Family
ID=82682302
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210655397.2A Active CN114880953B (zh) | 2022-06-10 | 2022-06-10 | 一种四台阶相位型菲涅尔波带片的快速波前复原方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114880953B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6570143B1 (en) * | 1998-09-23 | 2003-05-27 | Isis Innovation Limited | Wavefront sensing device |
CN105308475A (zh) * | 2012-11-21 | 2016-02-03 | 尼康计量公众有限公司 | 用于激光雷达的低漂移参考 |
CN106338343A (zh) * | 2016-10-27 | 2017-01-18 | 中国科学院光电技术研究所 | 一种基于菲涅耳波带片的波前探测方法 |
CN106338823A (zh) * | 2016-10-27 | 2017-01-18 | 中国科学院光电技术研究所 | 一种基于混合焦距菲涅耳波带片的相位反演方法 |
CN110470245A (zh) * | 2019-08-21 | 2019-11-19 | 浙江大学 | 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 |
CN112415880A (zh) * | 2019-08-23 | 2021-02-26 | 杜尔利塔斯有限公司 | 全息投影 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8039776B2 (en) * | 2008-05-05 | 2011-10-18 | California Institute Of Technology | Quantitative differential interference contrast (DIC) microscopy and photography based on wavefront sensors |
-
2022
- 2022-06-10 CN CN202210655397.2A patent/CN114880953B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6570143B1 (en) * | 1998-09-23 | 2003-05-27 | Isis Innovation Limited | Wavefront sensing device |
CN105308475A (zh) * | 2012-11-21 | 2016-02-03 | 尼康计量公众有限公司 | 用于激光雷达的低漂移参考 |
CN106338343A (zh) * | 2016-10-27 | 2017-01-18 | 中国科学院光电技术研究所 | 一种基于菲涅耳波带片的波前探测方法 |
CN106338823A (zh) * | 2016-10-27 | 2017-01-18 | 中国科学院光电技术研究所 | 一种基于混合焦距菲涅耳波带片的相位反演方法 |
CN110470245A (zh) * | 2019-08-21 | 2019-11-19 | 浙江大学 | 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 |
CN112415880A (zh) * | 2019-08-23 | 2021-02-26 | 杜尔利塔斯有限公司 | 全息投影 |
Non-Patent Citations (1)
Title |
---|
王静等.无波前传感自适应光学神经网络控制方法.《激光杂志》.2021,第102-105页. * |
Also Published As
Publication number | Publication date |
---|---|
CN114880953A (zh) | 2022-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xin et al. | Object-independent image-based wavefront sensing approach using phase diversity images and deep learning | |
CN110207835A (zh) | 一种基于离焦图像训练的波前校正方法 | |
CN106845024B (zh) | 一种基于波前反演的光学卫星在轨成像仿真方法 | |
CN112767466B (zh) | 一种基于多模态信息的光场深度估计方法 | |
CN111579097B (zh) | 基于神经网络的高精度光学散射补偿方法 | |
CN113158487B (zh) | 一种基于长短期记忆深度网络的波前相位差探测方法 | |
US20060256321A1 (en) | Closed-loop wavefront sensor using field programmable gate array | |
CN111650738A (zh) | 一种基于深度学习的傅里叶叠层显微图像重构方法及装置 | |
CN111553866A (zh) | 一种大视场自适应光学***点扩散函数估计方法 | |
CN110309916B (zh) | 多级空频域调制非线性全光学深度学习***及方法 | |
CN109407311A (zh) | 一种基于相位差异法的衍射光学成像***波前反演算法 | |
CN111694016B (zh) | 一种非干涉合成孔径超分辨成像重构方法 | |
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 | |
Yang et al. | Curriculum learning for ab initio deep learned refractive optics | |
Sun et al. | Real-time semantic segmentation via auto depth, downsampling joint decision and feature aggregation | |
US20220171204A1 (en) | Light field-based beam correction systems and methods | |
Wang et al. | Deep learning wavefront sensing for fine phasing of segmented mirrors | |
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 | |
Cao et al. | Extending capture range for piston error in segmented primary mirror telescopes based on wavelet support vector machine with improved particle swarm optimization | |
Kee et al. | Assisting target recognition through strong turbulence with the help of neural networks | |
Ferdman et al. | Diffractive optical system design by cascaded propagation | |
Zheng et al. | An efficient star acquisition method based on SVM with mixtures of kernels | |
CN117268259A (zh) | 一种基于cnn的大动态范围次镜位置误差检测方法 | |
Cheng et al. | An effective microscopic detection method for automated silicon-substrate ultra-microtome (ASUM) | |
CN112099229A (zh) | 基于远场的高速自适应光学闭环控制方法 |
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 |