一种基于光强图像深度学习的波前复原方法

发布时间：2021-02-02 12:51

　　基于深度学习的波前复原方法是利用训练好的卷积神经网络（CNN）模型并直接根据输入的光强图像得到波前像差的Zernike系数,不需要进行迭代计算,方法简单易于实现,便于快速获取相位。CNN的训练是通过对大量畸变远场光强图像和其对应的Zernike波前系数数据进行训练,自动提取光强图像特征,学习光强和Zernike系数的关系。本研究基于35阶Zernike大气湍流像差,建立了基于CNN的波前复原模型,通过分析该方法对静态波前畸变的复原能力,验证了基于CNN的波前复原方法的可行性及复原能力。 

【文章来源】：激光与光电子学进展. 2020,57(08)北大核心

【文章页数】：10 页

【文章目录】：
1 引言
2 基于CNN的波前复原方法
    2.1 CNN波前复原方法
    2.2 CNN方法原理
3 CNN模型的建立与训练实施
    3.1 数据集生成方法
    3.2 CNN模型构建
4 仿真结果与分析
    4.1 模型训练结果
    4.2 波前复原结果
5 结论


【参考文献】：
期刊论文
[1]基于生成对抗式神经网络的红外目标仿真方法[J]. 谢江荣,李范鸣,卫红,李冰.  光学学报. 2019(03)
[2]一种基于角度距离损失函数和卷积神经网络的人脸识别算法[J]. 龙鑫,苏寒松,刘高华,陈震宇.  激光与光电子学进展. 2018(12)
[3]基于判别协作表征分类器的人体行为识别[J]. 昝宝锋,孔军,蒋敏.  激光与光电子学进展. 2018(01)
[4]一种基于瞳面相位差的波前传感器相位恢复[J]. 杨慧珍,龚成龙.  光学学报. 2011(11)



本文编号：3014729