噪声情况下模型式无波前探测自适应光学系统扩展目标成像校正

利用88单元变形镜及电荷耦合器件成像器件,以扩展目标为校正对象,建立了带有噪声的无波前探测自适应光学系统模型。在噪声情况下,验证了扩展目标成像时掩模探测器信号和波前相位的平均梯度平方和之间存在线性关系。将基于此线性关系的算法作为无波前探测自适应光学系统的控制算法,通过仿真,检验了模型式无波前探测自适应光学系统在噪声情况下对扩展目标成像的校正能力。结果表明,相同湍流条件、不同信噪比下的校正效果接近。按照湍流条件从小到大的顺序,与信噪比为20 dB的结果相比,信噪比为5 dB时校正后的平均均方根相对误差分别为3.71%,2.94%和2.42%,说明基于该线性关系的模型控制算法具有较强的抗噪能力。     

无波前传感自适应光学技术及其在大气光通信中的应用

无波前传感自适应光学(AO)系统不依赖波前传感器可直接对系统性能进行优化。基于随机并行梯度下降(SPGD)算法,32单元变形镜,CCD成像器件等建立了无波前传感自适应光学系统实验平台。实验结果表明,参量选取合适时,系统对畸变波前具有较好的校正能力,但受限于较低的CCD采样频率,仅能校正静态或缓慢变化的像差。根据实验结果讨论了基于随机并行梯度下降控制算法的无波前传感自适应光学技术在大气光通信中的应用可能和应用方法,指出采用高速光电探测器件、高速数据处理及响应速度高的波前校正器与随机并行梯度下降算法相配合可用于补偿大气光通信中的大气湍流扰动。     

模型式无波前探测自适应光学系统抗噪能力分析

对于N单元变形镜,模型式无波前探测自适应光学系统只需N+1次远场光斑测量,收敛速度快。使用88单元变形镜、CCD成像器件等建立自适应光学系统仿真平台,分别从理论分析和仿真实验出发探讨模型式无波前探测自适应光学系统在噪声情况下的波前校正性能。结果表明:噪声条件下,基于模型的无波前探测自适应光学系统收敛速度保持不变;相同湍流条件时,不同噪声水平下的校正效果接近。与噪声水平50 dB时的结果相比,按照给定湍流条件从弱到强,噪声水平为30 dB时校正后平均RMS相对误差分别为4.75%、4.04%和2.58%。上述结果验证了基于模型的无波前探测自适应光学系统具有较强的抗噪能力。     

模型式无波前探测自适应光学系统收敛速度优化

基函数及其阶数的选择对模型式无波前探测自适应光学(AO-Adaptive Optics)系统的收敛速度和校正效果具有重要的意义。当变形镜(DM-Deformable Mirror)的本征模作为系统的基函数时,系统的收敛速度取决于本征模的阶数。考虑到实际应用中,低阶像差占整个像差的大部分,为加快模型式无波前探测AO系统的收敛速度,使用本征模的部分低阶模式作为系统的基函数,分析系统的收敛速度和校正能力。结果表明:当校正效果达到全阶模式校正效果的80%时,不论湍流强弱,系统收敛速度都有一定程度的提高。相同的波前像差下,变形镜单元数越多,系统收敛速度的优化空间越大。     

基于变形镜本征模的模型式无波前探测自适应光学系统

模型式无波前探测自适应光学系统以其收敛速度快、校正效果好在波前无法探测的环境中具有巨大的应用潜力。基函数的产生方法及阶数多少决定了模型式无波前探测自适应光学系统的校正效果和收敛速度,文中提出以变形镜本征模作为基函数。分别以32、88及127单元变形镜作为波前校正元件建立无波前探测自适应光学系统仿真模型,利用变形镜本征模作为正交基函数对波前畸变进行校正,分析其校正效果和收敛速度。结果表明,以变形镜本征模作为基函数时,由于基函数的阶数等于变形镜的单元数,无需另外确定阶数多少,且无波前探测自适应光学系统可以获得接近理想校正时的校正效果,系统收敛所需测量的光斑强度的次数仅取决于变形镜的单元数。     

自适应增益的SPGD算法

SPGD算法是一种应用广泛的无波前探测自适应光学控制算法。传统SPGD算法中增益系数保持某一固定值不变,随着变形镜单元数的增加,这将导致算法收敛速度变慢及陷入局部极值的概率增大。Adam优化器是深度学习常用的一种优化随机梯度下降算法,它具有增益系数自适应性调整的特点。将Adam优化器自适应调整增益系数的优势与SPGD算法结合起来用于自适应光学系统控制。分别以32、61、97、127单元变形镜作为波前校正器件,不同湍流强度的波前像差作为校正对象,建立了无波前探测自适应光学系统模型。结果表明,优化后的算法收敛速度更快,而且陷入局部极值的概率降低,并且随着变形镜单元数的增加与湍流强度的增大,算法的优势更加明显。以上研究结果为基于Adam优化的SPGD算法的实际应用提供了理论基础。     

扩展目标低阶校正自适应光学系统的补偿效果

当自适应光学系统对扩展目标进行低阶模式校正时,系统存在非等晕误差.本文应用大气湍流波前扰动的Zemike多项式分解,推导了扩展目标情况下低阶校正自适应光学系统的模式非等晕误差和波前校正残余误差的关系表达式.在此基础上给出了光波水平大气传输时倾斜校正自适应光学系统波前残余误差的数值计算结果.此外还给出了太阳表面米粒结构低对比度扩展目标倾斜校正后的补偿成像实验结果.     

远场光斑反演波前相位的深度学习方法

自适应光学系统中,波前传感器的准确性和鲁棒性极大地影响像差探测能力和闭环校正效果。在波前振幅分布不均匀或信标光能量不足的情况下,哈特曼波前传感器由于存在子孔径缺光现象会导致传感精度下降,而基于远场光斑反演波前相位的无波前传感自适应系统实时性难以满足实用需求。基于深度学习复原波前的方法是通过输入远场光强图像直接求取像差,可以作为自适应光学系统的有效补充。文中通过数值模拟,证明了深度残差神经网络能够通过远场光斑直接预测波前相位的Zernike系数。实验验证了输入与重构波前相位之间校正后残差RMS为0.08λ,GPU加速后的平均计算耗时小于2 ms。该方法能较准确地预测入射波前畸变的Zernike系数,具有一定像差校正能力,适合在传统自适应光学技术中,用于测量并校正波前畸变的主要成分,或为优化式自适应光学提供良好的初始波前估计。     

无波前传感自适应光学神经网络控制方法

针对无波前探测自适应光学系统,研究了基于神经网络的波前控制方法。建立了无波前探测自适应光学仿真模型,分别采用卷积神经网络(Convolution Neural Network,CNN)和普通神经网络(General Neural Network,GNN)作为控制算法,远场光斑图像为神经网络的输入信号,一定阶数的泽尼克模式系数为神经网络的输出,分析了波前校正效果。仿真结果表明,经过充分训练后的神经网络可以快速、准确地从远场光斑图像中复原出入射波前的低阶泽尼克模式系数,CNN的效果优于GNN,二者的损失函数值分别为0.015 8和0.037 6。相比于传统的迭代式寻优控制方法,神经网络控制方法能够基于远场光斑图像快速得到控制信号,在实时性方面有明显优势。     

星载自适应光学系统的双导星信标理论研究

星载相机的波前畸变主要来源于两个部分:由于温度场、重力场变化引起的相机光学系统自畸变;由于大气湍流引起的波前误差。为获得高分辨率的图像,需要校正波前误差。提出一种对星载光学系统波前畸变进行有效探测的技术。星载激光器分时产生钠导星和瑞利导星,前者用于校正自畸变,后者用于校正大气湍流造成的波面像差。针对该方法对激光能量的要求,建立了双导星信标系统的数值模型,并进行仿真。结果表明,该方法对激光器的要求,在目前是可以实现的。该方法可以用于空间相机光学系统的波面畸变探测,从而为星载自适应光学的进一步研究提供依据。     

流场测速中基于深度卷积神经网络的光学畸变校正技术

基于光学成像的流场测量技术,如粒子图像测速技术（PIV）,易受到因流体中折射率的不均匀性或晃动的介质边界引起的光学畸变而带来的影响。这些畸变会使得示踪粒子在图像上的位置分布产生误差且严重影响图像清晰度,从而增大流场速度测量的误差。为了提高光学流场速度测量的测量精度,自适应光学系统可以应用于其中去校正光学畸变。基于图像流场测量中的光学像差具有频率高,动态范围大,空间分辨率高等特点,对于这一应用场景,基于波前校正器件的自适应光学系统受到了器件本身性能的影响。基于深度学习的自适应光学技术在流场测量中的应用,建立了一种基于深度神经网络的无波前校正器件自适应光学校正技术,以深度神经网络代替传统的波前校正器件,用于粒子图像测速技术中的光学畸变校正。为了生成神经网络所需要的训练和测试数据集,搭建了可以实现波前测量的粒子图像测速实验平台,分析并建立了光学畸变在粒子图像上的图像退化模型。最后,以校正后PIV图像的校正效果和流场速度测量结果作为评价标准,对所建立神经网络的畸变校正性能进行了分析。     

大气湍流位相畸变自适应光学校正的数值分析

实现了适应光学系统校正激光大气湍流位相畸变的数值模拟,研究了自适应光学系统的校正效率随湍流强度的变化规律以及横向风速对自适应光学校正效果的影响。结果表明,自适应光学系统能够校正湍流造成的激光波前位相畸变,提高靶面激光峰值功率密度,降低靶面激光强度起伏。湍流强度对于自适应光学系统的校正效率有比较大的影响,湍流强度较弱和较强,自适应光学系统的校正效率均不高;只有中等强度的湍流,校正效率最高。此外,横向风速对于自适应光学系统的校正效果也有比较大的影响．随着横向风速的增大,自适应光学系统的校正效果不断变差。     

激光导引星非等晕性的限制

在利用激光导引星的自适应光学系统中，焦距非等晕性是对自适应光学系统性能的主要限制，利用湍流探测配置的孔径滤波函数导出了剩余波前畸变方差．并依此导出了成像系统的有效直径ｄ０，根据昆明和兴隆实测的大气湍流模型对ｄ０进行了计算，说明了校正平移和倾斜对自适应光学系统的重要性。     

旨在现实应用的自适应光学

大型地面望远镜用自适应光学系统来测量和补偿快速波动的波前畸变，这种畸变使通过湍流大气观测的物像模糊。例如，由于大气湍流影响而产生像差的双星体像原来表现为不能分辨的模糊像。用自适应光学系统对湍流补偿后就使成像系统能分辨出两个明显不同的星体。在很多其它领域，包括通讯、生物医学和激光焊接等，补偿都起重要作用。大气畸变影响地基、自由空间激光通讯。医学装置（例如内窥镜）通过体液使组织成像，而体液引起光学像差和使图像质量变差。这种像差影响内窥外科术和视网膜外科术中激光功率的精确提供。同样，热感生像差也影响激…     

基于动态区域提取的模式复原算法北大核心CSCD

追踪了由远场光电探测器采样宽度限制引入的量化噪声在算法实现过程中的传递,分析了其对算法在波前像差校正中的效果和收敛速度产生影响的原因。根据斯特列尔比值(SR)的变化,提出了一种基于动态区域提取的模式复原算法,并利用18阶和33阶Zernike多项式模拟得到的符合Kolmogrove大气湍流功率谱的波前对该算法进行数值计算。计算结果表明:采用动态区域提取的复原算法校正波前像差,在12位相机采样宽度和33阶初始像差情况下,算法经31次迭代后收敛,波前复原残差均方根为0.058λ(λ为波长),SR达0.9以上。该算法减小了量化噪声的影响,无波前传感自适应光学系统的收敛速度和校正效果得到显著提高。     

基于自动控制理论的自适应光学控制系统优化

为了满足自适应光学系统实时快速的工作要求,将自动控制理论引入到自适应光学系统中,在不改变系统硬件性能的基础上对系统的控制部分进行了研究。首先,对自适应光学闭环控制系统进行分析,将其模块化并建立相应的数学模型;其次,在自动控制理论基础上设计控制器和相应的控制算法,并分析了控制器的性能;最后,将自动控制理论的控制方法与人眼波前像差校正相结合,使控制算法应用到自适应光学系统波前像差的校正中。结果表明,相对于传统的自适应光学系统控制方法（纯积分控制和比例-积分控制）,Smith预补偿控制使自适应光学控制系统具有较高的闭环带宽和较好的动态、稳态控制性能;在模拟人眼波前像差迭代校正过程中,Smith预补偿控制器校正残余像差的快速性最好;在实际人眼动态像差校正中,Smith预补偿控制校正的残余像差值达到最小,有利于自适应光学控制系统优化。     

层向多层共轭自适应光学系统的模拟

单层校正自适应光学系统只能在较小视场范围内对大气湍流进行有效校正,多层共轭自适应光学技术可以突破这种限制。介绍了层向多层共轭自适应光学系统基本结构及工作原理,研究了层向多层共轭自适应光学系统的模拟,内容包括:如何产生动态大气湍流波前数据、基于四棱锥波前传感器的波前复原算法、基于模式法的变形镜闭环校正控制过程等。对单层和两层的层向共轭自适应光学系统进行了模拟仿真,仿真结果表明:层向多层共轭自适应光学系统采用了更多的导星来校正两层大气湍流,比单层校正自适应光学系统具有更大的校正视场和更好的校正效果。     

星向多层共轭自适应光学大气湍流三维波前模式复原算法分析

大气湍流三维波前复原是星向多层共轭自适应光学中的关键技术。分析了星向多层共轭自适应光学系统中的大气湍流三维波前模式复原算法,并对该算法进行了数值仿真验证和误差分析。分析结果表明:当对2层大气湍流进行三维波前复原时,若采用自然导星,因平移像差不能被探测,导致平移和倾斜两种模式不能被准确复原;若采用激光导星,因平移和倾斜像差不能被直接探测,导致平移、倾斜、离焦和像散几种模式不能被准确复原;当对3层大气湍流进行三维波前复原时,模式混淆总是存在,无法消除,各层大气湍流波前不能被准确复原;当观测目标在探测高度的波前被自然导星光束完全覆盖时,其波前可以被准确复原。     

高度屈光不正人眼的视网膜自适应成像系统

为了更好的利用液晶自适应成像系统进行具有较大屈光不正人眼像差校正及视网膜的成像,建立了一套基于低阶像差自补偿的眼底自适应成像系统。该系统采用基于人眼调节特性的光学系统进行屈光补偿,用夏克哈特曼波前传感器进行实时的波面探测,将探测所得波前畸变进行波前重构,通过LCOS波前校正器进行高阶像差的波面校正提高系统成像质量。经过校正后系统波前误差得到有效控制。光学系统的分辨率接近70 lp/mm,已经到达该光学系统的衍射极限分辨。可以得出:液晶自适应视网膜成像系统可以满足高度屈光不正情况下的人眼视网膜成像要求。     

无参考自适应光学图像质量评价

自适应光学(AO)成像系统受残余大气湍流、闭环跟踪误差和光电探测噪声等因素的影响,成像结果参差不齐,不利于后期图像筛选和事后处理,故需要对图像质量进行评价。传统图像质量评价方法对自适应光学图像质量的评价不可靠,甚至会出现评价结果与实际背离的情况。针对上述问题,根据自适应光学系统的成像过程,生成具有图像质量标签的自适应光学退化图像数据集,在此基础上采用以ResNet作为主干的深度神经网络,训练得到了用于评价自适应光学图像质量的神经网络模型,在测试集上的Spearman相关系数(SROCC)最佳为0.994。实验结果表明,该方法综合考虑了自适应光学图像成像过程中的多种退化因素,通过训练深度神经网络得到无参考自适应光学图像质量评价模型,评价精度优于其他传统图像质量评价算法。