[发明专利]基于深度迁移学习预测波前泽尼克系数的自适应光学波前补偿方法

说明书

本发明提供一种基于深度迁移学习预测波前泽尼克系数的自适应光学波前补偿方法：包括：得到有标注的源域样本；得到无标注的目标域样本；得到有标注的源域样本；基于源域数据集和目标域数据集训练网络，通过反向传播算法对模型参数进行优化，得到完成训练的网络；将图像输入S35得到的完成训练的网络，输出预测的泽尼克系数，根据预测的泽尼克系数计算波前相位，并利用波前矫正器进行波前补偿实现校正。本发明采用了迁移卷积神经网络的双流结构，能利用迁移学习改进模型在不同介质时的波前系数预测能力。

技术领域

本发明涉及一种光学成像技术，具体涉及一种基于深度迁移学习预测波前泽尼克系数的自适应光学波前补偿方法。

背景技术

自适应光学技术是解决光学波前误差的途径，通过对波前 误差的实时探测-控制-矫正，使得光学系统能自动克服外界扰动，克服复杂观测介质的散射影响，保持系统良好的成像性能。基于图像的非直接式的自适应光学技术通过对于点光源的散射光斑分析计算波前参数，避免了对于介质波前相位的直接探测，对于活体介质的情况，尤其在显微成像等领域得到广泛应用。

基于图像的自适应光学方法通过设备光路采集畸变光斑图像，并对图像进行分析，计算波前参数，通过空间光调制器调整波前相位，以矫正波前畸变。目前已有方法通过深度学习方法利用人工生成的畸变光斑数据训练得到神经网络，利用该网络计算波前相位的泽尼克系数表达，对于处理实际波前畸变有一定能力，但是对于不同的设备条件，观测样本性质，难以取得良好的效果。对于变化的设备条件，观测样本，其畸变光斑的性质与训练样本有较大差异，难以获取当前实验条件下的标注样本用于训练，这使得该自适应光学方法难以在实际实验条件下应用。

因此，需要对现有技术进行改进。

发明内容

本发明要解决的技术问题是提供一种高效的基于深度迁移学习预测波前泽尼克系数的自适应光学波前补偿方法。

为解决上述技术问题，本发明提供一种基于深度迁移学习预测波前泽尼克系数的自适应光学波前补偿方法：包括以下步骤：

S1、得到有标注的源域样本{X_s,Y_s}；执行步骤S2；

S2、得到无标注的目标域样本得到有标注的目标域样本执行步骤S3；

S3、根据有标注的源域样本{X_s,Y_s}得到源域数据集，根据无标注的目标域样本和有标注的目标域样本得到目标域数据集；基于源域数据集和目标域数据集训练网络，通过反向传播算法对模型参数进行优化，得到完成训练的网络；执行步骤S4；

S4、将图像输入S35得到的完成训练的网络，输出预测的泽尼克系数，执行步骤S5；

S5、根据步骤S4预测的泽尼克系数计算波前相位，并利用波前矫正器进行波前补偿实现校正。

作为对本发明基于深度迁移学习预测波前泽尼克系数的自适应光学波前补偿方法的改进：步骤S3包括以下步骤：

S31.将共享参数的源域网络和目标域网络作为双流网络，判断源域网络和目标域网络是否满足收敛条件或者到达最大迭代次数，否则执行S32，是则执行S35；

S32.将源域数据集和目标域数据集分别随机乱序后分为多个小型批次数据集，形成源域批数据和目标域批数据；执行步骤S33；

S33.将源域批数据和目标域批数据分别输入源域网络和目标域网络，利用反向传播算法结合损失函数更新各个网络参数；执行步骤S34；

S34.利用梯度下降算法对模型参数进行更新，并判断参数是否收敛，是执行S35，否执行S32；

S35.输出完成训练的网络；执行步骤S4。