文章目录

摘要

Abstract

第1章 绪论

1.1 自适应光学与主动光学简介

    1.1.1 大口径天文望远镜的发展历程

    1.1.2 自适应光学与主动光学原理介绍

1.2 常用波前检测技术简介

1.3 相位差算法介绍

    1.3.1 光学系统成像基本原理

    1.3.2 相位差算法原理

    1.3.3 相位差算法的求解

    1.3.4 相位差算法发展

1.4 深度学习在相位差算法中的应用

    1.4.1 深度学习概念的提出与发展

    1.4.2 深度学习在相位差算法中的应用现状

1.5 本文主要工作和章节安排

第2章 深度学习基础理论

2.1 神经网络基础

    2.1.1 神经网络中的基本概念

    2.1.2 误差逆传播算法

2.2 神经网络的优化

    2.2.1 神经网络优化器简介

    2.2.2 Adam算法

2.3 深度学习方法简介

    2.3.1 卷积神经网络简介

    2.3.2 循环神经网络简介

2.4 本章小结

第3章 基于深度学习的相位差异点目标图像波前探测

3.1 RESNET网络介绍

3.2 LSTM算法描述

    3.2.1 LSTM算法描述

    3.2.2 深度Bi-LSTM+Attention模型

3.3 基于LSTM的相位差异点目标波前探测方法

    3.3.1 点目标图像的时序化输入

    3.3.2 点目标图像序列的Attention机制改进

3.4 相位差异点目标波前探测仿真与实验

    3.4.1 基于LSTM的点目标探测仿真与实验

    3.4.2 基于RESNET的点目标探测仿真与实验

    3.4.3 几种算法对相位差异点目标检测的对比

    3.4.4 精度影响因素讨论

3.5 本章小结

第4章 基于深度学习的相位差异扩展目标图像波前探测

4.1 基于深度LSTM神经网络的相位差异扩展目标波前探测方法

    4.1.1 扩展目标探测理论推导

    4.1.2 仿真与试验

4.2 噪声情况下波前探测

    4.2.1 噪声对波前探测的影响

    4.2.2 N2N去噪原理与算法改进

    4.2.3 图像去噪仿真

4.3 噪声下扩展波前探测仿真与实验

4.4 本章小结

第5章 基于深度学习的多光谱相位差异扩展目标图像波前探测

5.1 宽光谱相位差法基本原理

    5.1.1 宽光谱的影响

    5.1.2 宽光谱成像基本原理

5.2 矩阵相关基础知识

    5.2.1 矩阵求导法则

    5.2.2 矩阵的迹

5.3 宽光谱波前探测

    5.3.1 宽光谱点目标PD计算

    5.3.2 宽光谱扩展目标PD计算

    5.3.3 宽光谱波前探测仿真

5.4 任意带宽光谱波前探测

    5.4.1 未知光谱带宽的影响

    5.4.2 未知光谱带宽的求解

    5.4.3 任意带宽光谱波前探测仿真

    5.4.4 任意带宽光谱波前探测实验

5.5 本章小结

第6章 总结与展望

6.1 论文的主要工作总结及创新点

6.2 工作展望

参考文献

致谢

作者简历及攻读学位期间发表的学术论文与研究成果

文章摘要:基于焦面图像信息的波前传感方法硬件实现简单、波前测量精度高,在自适应光学、主动光学领域具有较好的应用前景。然而,当前基于焦面图像信息的相位恢复、相位差算法等迭代次数多、耗时久;并且,随着像差系数范围以及维度的增加,其陷入局部最优的概率大大增加,严重影响波前检测准确性,制约了基于图像焦面信息波前探测方法的应用。目前,深度学习已经模式识别、数据挖掘等领域得到广泛应用,其与传统相位恢复等迭代算法相比,具有计算速度快（无迭代过程）、准确性高（无局部最优问题）等潜在优点。然而,深度学习在基于图像信息的波前检测领域应用较少,需要对深度学习模型进入深入探索与研究,以提高深度学习方法在波前探测领域的精度与实用性。本文主要包含如下几部分研究内容:针对基于点目标图像信息的波前探测问题,本文分别提出了基于卷积神经网络与基于LSTM网络的深度学习模型,其能够利用具有固定相位差异的两幅PSF图像求解像差系数。仿真与实验结果表明,基于LSTM的神经网络具有较高精度与计算效率。针对基于任意目标图像信息的波前探测问题,本文首先提出一种特征图像提取方法,其利用具有相位差异的两幅图像频率域的特征提取,得到一幅与目标信息无关、仅与光学系统波前相位信息相关的特征图像;在此基础上,相应提出了基于LSTM网络的深度学习模型,能够从一对具有相位差异的任意目标图像中求解波前相位。针对噪声问题,本文基于N2N去噪理论以及残差神经网络,提出一种去噪方法。实际中可首先对图像进行去噪处理,再将其输入LSTM网络中求解波前相位信息。通过仿真与实验验证了本文所提出方法的有效性。针对于基于任意带宽光谱以及任意光谱光谱分布的任意目标图像信息的波前探测问题,本文首先基于矩阵理论提出一种特征图像提取方法,其利用具有相位差异的两幅图像,通过在频率域的特征提取,得到一幅与光源光谱分布、目标信息无关,与光学系统波前相位信息和光谱范围相关的特征图像。在此基础上,相应提出了基于深度LSTM网络的深度学习模型,以利用所提取的特征图像信息计算出瞳波前相位信息和恢复目标图像。进行了仿真与实验,结果表明,本文提出模型在精确的计算波前相位信息的同时,恢复出清晰的原始目标图像。本文通过提出并改进用于波前探测的深度学习模型,对于提高基于图像信息波前探测方法的性能具有重要意义。