一种基于光强图像深度学习的波前复原方法
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.
成像系统、自适应光学、波前复原、深度学习、卷积神经网络、非迭代复原方法
57
O436(光学)
国家自然科学基金;安徽省高等学校自然科学研究项目
2020-06-23(万方平台首次上网日期,不代表论文的发表时间)
共10页
247-256