一种基于全局光斑匹配的夏克哈德曼波前检测方法

技术领域

本发明涉及波前测量技术领域，尤其是涉及一种基于全局光斑匹配的夏克哈德曼波前检测方法。

背景技术

波前测量技术能够高精度测量光场的相位分布，已广泛应用于生物成像、天文探测、精密制造、眼科诊断等领域。夏克-哈特曼传感器是一种非干涉的波前测量技术，具备测量精度高、测量速度快、抗环境干扰能力强等优势，已经广泛应用于天文探测、生物成像、眼科诊断等领域。夏克-哈特曼传感器主要由微透镜阵列与图像传感器组成，微透镜阵列对被测波前采样并在图像传感器中成像为光斑阵列。通过测量光斑的偏移量可以确定波前的局部斜率，从而重建出波前。传统的夏克-哈特曼传感器算法所能匹配的最大光斑偏移量限制在其对应的微透镜范围内，能够测量的最大波前斜率会受到限制。因此，常规夏克-哈特曼传感器难以实现大动态范围波前的测量。

为了进一步拓宽夏克-哈特曼传感器的动态范围，国内外研究人员已经提出了许多方案，可分为硬件改进和算法改进两类思路。前者主要通过对夏克-哈特曼传感器的结构做出调整或增加额外的器件，为光斑追踪提供额外信息，进而突破光斑偏移量限制在对应微透镜所对应的范围的限制，提高其测量动态范围。然而，该方法大幅提高了系统的复杂度，同时导致测量步骤也变得复杂，测量时间大幅增加。相比于硬件改善的方法，算法改善方法不需要改变原有的系统，通过解包裹算法、迭代外推法、邻域搜索法、光斑排序法等算法来确定超出微透镜对应区域的光斑与微镜的对应关系，进而提高夏克-哈特曼传感器的动态范围。

然而目前已提出的算法改进方法存在两个不足，首先它们需要一定的先验知识，确定几组正确的对应关系作为初始条件；其次利用局部信息推理的原理导致他们只能在超出微透镜一定区域内搜索未匹配光斑的位置动态范围的扩展能力有限。特别的是，这些算法在本质上都属于贪心算法，希望通过寻找局部最优解获得全局最优解，一旦某个搜索过程出现错误或失败，算法将会失效。

发明内容

本发明的目的就是为了克服上述现有技术存在现有夏克哈德曼波前传感器所能匹配的最大光斑偏移量限制在单个微透镜范围内导致最大波前斜率测量能力受限的缺陷而提供一种基于全局光斑匹配的夏克哈德曼波前检测方法。

本发明的目的可以通过以下技术方案来实现：

一种基于全局光斑匹配的夏克哈德曼波前检测方法，包括以下步骤：

步骤1：对夏克哈德曼波前传感器进行标定，获得参考光斑特征点位置；通过夏克哈德曼波前传感器将被测波前成像为特定分布的光斑阵列，获得测量光斑图像；

步骤2：通过阈值分割算法将测量光斑图像分割为N个包含单个光斑的子区域；通过特征点提取算法提取每个子区域中单个光斑的特征点坐标(x

步骤3：构建夏克哈德曼波前传感器光学模型，用于模拟入射波前经过夏克哈德曼波前传感器成像形成的光斑图像；

步骤4：随机生成M组波前表征参数，并根据波前表征参数产生M组具有不同相位分布的入射波前{Φ

步骤5：将每个入射波前输入所构建的夏克哈德曼波前传感器光学模型中，获得M组估计光斑特征点集{E

步骤6：构建全局光斑匹配目标函数，分别计算估计光斑特征点集{E

步骤7：通过目标函数值{d

步骤8：重复步骤4-步骤7，直到M个目标函数值中存在至少一个小于设定的目标函数阈值，或者步骤4-步骤7的重复次数达到设定的重复阈值，结束迭代，并将最小目标差异值对应的入射波前作为最佳入射波前Φ

步骤9：将最佳入射波前Φ

步骤10：根据各微镜所对应的光斑特征点位置与参考光斑特征点位置，获得各微镜所对应的被测波前子波面的斜率值，并根据波前重建算法重建出被测波前的分布。

进一步地，所述阈值分割算法的处理过程包括：

步骤201：设定灰度阈值，根据灰度阈值对光斑图像进行二值化处理变为二值化图像，大于灰度阈值的区域变为1，小于灰度阈值的区域变为0；

步骤202：将二值化图像先后进行图像膨胀运算和图像腐蚀运算，消除二值化图像中的离散噪点；

步骤203：搜索二值化图像中的连通域，取出连通域中面积最大的N个区域，作为N个光斑区域；

步骤204：根据光斑区域的位置在光斑图像中取出相应区域，获得N个包含单个光斑的子区域。

进一步地，所述特征点是光斑质心、中心和最亮点中的任意一种。

进一步地，所述夏克哈德曼波前传感器光学模型为傍轴几何光学模型、角谱衍射物理光学模型、菲涅尔衍射物理光学模型和夫朗禾费衍射物理光学模型中的任意一种。

进一步地，所述波前表征参数为方域泽尼克多项式、环域泽尼克多项式和勒让德多项式中的任意一种。

进一步地，所述全局光斑匹配目标函数的处理过程包括：

步骤601：对测量光斑特征点集G进行排序，获得点集G

步骤602：取出估计光斑特征点集E

步骤603：重复步骤602，直到点集中E

步骤604：计算点集E

步骤605：取d(e

步骤606：重复步骤602-605，直至计算出E

进一步地，所述惩罚因子为光斑重复匹配次数、相邻区域斜率连续性、波前表征参数坏值度中的一种或多种叠加值。

进一步地，所述迭代匹配算法为粒子群算法、遗传算法、模拟退火算法、进化策略、梯度下降法、卷积神经网络中的任意一种。

进一步地，所述迭代匹配算法为粒子群算法时的处理过程为：

粒子群算法将每组波前表征参数视为一个待搜索的粒子，每个粒子具有K个待迭代搜索的数值参数，每个粒子由特征参数位置和速度来表示：

式中，x

在迭代匹配算法的迭代计算前，将M组波前表征参数的初始位置x

在迭代匹配算法的迭代计算中，首先通过下式更新每个粒子，包括位置和速度：

式中，ω为，c

计算更新后M个粒子的目标函数值

进一步地，所述波前重建算法为迭代求解法、矩阵向量法和泽尼克模式波前重建法中的任意一种。

与现有技术相比，本发明具有以下优点：

(1)本发明为克服现有夏克哈德曼波前传感器所能匹配的最大光斑偏移量限制在单个微透镜范围内从而导致最大波前斜率测量能力受限的问题，通过构建全局光斑匹配目标函数来全局评估任意光斑图像与测量光斑图像间的差异性，进而通过迭代匹配算法来搜索最接近测量光斑图像的入射波前，从而大幅提升最大可测光斑偏移量，提高夏克哈德曼波前传感器的动态范围测量能力；

该方案无需预先设定光斑与微透镜初始匹配关系，不需提供先验知识即可完成全局光斑匹配。

(2)本发明具有较强的鲁棒性，能够在光斑图像面临被遮挡而存在大量缺失点时，仍然能够实现光斑与微透镜的准确匹配并完成被测波前测量。

(3)本发明无需改变夏克哈德曼波前传感器的系统结构，不额外增加制造难度和成本。

附图说明

图1为本发明实施例中提供的一种基于全局光斑匹配的夏克哈德曼波前检测方法的流程示意图；

图2为本发明实施例中提供的一种基于全局光斑匹配的夏克哈德曼波前检测方法的原理示意图；

图3为本发明实施例中提供的一种阈值分割算法的原理示意图；

图4a为本发明实施例1中提供的被测波前相位分布图；

图4b为本发明实施例1中提供的被测光斑图像图；

图4c为本发明实施例1中提供的每个迭代次数下的最小目标函数值曲线；

图4d为本发明实施例1中提供的根据最佳入射波前完成光斑匹配后的结果图；

图4e为本发明实施例1中提供的重建波前与被测波前之间的相对误差值；

图5为本发明实施例2中提供的100组不同被测波前分布与重建波前之间的相对误差值，每组数据取全部波前分布的平均相对误差；

图6为本发明实施例3中提供的不同泽尼克项(包括像散项、离焦项、三叶草项和彗差项)表征下的最大可测波前的测量光斑图像；

图7为本发明实施例3中提供的第3-9项泽尼克项表征下的最大可测波前的峰谷值与传统夏克哈德曼波前传感器的最大可测波前的峰谷值的对比图；

图8为本发明实施例4中提供的测量光斑图像存在不同缺失条件(包括无缺失光斑，边缘区域缺失13％光斑，中心区域缺失17％光斑，随机缺失10％、30％、50％光斑)时的光斑匹配结果图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

如图1和图2所示，本发明提供一种基于全局光斑匹配的夏克哈德曼波前检测方法，包括以下步骤：

步骤1：对夏克哈德曼波前传感器进行标定，获得参考光斑特征点位置；通过夏克哈德曼波前传感器将被测波前成像为特定分布的光斑阵列，获得测量光斑图像；

夏克哈德曼波前传感器的成像原理为：夏克哈德曼波前传感器包括微透镜阵列和图像传感器，微透镜阵列将入射波前聚焦后在图像传感器上成像为特定分布的光斑阵列；

步骤2：通过阈值分割算法将测量光斑图像分割为N个包含单个光斑的子区域；通过特征点提取算法提取每个子区域中单个光斑的特征点坐标(x

阈值分割算法的应用对象为光斑图像，具体为测量光斑图像或估计光斑图像，光斑图像中光斑区域的灰度值高于背景区域的灰度值；

具体地，如图3所示，阈值分割算法的处理过程包括：

步骤201：设定灰度阈值，根据灰度阈值对光斑图像进行二值化处理变为二值化图像，大于灰度阈值的区域变为1，小于灰度阈值的区域变为0；

步骤202：将二值化图像先后进行图像膨胀运算和图像腐蚀运算，消除二值化图像中的离散噪点；

步骤203：搜索二值化图像中的连通域，取出连通域中面积最大的N个区域，作为N个光斑区域；

步骤204：根据光斑区域的位置在光斑图像中取出相应区域，获得N个包含单个光斑的子区域。

特征点是光斑质心、中心和最亮点中的任意一种。

步骤3：构建夏克哈德曼波前传感器光学模型，用于模拟入射波前经过夏克哈德曼波前传感器成像形成的光斑图像；

夏克哈德曼波前传感器光学模型为傍轴几何光学模型、角谱衍射物理光学模型、菲涅尔衍射物理光学模型和夫朗禾费衍射物理光学模型中的任意一种。

步骤4：随机生成M组波前表征参数，并根据波前表征参数产生M组具有不同相位分布的入射波前{Φ

波前表征参数为方域泽尼克多项式、环域泽尼克多项式和勒让德多项式中的任意一种。

步骤5：将每个入射波前输入所构建的夏克哈德曼波前传感器光学模型中，获得M组估计光斑特征点集{E

步骤6：构建全局光斑匹配目标函数，分别计算估计光斑特征点集{E

具体地，全局光斑匹配目标函数的处理过程包括：

步骤601：对测量光斑特征点集G进行排序，获得点集G

步骤602：取出估计光斑特征点集E

步骤603：重复步骤602，直到点集中E

步骤604：计算点集E

步骤605：取d(e

惩罚因子为光斑重复匹配次数、相邻区域斜率连续性、波前表征参数坏值度中的一种或多种叠加值；

步骤606：重复步骤602-605，直至计算出E

步骤7：通过目标函数值{d

迭代匹配算法为粒子群算法、遗传算法、模拟退火算法、进化策略、梯度下降法、卷积神经网络中的任意一种。

迭代匹配算法为粒子群算法时的处理过程为：

粒子群算法将每组波前表征参数视为一个待搜索的粒子，每个粒子具有K个待迭代搜索的数值参数，每个粒子由特征参数位置和速度来表示：

式中，x

在迭代匹配算法的迭代计算前，将M组波前表征参数的初始位置x

在迭代匹配算法的迭代计算中，首先通过下式更新每个粒子，包括位置和速度：

式中，ω为，c

计算更新后M个粒子的目标函数值

步骤8：重复步骤4-步骤7，直到M个目标函数值中存在至少一个小于设定的目标函数阈值，或者步骤4-步骤7的重复次数达到设定的重复阈值，结束迭代，并将最小目标差异值对应的入射波前作为最佳入射波前Φ

步骤9：将最佳入射波前Φ

步骤10：根据各微镜所对应的光斑特征点位置与参考光斑特征点位置，获得各微镜所对应的被测波前子波面的斜率值，并根据波前重建算法重建出被测波前的分布；

波前重建算法为迭代求解法、矩阵向量法或泽尼克模式波前重建法中的任意一种。

本发明方案可应用于生物成像、天文探测、精密制造、眼科诊断等领域；适用于大动态范围夏克哈德曼波前检测。

实施例1

本实施例提供一种基于全局光斑匹配的夏克哈德曼波前检测方法，具体过程如下：

本实施例中被测波前为波长λ为532nm的自由曲面波前，如图4a所示；夏克哈德曼波前传感器中包含19×19＝361个微透镜，微透镜间距为150μm，微透镜口径为146μm，微透镜厚度为1.2mm，微透镜非凸位置厚度为0.5mm，微透镜曲率半径为2.54mm，微透镜焦距为5.2mm；图像传感器为CMOS传感器，像素尺寸为5.86μm，图像传感器像素位深为8位，图像传感器信噪比45.2dB，微透镜阵列与CMOS传感器之间的成像距离为5.42mm；

通过多组不同曲率球面波来标定夏克哈德曼波前传感器，估计平面波入射夏克哈德曼波前传感器时的参考光斑特征点位置；通过夏克哈德曼波前传感器测量被测被测波前，获得测量光斑图像，如图4b所示；

测量光斑图像中光斑区域的灰度值范围为100-255，背景区域的灰度值为0-20，通过阈值分割算法将测量光斑图像分割为361个包含单个光斑的子区域，具体过程为：

步骤a1：设定灰度阈值为80，根据灰度阈值对光斑图像进行二值化处理变为二值化图像，大于灰度阈值的区域变为1，小于灰度阈值的区域变为0；

步骤a2：将一次图像膨胀运算和一次图像腐蚀运算作为一组图像闭运算，将二值化图像重复进行5组图像闭运算，消除二值化图像中的离散噪点；

步骤a3：搜索二值化图像中的连通域，取出连通域中面积最大的361个区域，作为361个光斑区域；

步骤a4：根据光斑区域位置在光斑图像中取出相应位置，获得361个包含单个光斑的子区域；

通过灰度加权质心法计算361个光斑的质心坐标，作为特征点坐标，分别为(x

以前15项方域泽尼克多项式Z

粒子群算法将每项待迭代优化的泽尼克多项式系数视为一个粒子，每个粒子由位置和速度来表示；将20个粒子的的初始位置设置为

基于傍轴几何光学构建夏克哈德曼波前传感器光学模型，并根据微透镜中心位置

构建基于豪斯多夫距离的全局目标函数，并计算M组估计光斑特征点集{E

步骤b1：建立测量光斑特征点集G的二叉树，二叉树中每个节点具有0、1、或2个分支；取G中横坐标x等于{x

步骤b2：取出估计光斑特征点集E

步骤b3：重复步骤2，直到点集E

步骤b4：计算点集E

步骤b5：计算d(e

步骤b6：重复步骤b2-b5，直至计算出E

通过粒子群算法重新更新20组泽尼克多项式系数，包括位置和速度：

其中惯性因子w设置为0.5，个体学习因子c

随机设置r

将最佳入射波前Φ

根据各微镜所对应的光斑特征点位置与参考光斑特征点位置，获得各微镜所对应的被测波前子波面的斜率值，并根据波前重建算法重建出被测波前的分布；重建波前与被测波前之间的相对误差分布如图4e所示。

实施例2

本实施例与实施例1大体相同，不同点在于，本实施例随机生成100个不同分布的被测波前，依次重复实施例1的过程，直至通过本发明所提供的一种大动态范围夏克哈德曼波前检测方法重建出100个波前；计算100个被测波前与对应的重建波前之间的相对误差分布，并计算所有点的相对误差的平均值，获得平均相对误差；100个平均相对误差均小于0.04％，如图5所示。

实施例3

本实施例与实施例1大体相同，不同点在于，本实施例中的波前表征参数为第3到第9项泽尼克多项式中的任意一个泽尼克多项式系数；将泽尼克多项式系数从0开始以10

如图6所示为第3(像散)、4(离焦)、6(三叶草)、8(彗差)项泽尼克项表征下的最大可测波前的测量光斑图像；

如图7所示为第3-9项泽尼克项表征下的最大可测波前的峰谷值与传统夏克哈德曼波前传感器的最大可测波前的峰谷值的对比图；

实施例3

本实施例与实施例1大体相同，不同点在于，本实施例中的测量光斑图像中的光斑数量存在缺失，通过本发明所提供的一种大动态范围夏克哈德曼波前检测方法在缺失光斑时仍然能够实现光斑匹配；

如图8所示为测量光斑图像存在不同缺失条件(包括无缺失光斑，边缘区域缺失13％光斑，中心区域缺失17％光斑，随机缺失10％、30％、50％光斑)时的光斑匹配结果图。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。