一种简单自适应光学系统高分辨计算成像技术

doi:10.13229/j.cnki.jdxbgxb.20240835

摘要/Abstract

摘要：

针对当前基于硬件的自适应光学技术存在的波前校正器像差校正不完全、硬件成本高及系统结构复杂等问题，本研究提出了一种全新的简单自适应光学高分辨计算成像技术。该技术在硬件上完全摒弃了传统的波前探测器件及校正器件，利用计算成像技术直接在图像层面通过深度学习算法对波前像差导致的畸变进行校正。首先，基于深度学习算法，利用一幅系统焦面退化图像一次性解算出大气湍流像差；然后，基于解算的波前像差对退化图像进行解卷积操作，从而获得观测目标的高分辨重建。结果表明，在配置的硬件环境下基于提出的深度神经网络能够快速、高精度地解算出大气湍流像差，基于解算像差利用解卷积策略复原的图像与未校正的图像相比，其成像质量有大幅度提升，实现了完全无硬件的简单自适应光学高分辨成像。

关键词: 自适应光学, 简单成像系统, 计算成像, 深度学习

Abstract:

Aimed at the problems of current hardware-based adaptive optics including incomplete wavefront correction， high hardware cost， and complexity of the system structure， this paper proposed a new simple adaptive optics to achieve high resolution imaging of the observed target. It completely abandoned the traditional wavefront detection and correction devices， while used computational imaging technology to directly correct the wavefront aberrations at the image level through deep learning algorithm. Firstly， based on deep learning algorithm， a system focal plane degraded image is used to calculate atmospheric turbulence aberrations once and for all. Then based on the resolved turbulence aberrations， a deconvolution is processed to the degraded image to obtain high-resolution reconstruction of the observed object. The simulation results show that the proposed deep neural network can solve the atmospheric turbulence aberrations with high accuracy and high speed under the configured hardware environment. The quality of the image recovered by the deconvolution strategy based on the solved aberrations is greatly improved compared with the degraded image without correction， and the high-resolution imaging for the proposed simple adaptive optics without hardware is realized

Key words: adaptive optics, simple imaging system, computational imaging, deep learning

中图分类号:

O436

岳丹,王崇帅,杨亚廷,聂海涛,揣雅惠. 一种简单自适应光学系统高分辨计算成像技术[J]. 吉林大学学报(工学版), 2026, 56(2): 543-554.

Dan YUE,Chong-shuai WANG,Ya-ting YANG,Hai-tao NIE,Ya-hui CHUAI. High resolution computational imaging technology for a simple adaptive optics system[J]. Journal of Jilin University(Engineering and Technology Edition), 2026, 56(2): 543-554.

图/表 16

图1

图2

图3

图4

图5

图6

表1

图7

图8

图9

图10

图11

表2

表3

4种湍流强度下“卫星”观测目标的复原效果 (评价指标具体数值)"

大气湍流 $D / r 0$	退化图像		功率谱比C	复原图像
大气湍流 $D / r 0$	MSE	PSNR/dB	功率谱比C	MSE	PSNR/dB
5	240.98	24.31	0.01	18.61	35.43
			0.000 1	0.60	50.34
			0.000 01	0.62	50.21
10	364.23	22.52	0.01	41.11	32.00
			0.000 1	14.60	36.49
			0.000 01	16.61	35.93
15	542.53	20.79	0.01	124.24	27.19
			0.000 1	44.19	31.68
			0.000 01	73.31	29.48
20	721.64	17.18	0.01	173.68	22.21
			0.000 1	58.34	26.37
			0.000 01	79.57	25.08

表3

表4

表5

4种湍流强度下观测目标“分辨率板”的复原效果评价指标具体数值"

大气湍流 $D / r 0$	退化图像		功率谱比C	复原图像
大气湍流 $D / r 0$	MSE	PSNR/dB	功率谱比C	MSE	PSNR（dB）
5	234.14	24.44	0.01	5.24	41.12
			0.000 1	1.06	47.87
			0.000 01	5.06	42.29
10	403.28	22.37	0.01	248.73	23.95
			0.000 1	22.04	38.57
			0.000 01	28.92	36.52
15	720.32	13.33	0.01	357.28	22.78
			0.000 1	42.76	34.83
			0.000 01	48.76	32.79
			0.01	420.14	19.66
20	896.47	9.68	0.000 1	62.63	31.92
			0.000 01	67.47	30.15

表5

参考文献 20

[1]	姜文汉. 自适应光学技术[J]. 自然杂志, 2006, 28(1): 7-13.
	Jiang Wen-han. Adaptive optics technology[J]. Natural Science Journal, 2006, 28(1): 7-13.
[2]	张雨东, 饶长辉, 李新阳. 自适应光学及激光操控[M]. 北京: 国防工业出版社, 2016.
[3]	杨尚君, 梁静远, 吴加丽, 等. 逆向传输标定法校正自适应光学非共光路像差[J]. 光学学报, 2023, 43(12): 102-112.
	Yang Shang-jun, Liang Jing-yuan, Wu Jia-li, et al. Calibration of adaptive pptics non-coaxial optical path aberrations by reverse transmission method[J]. Acta Optica Sinica, 2023, 43(12): 102-112.
[4]	吴加丽, 柯熙政. 无波前传感器的自适应光学校正[J]. 激光与光电子学进展, 2018, 55(3): 133-139.
	Wu Jia-li, Ke Xi-zheng. Adaptive optical correction of wavefront free sensor[J]. Laser and Optoelectronics Progress, 2018, 55(3): 133-139.
[5]	Song H, Fraanje R, Schitter G, et al. Model-based aberration correction in a closed-loop wavefront-sensor-less adaptive optics system[J]. Optics Express, 2010, 18(23): No.24070.
[6]	雍佳伟, 田雨, 许克峰,等. 一种结合图像复原技术的自适应光学系统控制方法[J]. 物理学报, 2020, 69(6): 253-262.
	Yong Jia-wei, Tian Yu, Xu Ke-feng, et al. An adaptive optical system control method combined with image restoration [J]. Acta Physica Sinica, 2020, 69(6):253-262.
[7]	刘有海, 秦天翔, 王英策, 等. 简单光学成像技术及其研究进展[J]. 物理学报, 2023, 72(8): 119-144.
	Liu You-hai, Qin Tian-xiang, Wang Ying-ce, et al. Simple optical imaging technology and its research progress[J]. Acta Physica Sinica, 2019, 72(8): 119-144.
[8]	王新华, 郝建坤, 黄玮, 等. 基于简单透镜计算成像的图像复原重建[J]. 吉林大学学报: 工学版, 2017, 47(3): 965-972.
	Wang Xin-hua, Hao Jian-kun, Huang Wei, et al. Image restoration and reconstruction based on simple lens computational imaging[J]. Journal of Jilin University (Engineering and Technology Edition), 2017, 47 (3):965-972.
[9]	Nishizaki Y, Valdivia M, Horisaki R, et al. Deep learning wavefront sensing[J]. Optics Express, 2019, 27(1): 240-251.
[10]	Tian Q H, Lu C D, Liu B, et al. DNN-based aberration correction in a wavefront sensorless adaptive optics system[J]. Optics Express, 2019, 27(8): 10765-10776.
[11]	Guo H Y, Xu Y J, Li Q, et al. Improved machine learning approach for wavefront sensing[J]. Sensors, 2019, 19(16): No.s19163533.
[12]	石保顺, 吴一凡, 练秋生. 基于内-外部互补先验的亚像素分辨率衍射成像算法研究[J]. 燕山大学学报, 2023, 47(4): 347-358.
	Shi Bao-shun, Wu Yi-fan, Lian Qiu-sheng. Subpixel resolution diffraction imaging algorithm based on internal-external complementary prior[J]. Journal of Yanshan University, 2023, 47(4): 347-358.
[13]	石保顺, 吴一凡, 练秋生. 基于无监督学习的编码衍射成像方法研究[J]. 燕山大学学报, 2023, 47(1): 54-63.
	Shi Bao-shun, Wu Yi-fan, Lian Qiu-sheng. Research on coding diffraction imaging based on unsupervised learning[J]. Journal of Yanshan University, 2023, 47(1): 54-63.
[14]	陈欣欣, 苑克娥, 时东锋, 等. 大气湍流对空基光学成像系统影响的仿真研究[J]. 光学学报, 2022, 42(18): 1-9.
	Chen Xin-xin, Yuan Ke-e, Shi Dong-feng, et al. Simulation study on the effect of atmospheric turbulence on space-based optical imaging system[J]. Acta Optica Sinica, 2022, 42(18): 1-9.
[15]	饶瑞中, 袁仁民. 实验室湍流模拟装置在大气光学中的应用[J]. 光学学报, 2023, 43(12): 9-15.
	Rao Rui-zhong, Yuan Ren-min. Application of laboratory turbulence simulator in atmospheric optics[J]. Acta Optica Sinica, 2023, 43(12): 9-15.
[16]	陈民安. 基于神经网络的无线光波前校正理论与实验研究[D]. 合肥: 中国科学技术大学信息科学技术学院, 2020.
	Chen Min-an. Theoretical and experimental research of wireless light wavefront correction based on neural network[D]. Hefei: School of Information Science and Technology, University of Science and Technology of China, 2020.
[17]	林嘉. 基于EfficientNet的行人重识别及目标识别研究[D]. 南京: 南京邮电大学通信与信息工程学院, 2024.
	Lin Jia. Research on pedestrian re-recognition and Ntarget recognition based on EfficientNet [D]. Nanjing: School of Communication and Information Engineering, Nanjing University of Posts and Telecommunications, 2024.
[18]	宝音图, 刘伟, 牛朝阳, 等. 联合集成学习与EfficientNet的光学遥感图像场景分类[J]. 计算机工程, 2021, 47(10): 226-235.
	Bao Yin-tu, Liu Wei, Niu Zhao-yang, et al. Optical remote sensing image scene classification based on combined ensemble learning and EfficientNet[J]. Computer Engineering, 2021, 47(10): 226-235.
[19]	Michael J A, Peter A, Marfo Y M, et al.The use of Efficientnet_b0 network to identify COVID-19 in chest X-ray images[J]. Journal of Electrical Systems and Information Technology, 2024, 11(1): No.s43067.
[20]	王允森, 王勇, 左晨, 等. 基于维纳滤波和综合评价因子的遥感图像复原[J]. 空间电子技术, 2021, 18(3): 13-20.
	Wang Yun-sen, Wang Yong, Zuo Chen, et al. Remote sensing image restoration based on Wiener filter and comprehensive evaluation factor[J]. Space Electronics Technology, 2021, 18(3): 13-20.

相关文章 15

[1]	蔡晓东,龙顺宏,梁焜峻. 基于增强对象学习和注意力网络的视频描述方法[J]. 吉林大学学报(工学版), 2026, 56(2): 516-522.
[2]	姚宗伟,陈辰,高振云,靳鸿鹏,荣浩,李学飞,黄虹溥,毕秋实. 基于合成图像数据集的挖掘机关键点识别[J]. 吉林大学学报(工学版), 2026, 56(1): 76-85.
[3]	王琳虹,刘宇阳,刘子昱,鹿应佳,张宇恒,黄桂树. 基于YOLOv5的轻量化桥梁缺陷识别[J]. 吉林大学学报(工学版), 2025, 55(9): 2958-2968.
[4]	刘元宁,王星喆,黄子彧,张家晨,刘震. 基于多模态数据融合的胃癌患者生存预测模型[J]. 吉林大学学报(工学版), 2025, 55(8): 2693-2702.
[5]	廉敬,张继保,刘冀钊,张家骏,董子龙. 基于文本引导的人脸图像修复[J]. 吉林大学学报(工学版), 2025, 55(8): 2732-2740.
[6]	袁靖舒,李武,赵兴雨,袁满. 基于BERTGAT-Contrastive的语义匹配模型[J]. 吉林大学学报(工学版), 2025, 55(7): 2383-2392.
[7]	徐慧智,郝东升,徐小婷,蒋时森. 基于深度学习的高速公路小目标检测算法[J]. 吉林大学学报(工学版), 2025, 55(6): 2003-2014.
[8]	张汝波,常世淇,张天一. 基于深度学习的图像信息隐藏方法综述[J]. 吉林大学学报(工学版), 2025, 55(5): 1497-1515.
[9]	李健,刘欢,李艳秋,王海瑞,关路,廖昌义. 基于THGS算法优化ResNet-18模型的图像识别[J]. 吉林大学学报(工学版), 2025, 55(5): 1629-1637.
[10]	文斌,丁弈夫,杨超,沈艳军,李辉. 基于自选择架构网络的交通标志分类算法[J]. 吉林大学学报(工学版), 2025, 55(5): 1705-1713.
[11]	李振江,万利,周世睿,陶楚青,魏巍. 基于时空Transformer网络的隧道交通运行风险动态辨识方法[J]. 吉林大学学报(工学版), 2025, 55(4): 1336-1345.
[12]	赵孟雪,车翔玖,徐欢,刘全乐. 基于先验知识优化的医学图像候选区域生成方法[J]. 吉林大学学报(工学版), 2025, 55(2): 722-730.
[13]	金虎,申玉生,方勇,于丽,周佳媚. 基于深度学习SSD算法的公路隧道衬砌细小裂缝识别[J]. 吉林大学学报(工学版), 2025, 55(11): 3653-3659.
[14]	蔡晓东,黄业洋,董丽芳. 基于增强正例与层间负例的语义相似性模型[J]. 吉林大学学报(工学版), 2025, 55(11): 3705-3714.
[15]	姜来为,王策,杨宏宇. 基于深度学习的多目标跟踪研究进展综述[J]. 吉林大学学报(工学版), 2025, 55(11): 3429-3445.

Metrics

Viewed

Full text

Abstract

Cited

Shared

Discussed

原始图像	原始波前		退化图像	预测波前	复原图像（C=0.01）	复原图像（C=0.000 1）	复原图像（C=0.000 01）

原始图像	原始波前		退化图像	预测波前	复原图像（C=0.01）	复原图像（C=0.000 1）	复原图像（C=0.000 01）