Zernike多项式法生成相位理论推导及图像引导实现原理

这个调节思路其实和波前整形是不一样的，波前是调节初始光引导光穿过散射介质的研究，而自适应调节更像是波后调节--因为OA的初始用途就是天文学中断流扰动问题。在OA中调节原理还区分有无波前传感器的区别。这种区别更像是反馈调节的信息区别，波前传感器可以探知到波前畸变的信息，而没有波前传感器的话，这是大部分的实验室常见的研究方向。这种方向其实是通过CCD或者其他图像探测设备来优化探测的某一指标。

无波前传感原理图

对探测器采集图像获得的畸变光强分布，利用选取的性能指标，通过波前控制器的控制算法计算得到下一步需要校正的面型，产生控制信号，再由波前控制器驱动校正器(DM)
校正，经过一步步的迭代，使得性能指标朝着极值方向，直至达到我们想要的性能后停止。

有波前传感系统原理图

由波前探测、控制和校正三大部分依次工作，传感器探测波前畸变信息，并传递给控制器使其通过相应的控制算法，产生校正器要施加的控制信号，从而能够实时的校正畸变。相比于前面所讲的无波前探测自适应通过某一性能指标进行迭代，波前校正量与待校正波前畸变之间的相关性不足，导致波前残差收敛慢（校正带宽低），效率低等缺点。而有波前传感器波前校正量是对待校正波前畸变探测后得到的，在理想情况下，两者之间是高度相关的，所以可以通过一次（一个控制周期）校正就能达到较高的精度，实时性高。

因此，这里重点研究指标是无波前传感器叠加图像探测器，所以在正式文案的第一个点就是探讨OA优化指标、波前整形指标、还有最近前沿的优化指标。

关于相位计算问题补充

对于使用CCD设备来说，探测器可以探测强度，其实就根本没办法直接探测到相位的变化的。但是就这个问题而言，其实是在OA领域有解决方案的。这种方案就是利用光强反向算出Zernike多项式，将多种Zernike分量叠加可以生成总的相位。这种方法其实非常有意思，在上面这张结构图的中，是一种神经网络叠加Zernike的相位。

关于结构图的改进

下图是第一次分享的时候制作的SVG图片，当时我第一次认为是同时使用两路神经网络来反向生成图片，这在论文后面附加解释中也是按照这种思路来理解。但是通过阅读OA的理解深入以后，这个相位和光强还可以做一个不一样的处理。首先是我知道了光强可以反推相位，然后是相位可以反推的。那么是不是可以只需要留一个就行了，然后利用这个关系互推就行，这个后面可以再深入再考虑。

光束质量评价指标

最常用的的几种性能指标函数：

1、波前整形性能指标：

$\eta=\frac{I_{opt}}{I_{ref}}$

2、OA领域五种指标：

1、光强均匀度

光强均匀度定义为平均强度 $\left\langle I\right\rangle$ 与峰值强度 $I_{_{\mathrm{max}}}$ 之比，用于描述激光束近场分布均匀性

$U=\frac{\left\langle I\right\rangle}{I_{\max}}$

2、斯特列尔比(Strehl Ratio)
斯特列尔比(SR)是光束经过有畸变系统后的峰值光强 $I_{\max,\text{real}}$ 与无畸变系统后
的峰值光强 $I_{\max,\text{ideal}}$ 比。即

$SR=\frac{I_{\max,\text{real}}}{I_{\max,\text{ideal}}}$

3、桶中功率比（BQ）
桶中功率比又称环围功率比，定义为相同桶尺寸内理想光斑环围功率与实际
光斑环围功率比的方根值

$BQ=\sqrt{\frac{P_{\mathrm{ideal}}}{P_{\mathrm{real}}}}$

4、像清晰度函数

像清晰度函数即光斑中的每一点光强平方之和，值越大，表示校正效果越好，
越理想

$S=\iint I^2\left(x,y\right)dxdy$

5、相关系数
相关系数即实际光斑与理想光斑的相似程度，值越大，表示校正效果越好，表达式为

$J_c=\frac{\sum\left(I-\overline{I}\right)\left(I_i-\overline{I}_i\right)}{\sqrt{\sum\left(I-\overline{I}\right)^2\left(I_i-\overline{I}_i\right)^2}}$

其中 $I$ 为菲涅耳衍射公式计算得到的理想远场光斑分布， $I_i$ 为每次迭代所得的实际光斑分布。相比于其他指标，相关系数指标在收敛效果上差，但其在收敛速度上存在明显的优势。

3、图像引导评价指标

1、熵焓： $H\left(I_{norm}\right)=-\sum_{m}\sum_{n}I_{norm}[m,n]\log\left(I_{nom}[m,n]\right)$

2、像素光强： $\frac{p_{matched}}{p_{opl}}=\frac{\sum_nI_{obj}^2[n]/\sum_nI_{obj}[n]}{I_{obj}[m]}$

3、静态指标 $\mathcal{L}_{\mathrm{static}}(O,\Phi)=\sum_{i=1}^{L}\parallel I_{i}-O*|\mathcal{F}[M\circ e^{j(\Phi+\Gamma_{i})}]\mid^{2}\parallel^{2}$

4、动态评估 $\mathcal{L}_\text{dynamic}[O(t_\mathrm{i}),\Phi(t_\mathrm{i})]=\sum_{i=1}^L \|I(t_\mathrm{i})-O(t_\mathrm{i})*|\mathcal{F}\{M\circ e^{j\left[\Phi(t_\mathrm{i})+\Gamma_\mathrm{i}\right]}\}|^2\|^2$

Zernike多项式

Zernike条纹多项式又称为“University of Arizona”多项式，由James C. Wyant教授提出，它属于Zernike标准多项式的另一种表达。?在三维测量中，当真实相位被截断时，真实相位 $\phi$ 和包裹相位 $\varphi$ 之间关系如下：?
$\varphi\big(x,y\big)=\omega\big(\phi\big(x,y\big)\big)$

$\omega()$ 表示真实相位被包裹的过程，可以表示为：?
$\omega(x)=\arctan\left(\sin(x)/\cos(x)\right)$

通常，大多数包裹的相位图都是平滑的、连续的，因此真实的相位图可以用一系列正交Zernike多项式进行表示：

$\phi\left(x,y\right)=\sum_{i=1}^sc_iZ_i\left(x,y\right)$

式中 $Z_i(x,y)$ 表示单位圆中定义的第i个Zernike多项式， $c_i$ 表示对应的系数， $s$ (通常设为36)表示多项式的个数。Zernike多项式定义在极坐标下可表示为：

$\left.\left.\begin{array}{l}Z_{eveni}=R_{n}^{m}\left(\rho\right)\cos m\theta\\Z_{oddi}=R_{n}^{m}\left(\rho\right)\sin m\theta\end{array}\right.\right\}m\neq0$

$Z_i=R_n^m\quad m=0$

式中 $R_n^m(\rho )$ 代表Zernike多项式径向多项式， $\rho$ 代表距离原点的径向距离， $cos(m\theta )$ 和 $sin(m\theta )$ 代表角度函数， $m$ 代表角度频率， $\theta$ 代表与 $x$ 轴的夹角。 $i$ 表示序号， $m$ 表示角度频率， $n$ 为方位频率

$Z_{eveni}$ 和 $Z_{oddi}$ 是Zernike多项式在极坐标下的一个分量。它与径向多项式 $R_n^m(\rho )$ 和角度函数的乘积给出了Zernike多项式在极坐标下的值：

$R_{n}^{m}\left(\rho\right)=\sum_{k=0}^{\frac{(n-m)}{2}}\frac{\left(-1\right)^{k}\left(n-k\right)!}{k!\left(\frac{n+m}{2}-k\right)^{k}!\left(\frac{n+m}{2}-k\right)^{k}!}\rho^{n-2k}$

Zernike多项式还可以进一步表示为：

$\begin{cases}m\neq0&\begin{cases}Z_j\left(\rho,\theta\right)=\sqrt{2\left(n+1\right)}R_n^m\left(\rho\right)\cos m\theta&j\in even\\Z_j\left(\rho,\theta\right)=\sqrt{2\left(n+1\right)}R_n^m\left(\rho\right)\sin m\theta&j\in odd\end{cases}\\m=0&Z_j\left(\rho,\theta\right)=\sqrt{\left(n+1\right)}R_n^0\left(\rho\right)\end{cases}$

不同阶数的Zernike多项式在极坐标下的表达式，对应于不同的像差。下列是生成的前60阶Zernike像差，可以看出，低阶项较为平滑，细节不足，随着阶数的增加，细节增加。

Zernike像差解析表达式

前60阶Zernike多项式相位分布图

?这些多项式根据其径向阶n和方位角频率m进行组织。径向分量描述了多项式如何随半径ρ而变化。例如，径向阶为2的模意味着描述该模的多项式有一个数学项，其中最高幂是2，即它有一个 $\rho ^2$ 项。正数代表余弦变化，负数代表正弦变化。方位角频率描述了多项式如何随角度 $\theta$ 而变化。例如，值为2表示多项式随 $cos(2\theta )$ 而变化。

基于Zernike多项式拟合的相位展开状态空间模型

$\varphi\left(x,y\right)=\omega\Bigg(\sum_{i=1}^{s}c_{i}Z_{i}\left(x,y\right)\Bigg)$

$\omega()$ 可以是数学公式公式，也可以是神经网络

Zernike多项式法生成相位

利用Zernike生成相位屏，不同于傅里叶变换法（功率谱法）生成相位屏，此方法的低频充分，但存在高频不足的问题，需要增加阶数进行补偿。这种方法是从计算各阶系数入手，而非功率谱的相位阵列，要考虑各阶的相关，先通过相位功率谱函数求得协方差

$\left\langle a_i^*a_j\right\rangle=\frac{1}{\pi^2}\int_0^1\int_0^{2\pi}\left\langle\varphi\left(r\right)\varphi\left(r'\right)\right\rangle Z_i^*\left(r\right)Z_j\left(r'\right)\mathrm{d}r\mathrm{d}r^{\prime}$

$\left\langle\varphi(r)\varphi(r^{\prime})\right\rangle$ 的相位结构函数，当 $i-j$ 为奇数数时，协方差为零，为偶数时为
$\begin{aligned} M_{i,j}& =\left\langle a_{i}a_{j}\right\rangle \\ &=0.15\biggl(\frac D{r_0}\biggr)^{\frac53}\frac{\left(-1\right)^{\frac{n_i+n_j-2m_i}2}\biggl[\left(n_i+1\right)\bigl(n_j+1\bigr)\biggr]^{1/2}\Gamma\left(\frac{14}3\right)\Gamma\biggl(\frac{n_i+n_j-5/3}2\biggr)\delta_{m_{jm_j}}}{\Gamma\biggl(\frac{n_i-n_j+17/3}2\biggr)\Gamma\biggl(\frac{n_j-n_i+17/3}2\biggr)\Gamma\biggl(\frac{n_i+n_j+23/3}2\biggr)} \end{aligned}$

其中 $\Gamma$ 为Gamma函数，n、m为第j项Zernike多项式的径向和角向频率数。

可以看出，协方差矩阵不全为零，即Zernike多项式之间并非完全统计独立的，这将为随机数分布的产生带来问题，所以要借助转换，而K-L函数的向量是完全不相关的，作为很好的选择，可以先计算出其独立变量的系数B，再经过转换，得到Zernike系数A

$A=U^{T}B$

其中 $U^T=U^{-1}$ 是幺正矩阵，且满足 $UMU^T=S$ 为对角矩阵， $XSX^T=M$ 通过奇异值
分解可以求得幺正矩阵X， $X^T=U$ 。

由于Zernike一阶项为活塞像差，不影响相位分布，所以从第二项开始考虑，协方差矩阵

$M=E\left(AA^T\right)=\begin{vmatrix}E\left(a_2a_2\right)&E\left(a_2a_3\right)&\cdots&E\left(a_2a_m\right)\\E\left(a_3a_2\right)&E\left(a_3a_3\right)&\cdots&E\left(a_3a_m\right)\\\vdots&\vdots&\ddots&\vdots\\E\left(a_ma_2\right)&E\left(a_ma_3\right)&\cdots&E\left(a_ma_m\right)\end{vmatrix}$

由A和B的关系易的一个新的协方差矩阵
$E\left(BB^T\right)=E\left(UAA^TU^T\right)=S$

由于S是对角矩阵，所以B是不相关的统计独立的高斯随机变量，均值为零，方差由对角矩S阵给出。

光强分布求波前相位-GS

?从如何从测得的光强分布求波前相位的思考，对基于焦平面成像的波前探测技术进行了研究。对近轴传输的波动方程

$\left[\nabla_{\perp}^{2}+2\text{j}k\frac{\partial}{\partial z}+2k^{2}\right]u=0$

其中 $u=\left|u\right|\exp\left(j\varphi\right)$ ，对光场取共轭后，运算可得

$k\dfrac{\partial I}{\partial z}+\nabla I\nabla\varphi=0$

由上式可知，某一平面上的相位分布，可以通过可探测的传输轴上的两个截面的光强分布求得，但解析解难求。1972年，由Gerchberg及Saxton提出了GS算法，算法利用迭代的思想，即由已知的像平面和出瞳上的光强分布作为约束条件，设置循环条件多次迭代得到畸变光束的瞬时相位分布，然后与初始相位做差可得到相位畸变 $\varphi _{DM}$ ，对相位畸变取共轭后加载至波前校正器可实现畸变校正补偿。

$\varphi_{_\mathrm{res}}=\varphi_{_{in}}+\varphi_{_{DM}}$

其中 $\varphi _{in}$ 为湍流导致的波前畸变， $\varphi _{DM}$ 为计算得到的相位畸变的共轭， $\varphi _{res}$ 为校正残差。所以校正会有误差存在，可以用校正后的光场分布与理想情况比较，相位畸变误差

$\varepsilon=\overline{\left(\left|u_1-u_0\right|\right)}$

其中 $u_1$ 为校正后光场分布， $u_0$ 为理想光场分布。

已知近场和远场的光强分布，首先给定一个初始相位分布 $\varphi _0(x,y)$ ，根据光束而定，一般选为零相位面，与近场振幅分布 $\left | E(x,y) \right |=\sqrt{I(x,y)}$ 构成入射光的复振幅分布

$E\left(x,y\right)=\left|E\left(x,y\right)\right|\exp\left(j\varphi_0\left(x,y\right)\right)$

即初始为平面波入射，对其做傅里叶变换，得到焦面复振幅分布

$E\left(u,\nu\right)=\left|E^{\prime}\left(u,\nu\right)\right|\exp\left(\text{j}\varphi\left(u,\nu\right)\right)$

振幅 $\left|E^{\prime}\left(u,\nu\right)\right|$ 由测得的 $\left|E\left(x,y\right)\right|$ 替换，再进行傅里叶逆变换得到下一次的迭代的相位，回到公式 $\left|E\left(x,y\right)\right|$ ,进行新一轮的迭代，直到达到预定的近似程度或迭代次数的条件时，输出此时的相位。

更快的迭代方法SPGD

除了上面利用相位信息方法，最常用的就是1997年提出的随机并行扰动梯度下降（SPGD）算法，该算法可调参数少，实现起来较为简单，对动态波前畸变校正效果已经经过多年研究，证实了其效率和优越性。是目前最为常用的无模型控制方法。作为一种盲优化算法，无需知道控制电压与评价函数之间的关系，只需根据性能指标的变化来确定最优的控制电压的搜索方向，每次通过控制电压对变形镜施加随机微小扰动，通用性强，但由于波前校正量与待校正波前畸变之间的相关性不足，需要进行多次迭代计算，因此其收敛速度相对较慢。

对于N个单元的无波前探测的AO系统，将扰动 $\left\{\delta u_j\right\}(j=1,...N)$ 并行施加到N个单元。数学证明，对于相互统计独立且随机的扰动 $\left\{\delta u_j\right\}$ ，在不影响收敛的前提下，可以将各扰动看成伯努利分布，即相同扰动幅值取正负的概率相同

$P\Big(\delta u_j=\pm\sigma\Big)=0.5$

其中 $u_j$ 为波前校正器的控制信号。系统性能指标 $J(u)$ 为控制信号 $u_j$ 的函数，AO的目标即通过算法迭代获得合适的控制信号，从 $u_j$ 得到最优 $J(u)$ 。性能指标变化
量为 $\delta J^{(n)}$

$\delta J^{(n)}=J\left(u_1^{(n)}+\delta u_1,...u_j^{(n)}+\delta u_j...u_N^{(n)}+\delta u_N\right)-J\left(u_1^{(n)},...u_j^{(n)}...u_N^{(n)}\right)$

$u_j^{(n+1)}=u_j^{(n)}+k\delta J^{(n)}\delta u_j^{(n)}$

其中k为增益系数，正负由性能指标的决定，性能指标向极大值优化时取正，否则，取负。

基于Zernike模式的SPGD

通过Zernike相位屏的生成占比，可以看到，对湍流引起的波前畸变中，低阶像差在湍流中的占比大，权重高，本文基于Zernike多项式的特殊性，提出用Zernike多项式作为扰动项，来优化SPGD算法的迭代次数。对低阶像差进行迭代，速度快、适用范围广、实验工作量小，对第i阶Zernike像差校正，分别生成此阶数的正负单位像差，利用变形镜拟合Zernike像差，根据探测的光斑信息，判断性能指标的变化，生成下一次迭代的面型，原理与传统的相同，只是扰动对象由变形镜拟合的连续的Zernike像差代替由变形镜随机驱动器的电压。

文章来源:https://blog.csdn.net/weixin_47567401/article/details/135407711
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若内容造成侵权/违法违规/事实不符，请联系我的编程经验分享网邮箱：chenni525@qq.com进行投诉反馈，一经查实，立即删除！