一种基于空间光调制及神经网络的散射光聚焦方法与流程

1.本发明属于计算光学成像技术领域，具体地说涉及一种基于空间光调制及神经网络的散射光聚焦方法。


背景技术：

2.空间光调制器具有多个可控制单元，每个单元可以独立对入射到该单元上的光的相位或者振幅进行改变。其中，通过空间光调制器可以对入射光的相位或者振幅进行空间调制，实现对光束的聚焦。然而，当光经过随机散射之后，由于散射过程对入射光振幅以及相位的改变难以直接测量，因此，无法直接确定使散射光束进行聚焦所需的每一个单元上的相位或者振幅调制量。目前的解决方案主要基于波前校正方法，需要预先指定期望聚焦位置，然后用ccd等不断测量光在期望焦点处的光强，通过逐单元优化的方法或者遗传算法或者粒子群算法等全局优化方法，利用ccd反馈回的强度，不断优化空间光调制器各单元的相位或者振幅调制量，最终可以实现散射光在期望焦点位置的聚焦，进而利用散射过程的“记忆效应”，略微改变入射光的方向可以实现在焦点附近很小范围内的聚焦位置变化。但是，这种方法的主要缺点是：经过数百至数千次的反馈迭代之后，光束只能聚焦在期望焦点附近。如果需要在其他位置聚焦，需要重新进行整个波前校正过程。


技术实现要素：

3.针对现有技术的不足，为了解决上述问题，现提出一种基于空间光调制及神经网络的散射光聚焦方法，利用神经网络对空间光调制器的相位调制量进行优化，使经过随机散射的光可以在平面内一定范围任意位置聚焦，所述一定范围由图像传感器的成像面决定。
4.为实现上述目的，本发明提供如下技术方案：
5.一种基于空间光调制及神经网络的散射光聚焦方法，包括以下步骤：
6.步骤s100、初始化策略神经网络并进行随机散射光采集；
7.步骤s200、选择待聚焦位置，初始化并训练评价神经网络；
8.步骤s300、训练策略神经网络；
9.步骤s400、利用训练完成的策略神经网络输出空间光调制器的聚焦相位调制量，实现散射光在待聚焦位置聚焦。
10.进一步，步骤s100中，所述初始化策略神经网络并进行随机散射光采集方法为：
11.步骤s101、系统连接，即光源产生的光束经过空间光调制器的相位调制(即空间光调制器为相位型空间光调制器)后入射至散射介质并发生散射，用图像传感器采集位于其有效区域内的散射光强度；
12.步骤s102、设置扰动噪声强度因子α、输出相位放大系数β；
13.步骤s103、生成两个独立的一维正态分布随机数组，分别标记为数组r0、数组r1；
14.步骤s104、初始化策略神经网络，初始化后的策略神经网络以数组r0为输入，输出
数组r2；
15.步骤s105、对数组r2施加随机噪声扰动得到数组r3，数组r3与数组r1相加后乘以输出相位放大系数β以及常数π，得到数组s；
16.步骤s106、将数组s变换为与空间光调制器的独立相位调制单元匹配的数组形状，作为独立相位调制单元的相位调制量进行相位调制，并采集与所述相位调制量对应的散射光强度i；
17.步骤s107、策略神经网络保持不变，步骤s105至s106重复进行n次，记录所有的r3以及与其对应的散射光强度i，并对散射光强度i进行归一化。
18.优选的，步骤s104中，策略神经网络采取全连接神经网络结构，包含输入层、两个隐藏层以及输出层，所述输入层和隐藏层的激活函数为线性整流单元(rectified linear unit,relu)，所述输出层的激活函数为tanh函数，策略神经网络初始参数满足[-0.01，0.01]区间内的随机均匀分布。
[0019]
优选的，步骤s105中，所述施加随机噪声扰动的方法为生成一个满足标准正态分布的一维随机数组n，数组长度与数组r2长度相同，数组n乘以扰动噪声强度因子α后与数组r2相加得到数组r3。
[0020]
优选的，步骤s107中，n不小于500。
[0021]
进一步，步骤s200中，所述选择待聚焦位置，初始化并训练评价神经网络的方法为：
[0022]
采取全连接网络结构，将所有的数组r3以及与其对应的散射光强度i作为训练数据，在散射光记录平面范围内选择待聚焦位置，初始化后的评价神经网络以数组r3作为输入，计算评价神经网络的输出与散射光强度i中待聚焦位置的散射光强度之和之间的误差，采用梯度下降方法训练评价神经网络。
[0023]
优选的，评价神经网络结构包含输入层、一个隐藏层以及输出层，所述输入层、隐藏层的激活函数为relu，输出层不使用激活函数。
[0024]
优选的，评价神经网络参数使用平方和误差作为误差函数，采用均方根传播方法(root mean square prop,rmsprop)进行训练。
[0025]
进一步，步骤s300中，所述策略神经网络的训练方法为：
[0026]
策略神经网络以数组r0为输入，其输出又作为评价神经网络的输入，采用梯度上升方法，以最大化评价神经网络输出作为训练目标，训练过程中评价神经网络保持不变。
[0027]
优选的，策略神经网络采用均方根传播方法进行训练。
[0028]
进一步，步骤s400中，训练完成后的策略神经网络以数组r0为输入，输出数组r3’
，数组r3’
与数组r1相加后并乘以输出相位放大系数β以及常数π，得到数组s’，将数组s’变换为与独立相位调制单元匹配的数组形状，作为独立相位调制单元的聚焦相位调制量进行相位调制，在选择待聚焦位置实现散射光聚焦。
[0029]
进一步，改变聚焦位置时，重新进行评价神经网络的初始化及训练过程、策略神经网络的训练过程以及聚焦相位调制量输出过程，即可。
[0030]
进一步，当使用振幅型空间光调制器实现散射光聚焦时，将相位调制量改为振幅调制量，并把振幅调制量变换至空间光调制器所需的区间，即可。
[0031]
本发明的有益效果是：
[0032]
随机散射光的采集与具体聚焦位置无关，在策略神经网络和评价神经网络训练阶段，可以选择图像传感器成像面的任意区域作为聚焦位置，同时，改变不同的聚焦位置时，仅需重新进行评价神经网络的初始化定义及训练、策略神经网络的训练，即可得到聚焦所需的相位调制量，不需要重新进行重复次数较多的随机散射光采集。
附图说明
[0033]
图1是实施例中的系统连接示意图；
[0034]
图2是步骤s105中相位调制量的计算过程示意图；
[0035]
图3(a)是实施例中散射光在待聚焦位置1的聚焦效果图；
[0036]
图3(b)是实施例中散射光在待聚焦位置2的聚焦效果图；
[0037]
图3(c)是实施例中散射光在待聚焦位置3的聚焦效果图；
[0038]
图3(d)是实施例中对空间光调制器施加随机相位调制得到的随机散射光强度图；
[0039]
附图中：1-偏振片、2-空间光调制器、3-聚焦透镜、4-散射介质、5-图像传感器、6-计算机。
具体实施方式
[0040]
为了使本领域的人员更好地理解本发明的技术方案，下面结合本发明的附图，对本发明的技术方案进行清楚、完整的描述，基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的其它类同实施例，都应当属于本技术保护的范围。
[0041]
实施例：
[0042]
如图1、图2和图3所示，所述一种基于空间光调制及神经网络的散射光聚焦方法，包括以下步骤：
[0043]
步骤s100、初始化策略神经网络并进行随机散射光采集，其方法为：
[0044]
步骤s101、系统连接，如图1所示，系统包括半导体激光器、偏振片1、空间光调制器2、聚焦透镜3、图像传感器5和计算机6。具体的，半导体激光器产生中心波长为635nm的线偏振光，光束直径约为8mm，经过偏振片1入射至空间光调制器2表面，其反射光波面被相位调制。经偏振片后光的偏振方向与空间光调制器2要求的偏振方向一致。空间光调制器有效区域的长、宽均约为5.1mm，被划分为64
×
64个独立相位调制单元，每个调制单元的最大相位调制量约为3.6π。然后经聚焦透镜3聚焦后，入射至普通a4打印纸表面并发生散射，聚焦区直径约为1.2mm。用图像传感器5采集位于其有效区域内的散射光强度，成像区域大小为3.84mm
×
3.84mm。所述空间光调制器2、图像传感器5均分别与计算机6通讯连接。
[0045]
步骤s102、设置扰动噪声强度因子α＝0.05、输出相位放大系数β＝1.5。
[0046]
步骤s103、生成两个独立的一维标准正态分布随机数组，分别标记为数组r0、数组r1，数组长度均为4096。
[0047]
步骤s104、策略神经网络采取全连接网络结构，包含输入层、两个隐藏层以及输出层，策略神经网络的输出层神经元数量为4096，其余各层神经元数量均为128。输入层和隐藏层的激活函数为线性整流单元，所述输出层的激活函数为tanh函数，策略神经网络初始参数满足[-0.01，0.01]区间内的随机均匀分布。策略神经网络以数组r0为输入，输出数组r2。
[0048]
步骤s105、对数组r2施加随机噪声扰动得到数组r3，数组r3与数组r1相加后并乘以输出相位放大系数β以及常数π，得到数组s。所述施加随机噪声扰动的方法为生成一个满足标准正态分布的一维随机数组n，数组长度与数组r2长度相同，数组n乘以扰动噪声强度因子α后与数组r2相加得到数组r3。
[0049]
步骤s106、将数组s变形为64
×
64的二维数组，作为独立相位调制单元的相位调制量进行相位调制，并用图像传感器记录与所述相位调制量对应的散射光强度i。
[0050]
步骤s107、策略神经网络保持不变，步骤s105至s106重复进行1500次，记录所有的r3以及与其对应的散射光强度i，并对散射光强度i进行归一化。
[0051]
步骤s200、选择待聚焦位置，初始化并训练评价神经网络，具体方法为：
[0052]
评价神经网络采取全连接网络结构，包含输入层、一个隐藏层以及输出层，输出层神经元数量为1，其余各层神经元数量均为128。所述输入层、隐藏层的激活函数为relu，输出层不使用激活函数。将所有的数组r3以及与其对应的散射光强度i作为训练数据，在散射光记录平面范围内选择待聚焦位置，初始化后的评价神经网络以数组r3作为输入，计算评价神经网络的输出与散射光强度i中待聚焦位置的散射光强度之和之间的误差，采用梯度下降方法训练评价神经网络，评价神经网络参数采用均方根传播方法进行优化，学习率设置为1.5
×
10-3
。待聚焦位置可以选择任意位置，例如图3(a)、图3(b)和图3(c)所示位置，所选待聚焦位置均包含5
×
5个相邻像素。
[0053]
步骤s300、训练策略神经网络，具体训练方法为：
[0054]
策略神经网络以数组r0为输入，其输出又作为评价神经网络的输入，采用梯度上升方法，以最大化评价神经网络输出作为训练目标，在此过程中评价神经网络保持不变。策略神经网络参数采用均方根传播方法进行优化，学习率设置为3
×
10-5
。
[0055]
步骤s400、训练完成后的策略神经网络以数组r0为输入，输出数组r3’
，数组r3’
与数组r1相加后并乘以输出相位放大系数β以及常数π，得到数组s’，将数组s’变换为为64
×
64的二维数组，作为独立相位调制单元的聚焦相位调制量进行相位调制，在所选择的待聚焦位置上实现散射光聚焦。
[0056]
当需要改变聚焦位置时，重新进行评价神经网络的初始化定义及训练过程、策略神经网络的训练过程以及聚焦相位调制量输出过程(即步骤s200至s400)，即可，不需要再次进行重复次数较多的随机散射光强度采集过程(即步骤s100)。也就是说，本发明采用神经网络优化空间光调制器2上的相位调制量，相比于现有波前校正技术，可以实现散射光在图像传感器5记录的平面范围内任意位置的聚焦。
[0057]
图3(a)至(c)是在实施例中选择不同聚焦位置得到的聚焦效果图。图3(d)为对空间光调制器直接施加随机相位调制得到的随机散射光强度图，没有发生聚焦。对比图3(d)以及图3(a)至(c)可以直观地看出，本发明可以实现散射光在待聚焦位置的聚焦。同时，通过图3(a)至(c)可以直观地看出：本发明可以实现散射光在ccd记录平面范围内任意位置的聚焦。
[0058]
以上已将本发明做一详细说明，以上所述，仅为本发明之较佳实施例而已，当不能限定本发明实施范围，即凡依本技术范围所作均等变化与修饰，皆应仍属本发明涵盖范围内。