(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111389079.8 (22)申请日 2021.11.22 (71)申请人 中国科学院光电技 术研究所 地址 610209 四川省成 都市双流3 50信箱 (72)发明人 马霞飞　谢宗良　马浩统　杨开元　 刘洋　史建亮　任戈　 (74)专利代理 机构 北京科迪生专利代理有限责 任公司 1 1251 代理人 江亚平 (51)Int.Cl. G06F 30/27(2020.01) (54)发明名称 一种基于卷积神经网络的共相误差校正方 法 (57)摘要 本发明公开了一种基于卷积神经网络的共 相误差校正方法， 可用于光学合成孔径成像系统 共相误差的实时校正。 本方法将 仿真生成的光学 合成孔径成像图像和对应加载的子孔径共相误 差分别作为单卷积神经网络的输入和输出， 让网 络进行有监督学习， 不断更新网络的权值和偏 置， 使其逼近二者的映射关系， 训练完成后的网 络可基于单帧焦面实验图像对光学合成孔径平 台共相误差进行端到端的检测。 由于在实际系统 上采集训练集面临非常多的问题， 目前基于卷积 神经网络的共相误差检测技术还难以实用化。 本 方法无需采集实验训练图像， 大大降低了网络训 练的难度， 且光路简单， 普适性强， 实时性好， 对 光学合成孔径成像技术的实用化进程具有积极 的推动作用。 权利要求书1页 说明书4页 附图4页 CN 114117904 A 2022.03.01 CN 114117904 A 1.一种基于卷积神经网络的共相误差校正方法， 其特 征在于： 具体步骤如下： 步骤1)、 建立光学合成孔径数值仿真研究平台， 基于单波长点目标成像， 将光学合成孔 径成像图像和对应加载的子孔径共相误差 分别作为卷积神经网络的输入和输出， 构造仿真 训练集； 其中所述 光学合成孔径成像图像为焦面 点扩散函数图像； 步骤2)、 搭建卷积神经网络， 所述卷积神经网络包括多个卷积层， 池化层， BN层和全连 接层， 最后一个全连接层作为回归层， 直接 输出共相误差预测值； 步骤3)、 使用仿真训练集让网络进行有监督学习， 并通过数据前向传播和误差反向传 播更新网络的权重， 多次迭代之后使网络逼近光学合成孔径成像图像和对应加载的子孔径 共相误差之间的映射关系， 损失函数降到一定值后结束训练， 得到训练完 善的网络； 步骤4)、 将光学合成孔径成像系统实时采集到的图像输入到步骤3)中训练完善的网 络， 网络执 行一次数据前向传输即可 得到共相误差检测结果， 实现实际系统的闭环共相。 2.根据权利要求1所述的基于卷积神经网络的共相误差校正方法， 其特征在于： 在所述 的步骤1)中， 仿真生成的光学合成孔径焦面点扩散函数图像进 行归一化处理作为神经网络 的输入图像， 对应加载的子孔径共相误差值作为网络的输出。 3.根据权利要求1所述的基于卷积神经网络的共相误差校正方法， 其特征在于： 在所述 的步骤2)中， 卷积神经网络架构中池化操作采用最大池化， 选择ReLu函数作为非线性激活 函数， 损失函数定义为预测值与期望值之间的均方根误差； BN(Batch  Normalization)即批 归一化处理用在卷积层后重新调整数据分布， 有利于减轻对参数初始化的依赖， 同时加快 训练速度。 4.根据权利要求1所述的基于卷积神经网络的共相误差校正方法， 其特征在于： 在所述 的步骤3)中， 在网络训练过程中， Adam优化算法基于仿 真训练数据迭代更新神经网络权重； 为防止过拟合， 测试和训练交替进行， 综合训练和测试结果在出现过拟合之前结束训练， 保 证网络的泛化能力。 5.根据权利要求1所述的基于卷积神经网络的共相误差校正方法， 其特征在于： 在所述 的步骤4)中， 训练得到的网络可以从单帧焦面点扩散函数图像中提取光学合成孔径成像系 统全子孔径共相误差， 所需光学 元件少， 光路简单。 6.根据权利要求5所述的基于卷积神经网络的共相误差校正方法， 其特征在于： 对于训 练好的网络， 待检测图像输入网络后只需要 执行一次数据前向传输 即可得到图像对应的共 相误差预测值， 实现端到端的共相误差 探测， 理论上 可以达到非常高的实时性。 7.根据权利要求5所述的基于卷积神经网络的共相误差校正方法， 其特征在于： 该方法 既可用于单波长共相检测， 也 适用于宽带光共相检测。权　利　要　求　书 1/1 页 2 CN 114117904 A 2一种基于卷积神经 网络的共相误差校正方 法 技术领域 [0001]本发明属于光学合成孔径成像领域， 特别涉及一种适用于光学合成孔径成像系统 的共相误差校正方法。 背景技术 [0002]光学合成孔径成像系统的概念最初是由A.B.Meinel于20世 纪70年代提出， 通过多 个子孔径排布组合的方式可以等效地达到与传统单一口径望远镜相当的高分辨率。 光学合 成孔径成像系统制 造难度低， 且可以实现轻量化， 为突破望远镜系统口径的限制提供了可 能。 为实现高分辨率成像， 光学合 成孔径成像系统中各个子孔径之间必须共相， 否则会导致 成像像质严重下降。 因此， 共相误差的探测与校正是实现光学合成孔径高分辨率成像的关 键。 [0003]对于共相误差的检测已发展出许多方法， 包括改进夏克 ‑哈特曼传感器， 四棱锥探 测器和色散条纹探测器等等， 但这些方法需要加入额外的光学元件， 使得系统的复杂度提 高。 基于图像的相位差法可以在一定程度上简化系统， 但算法 复杂度高， 大量的迭代优化也 使其计算量非常高。 利用卷积神经网络(convolutional  neural network,CNN)进行共相误 差探测的方法近来得到 了国内外的普遍关注。 [0004]研究者们利用一个或多个神经网络进行有监督学习， 对光强分布及对应共相误差 之间的非线性关系进 行拟合， 使得训练后的神经网络可以基于光学合成孔径成像图像检测 出系统中存在的共相误差。 神经网络的学习过程往往需要大量的训练数据， 对于由十几个 甚至几十个子孔径组成的光学合成孔径系统， 要实现精确的共相误差探测所需的训练样本 数量可能是几十上百万。 然而， 在实际系统上进行这种 数量级的图像采集面临非常多的问 题， 抖动和相位延迟等因素都可能导致采集到的图像与加载的共相误差不一致， 从而使网 络无法进行有效的学习。 发明内容 [0005]为克服现有方法的问题和局限， 本发明提供一种基于卷积神经网络的共相误差校 正方法， 采用仿真驱动的思路， 利用仿真数据训练得到的网络即可实现对实际光学合成孔 径成像系统的共相误差探测， 对光学合成孔径成像技术的实用化进程具有积极的推动作 用。 [0006]本发明采用的技术方案是： 一种基于卷积神经网络 的共相误差校正方法， 其具体 步骤如下： [0007]步骤1)、 建立光学合成孔径数值仿真研究平台， 基于单波长点目标成像， 将光学合 成孔径成像图像和对应加载的子孔径共相误差 分别作为卷积神经网络的输入和输出， 构造 仿真训练集； 其中所述 光学合成孔径成像图像为焦面 点扩散函数图像； [0008]步骤2)、 搭建卷积神 经网络， 所述卷积神 经网络包括多个卷积层， 池化层， BN层和 全连接层， 最后一个全连接层作为回归层， 直接 输出共相误差预测值；说　明　书 1/4 页 3 CN 114117904 A 3