【波前畸变】机器学习算法加快对光学畸变的检测 | JIOHS

研究背景

内容简介

图文导读

图1 系统设置原理图。L1，L2：透镜；BS：非偏振分束器。黑色不规则曲线表示入射光束的波前，黑色虚线表示微透镜阵列的后光瞳平面。

在仿真实验中，采用空间光调制器同时作为光学畸变的引入器件与波前补偿器件。具有畸变波前信息的入射光束经透镜聚焦后分为两部分，一部分光被摄像机捕捉，用于监控聚焦质量；另一部分由另一个透镜收集，经微透镜阵列形成畸变的光斑阵列图案。将整张光斑阵列图案直接输入训练好的卷积神经网络模型中，预测得到表征光学畸变的前36阶Zernike系数，从而进行波前重构。

图2 对于光学畸变预测与校正的重复性实验结果。（a）归一化的Shack-Hartmann光斑图案分布，左为畸变情形下，右为校正结果。（b）光学畸变前36阶Zernike系数幅值，紫色为引入光学畸变，黄色为对应预测结果。（c）预测光学畸变的三维表示。

测试结果表明，本文提出的基于机器学习的波前探测方法对于严重与轻微的光学畸变均能进行校正。预测得到的Zernike系数与引入光学畸变的原始Zernike系数非常接近。

图3 对于光学畸变补偿后聚焦结果的重复性测试。（a）畸变情形下的光学 PSF分布。（b）校正后的光学PSF分布。（c）补偿后的相位残差分布。(d)x方向上的PSF剖线图。

图3中提供了与图2中相对应的点扩散函数(PSF)的强度分布。经过补偿后波前保持在一个相对平整的分布，意味着光学畸变被基本消除。从剖线图中可以更为直观地看出，校正后PSF的中心强度较畸变情形下明显增强，且校正后的PSF具有与理想PSF相似的轮廓分布。进一步证明了本文中的方法很大程度上消除了光学畸变的影响，经修正后的散射光束能量会聚于中心。

图4 模式法波前重构算法与本文算法的对比结果。（a）畸变情形下、模式法校正与本文算法校正后的归一化Shack-Hartmann光斑图样分布。（b）原始光学畸变（I），使用模式法探测得到的光学畸变（II）与使用本文算法探测的光学畸变（III）。（c）原始畸变情形下（I），使用模式法校正后（II）与使用本文算法校正后（III）的PSF光强分布图样。（d）畸变情况，模式法校正与本文算法校正后的PSF图样在x方向强度分布。（e）前36阶Zernike系数对比结果。（f）1024组相位残差均方根误差的统计数据。

我们进一步与传统的模式法波前重构结果相对比。结果表明，虽然模式法能够对光学畸变进行校正，但在光瞳边缘部分的校正能力有限；而本文提出的算法在边缘与细节信息的重构上更优，校正后获得PSF与理想情况更为接近，峰值光强更强。我们随机挑选了1024组对照实验，统计学结果表明，与传统模式法相比，本方法测得的相位残差均方根误差值降低了75.64%。

通讯作者简介

斯科教授，本科毕业于浙江大学信息与电子工程学系，博士毕业于新加坡国立大学综合科学与工程研究生院（NGS）。现为浙江大学光电学院和医学院双聘教授、博士生导师。国家脑与脑机融合前沿科学中心副主任，浙大脑科学与脑医学学院副院长，浙大光电学院激光生物医学研究所副所长。担任中国光学学会生物医学光子学专业委员会副秘书长、中国生物医学工程学会生物医学光子学分会委员、中国仪器仪表协会显微仪器分会理事、浙江省神经科学学会系统与行为分会副主任、浙江省光学学会理事等。担任Photonics Research、Chinese Optics Letters、High Power Laser、光学学报、中国激光、激光与光电子学进展、红外与激光工程等编委/青年编委。主持包括国家自然科学基金委重点项目等。

斯科教授主要从事大深度光学显微成像、精准光遗传学、医学人工智能等生物光子学技术研究。在多个国际顶级专业期刊上发表论文，包括《Nature Photonics》、《PNAS》等，成果获得国际同行的高度评论及专文介绍，研究成果累计被Science正面引用2次，被Nature Reviews Physics 引用2次，被Nature Photonics、Nature Biotechnology、Nature communications、PNAS、Optica等累积引用近30次。