一种基于光斑图像矩特征的望远镜主次镜校准方法

1.本发明属于望远镜的装调领域，针对光学系统中次镜相对于主镜的空间位置失调问题，具体涉及一种基于光斑图像矩特征的望远镜主次镜校准方法。


背景技术：

2.反射式光学系统是现代天基和空基大口径望远镜中普遍采用的结构形式。为了获得更大的视场覆盖范围、更高的空间和光谱分辨率、更宽的光谱范围，对于光学系统的性能要求不断提高。为了确保大视场和多谱段范围内的成像质量，必然导致光学系统的复杂化，对其位置精度的要求也越来越严格，采用传统的装调方式已经很难满足光学系统的精度要求。尤其是对于近年来被广泛应用的离轴反射式系统，对其实现高精度装调一直是光学装调领域的一项极具挑战性的难题。不同于常规的折射式或同轴反射系统，离轴反射系统中各光学元件不具有旋转对称性，各失调自由度引入的像差之间也存在互相耦合，这都给装调带来了很大的难度。事实上，在目前的光学仪器研制过程中，光学系统的装调水平往往是制约系统性能的最关键环节。因此，找到一种精度高且具有实时性的主次镜对准方法对工程实践中系统成像质量的提升具有重要意义。
3.早期光学系统的装调过程主要依靠技术人员的装调经验和简单的装调工具完成，调整过程具有很大的随机性且精度较低、时效性差。面对复杂的光学系统且高精度实时性的要求，同时伴随着计算机技术、光学设计和加工技术的发展，国外率先提出了计算机辅助装调技术并将其应用于实际光学系统的装调中。计算机辅助装调通常指的是首先利用仿真软件建立光学系统模型，然后构建系统波像差(一般是泽尼克多项式系数)和各光学元件失调量之间的数学关系式，在实际装调过程中，利用波前传感器检测的泽尼克多项式系数和数学模型求解出各光学元件的失调量，从而指导执行机构进行相应的调整，大幅提高光学系统装调的精度和速度。计算机辅助装调主要有两大类方法，一类是基于矢量像差理论的解析化方法，该方法需要对全视场波像差进行检测来寻找像差节点并且针对每一类像差进行单独校正，针对不同的光学系统需建立不同的复杂解析式，普适性差且在实际装调过程像差节点难以检测。另一类是以灵敏度矩阵法、微分波前采样法、逆向优化法为代表的数值化方法，假定失调量和表征系统像差的泽尼克多项式系数存在某种关系，利用数值拟合的思想构建模型，在实际装调时，将波前传感器实时检测的泽尼克多项式系数代入模型求解出系统的失调量。该方法计算量大，装调效率不高，缺乏实时性。以上这些装调方法均需借助额外的波前传感器进行像差探测，失调量的求解精度极大程度依赖于像差探测的精度，同时也无疑增加了系统的复杂度。在实际应用场景中，对以干涉仪为波前传感的实验要求极为严苛，找到一种在不采用波前传感的情况下指导光学系统的装调是本领域技术人员需要解决的问题。


技术实现要素：

4.本发明的目的在于针对光学镜片空间相对位置与理想相对位置出现的偏差，提供
一种基于光斑图像矩特征的望远镜主次镜校准方法，无需使用干涉仪等波前传感器进行波像差探测且将其作为望远镜的像质评价基准，直接利用ccd相机采集的光斑图像特征求解出各元件的失调量进而将元件对准，避免像差探测环节带来的累积误差，有效提高系统主次镜对准的效率和系统的成像质量，同时适用于各类复杂的多镜系统，包括同轴和离轴望远镜。
5.本发明的系统组成成分主要有：主次镜光学系统，次镜位移台，ccd相机，全连接神经网络。其中神经网络主要由输入层，多层隐含层(线性层)以及输出层组成。
6.本发明的原理是：根据傅里叶光学理论，光学系统中次镜相对于主镜的空间位姿偏差(各自由度失调量)与一定范围内多视场的光斑图像(点扩散函数)存在相应的关系；通过ccd相机采集的多视场光斑图像求解出次镜的失调量。另一方面，一定范围内多视场的光斑图像特征与次镜各自由度失调量之间的数学模型复杂，神经网络具有极强的非线性拟合能力。本发明将ccd相机采集的多视场光斑图像利用无偏有限脉冲响应矩(ufir矩)提取特征矩阵后输入训练好的全连接神经网络模型求解出次镜的失调量，从而指导望远镜系统的装调。
7.本发明采用的技术方案是：
8.一种基于光斑图像矩特征的望远镜主次镜校准方法，用于解决望远镜系统的次镜相对于主镜的空间位置失调问题，所述方法包括如下步骤：
9.步骤一：搭建望远镜系统：
10.该系统包括主镜、次镜、控制次镜的执行机构六自由度平台，ccd相机。
11.步骤二：构建次镜各自由度失调量和多视场光斑图像特征之间的数学模型。采用无偏有限脉冲响应矩表征次镜不同失调状态下各视场光斑图像的灰度变化特征；建模所采用的方法是使用全连接神经网络算法，首先是构建神经网络数据集，所述数据集包括训练集和测试集，包括：
12.步骤2.1：记录望远镜系统处于装调完成时次镜的理想空间位置及此状态下合理范围内多视场的光斑图像，然后给次镜添加已知的各自由度失调量并利用ccd相机采集此状态下合理范围内多视场的光斑图像，随之采用无偏有限脉冲响应矩提取多视场的光斑图像的灰度变化特征，将次镜相对于主镜的各自由度失调量和相应的特征矩阵作为一组样本；
13.步骤2.2：重复n次步骤2.1得到一个数据集，将其按一定比例划分为训练集和测试集；
14.步骤三：训练神经网络模型：
15.步骤3.1：选取全连接神经网络模型，该全连接神经网络包含输入层、隐藏层和输出层，输入为多视场的光斑图像特征矩阵，输出为次镜的各自由度失调量；
16.步骤3.2：按一定的比例随机从数据集中选择一部分作为训练集对上述全连接神经网络进行训练，当网络收敛时，网络模型训练完成，数据集中剩余的部分作为测试集验证上述全连接神经网络的拟合能力；
17.步骤四：求解次镜的失调量并实现望远镜的主次镜对准，包括：
18.步骤4.1：在实际望远镜系统的主次镜对准过程中，首先用ccd相机采集系统合理范围内多视场的光斑图像，然后采用无偏有限脉冲响应矩提取光斑图像的灰度变化特征，
将该特征矩阵输入训练好的神经网络模型，然后输出次镜的各自由度失调量，将该数据的相反数输入控制次镜空间位置的执行机构六自由度平台来指导主次镜对准；
19.步骤4.2：再次提取校正次镜位置偏差后的系统光斑图像并与次镜理想位置下的光斑图像进行比较，若比较光斑图像偏差在误差允许范围内，则完成主次镜对准过程，否则重复步骤4.1。
20.进一步的，步骤二中，光斑图像指的是系统的点扩散函数，合理范围内多视场指的是有效视场范围内的任意不在一条直线的多个视场，选取的视场个数n大于等于5个。
21.进一步的，步骤2.1中，给次镜添加已知的失调量为添加六个自由度的失调误差，所述的六个自由度的失调误差是指x、y和z轴上的偏心误差和倾斜误差。
22.进一步的，步骤二中，表征次镜不同失调状态下各视场光斑图像的灰度变化特征使用的是无偏有限脉冲响应矩，即ufir矩，其具体计算公式为：
[0023][0024]
式中，n,m＝0，1，2，...,n-1，光斑图像的大小为n
×
m,i,j为光斑图像在空间两维的坐标序号，组合表示每一个像素点的位置，f(i,j)为点扩散函数，表示光斑图像，每一个像素点对应一个具体数值，分别代表光斑图像两维的无偏有限脉冲响应多项式，其存在递推计算公式为：
[0025][0026]
其中，系数为：
[0027][0028][0029]
分别为：
[0030][0031][0032]
在实际使用中，ccd相机采集的p个视场的光斑图像分别为f1,f2,...f
p
,利用无偏有限脉冲响应矩来提取每个视场光斑图像的k阶灰度变化特征，其中u
nm
下标n＝0,1,...k；m＝0,1,...k，每个视场光斑图像矩为一个(k+1)
×
(k+1)的特征矩阵u，将其按行排列成一个1
×
[(k+1)
×
(k+1)]的行向量，p个视场的光斑图像矩的表达式为：
[0033]
u＝[u1,u2,...,u
p
]
ꢀꢀꢀ
(7)
[0034]
该式子为一个1
×
[p
×
(k+1)
×
(k+1)]的行向量，其具体数值即为数据集一个样本的输入值。
[0035]
进一步的，步骤二中，在次镜处于标称位置时，人为给定一组次镜的各自由度失调
量，计算出该状态下p个视场的光斑图像特征矩阵u，将特征矩阵u作为神经网络的输入，次镜的各自由度失调量作为输出，共同组成一组样本。
[0036]
本发明与现有技术相比，具有以下优点：
[0037]
(1)无需使用波前传感器，有效降低系统的复杂度，以及避免波前传感器探测像差带来的累积误差，从而提升系统的精度。主要可用于无波前传感器条件的实时装调中，具有工程实践价值。
[0038]
(2)该发明与其他通过采集的光斑图像求解次镜失调量的优化算法相比，无需多次迭代，在神经网络的模型参数训练完成后，输入多视场光斑图像的特征矩阵神经网络能够快速准确地输出求解的失调量，有效提高系统的装调效率；且神经网络具有极强的非线性拟合能力，解决传统方法校正失调范围小且精度不高的问题，有效提高系统的装调精度。
[0039]
(3)选取有效视场范围内的任意不在一条直线的多个视场的光斑图像，相比传统系统采集一个光斑图像，可以有效避免次镜各自由度耦合导致次镜失调量和点扩散函数不能一一对应的情况的出现。
[0040]
(4)通过提取多视场光斑图像的矩特征作为神经网络输入，构建数对数的数据集，与直接训练光斑图像和失调量相比，大大降低了训练时间成本和硬件需求。
附图说明
[0041]
图1为基于光斑图像矩特征的望远镜主次镜校准方法的流程图。
[0042]
图2为次镜存在失调量下光斑图像的示意图。
具体实施方式
[0043]
下面结合附图，对本发明方案的具体实施步骤作进一步描述。
[0044]
如图1流程图所示，基于光斑图像矩特征的望远镜主次镜校准方法的流程图主要分为两部分，图1左部分为望远镜系统主次镜对准的前期准备工作即神经网络模型权重参数的训练过程，右部分为实际系统的主次镜对准过程，具体包括如下步骤：
[0045]
步骤一：搭建望远镜系统：
[0046]
该系统包括主镜、次镜、控制次镜的执行机构六自由度平台，ccd相机。
[0047]
步骤二：构建次镜各自由度失调量和多视场光斑图像特征之间的数学模型。采用无偏有限脉冲响应矩表征次镜不同失调状态下各视场光斑图像的灰度变化特征；建模所采用的方法是使用全连接神经网络算法，首先是构建神经网络数据集，所述数据集包括训练集和测试集，包括：
[0048]
记录望远镜系统处于装调完成时次镜的理想空间位置及此状态下合理范围内多视场的光斑图像。
[0049]
如图2所示，当次镜存在各自由度失调量时有效视场范围内几个视场采集的光斑图像，即点扩散函数。
[0050]
然后给次镜添加已知的各自由度失调量并利用ccd相机采集此状态下合理范围内多视场的光斑图像，随之采用无偏有限脉冲响应矩提取多视场的光斑图像的灰度变化特征，将次镜相对于主镜的各自由度失调量和相应的特征矩阵作为一组样本；
[0051]
重复以上步骤n次得到一个数据集，将其按一定比例划分为训练集和测试集；
[0052]
步骤三：训练神经网络模型：
[0053]
选取全连接神经网络模型，该全连接神经网络包含输入层、隐藏层和输出层，输入为多视场的光斑图像特征矩阵，输出为次镜的各自由度失调量；
[0054]
按一定的比例随机从数据集中选择一部分作为训练集对上述全连接神经网络进行训练，当网络收敛时，整个网络模型训练完成，数据集中剩余的部分作为测试集验证上述全连接神经网络的拟合能力；
[0055]
步骤四：求解次镜的失调量并实现望远镜的主次镜对准，包括：
[0056]
如图1，在实际望远镜系统的主次镜对准过程中，首先用ccd相机采集系统合理范围内多视场的光斑图像，然后采用无偏有限脉冲响应矩提取光斑图像的灰度变化特征，将该特征矩阵输入训练好的神经网络模型，然后输出次镜的各自由度失调量，将该数据的相反数输入控制次镜空间位置的执行机构六自由度平台来指导主次镜对准；提取校正次镜位置偏差后的系统光斑图像矩特征并与次镜理想位置下的光斑图像矩特征进行比较；若比较光斑图像偏差在误差允许范围内，则完成主次镜对准过程，否则重复上述步骤，从而形成一个闭环控制。
[0057]
神经网络的模型参数训练完成后，输入ccd相机采集的多视场光斑图像的特征矩阵后神经网络能够快速准确地输出求解的次镜失调量，有效提高系统的装调效率和精度，既可以用于望远镜系统投入使用前的静态装调，也可用于望远镜系统工作过程中存在失调误差的实时动态校正。
[0058]
并且，在步骤二中，光斑图像指的是系统的点扩散函数，合理范围内多视场指的是有效视场范围内的任意不在一条直线的多个视场，选取的视场个数n大于等于5个，相比传统系统的一个光斑成像，可以有效避免次镜各自由度耦合导致次镜失调量和点扩散函数不能一一对应的情况的出现。
[0059]
并且，步骤二中，选用无偏有限脉冲响应矩来提取次镜不同失调状态下各视场光斑图像的灰度变化特征是因为这一种离散正交矩，与传统的连续正交矩相比，可以避免计算过程中近似的数值积分带来的误差，并且随着提取的矩阶数越高累积误差越大，除此以外，这种矩的多项式计算中无阶乘等系数，可以大大提高算法的计算效率。
[0060]
并且，在步骤三中，选用的模型为全连接神经网络，该算法适用于解决输入为数值，输出也为数值的回归问题，且该神经网络模型训练时间成本较低。
[0061]
并且，在步骤四中，在实际的望远镜系统中，当面对一个新的主次镜失调系统，在之前已经训练好的神经网络模型的权重参数基础上利用迁移学习的思想建立一个小样本进行快速训练。该方法可以在较小的数据集以及时间成本下满足系统需求，易于工程实现。
[0062]
以上所述仅是本发明的实施案例和优选方案，但本发明的应用场景和算法并不局限于此，本方法不仅适用于主次镜相对位置失调的光学系统，还适用于各种复杂系统的镜片失调量求解，应当指出，对于本技术领域的一般技术人员来说，在依据本发明原理的前提下，会做出若干改进、提升和优化，这些改进、提升和优化也应均为本发明的保护范围之内。

技术特征：
1.一种基于光斑图像矩特征的望远镜主次镜校准方法，其特征在于，所述方法包括如下具体的步骤：步骤一：搭建望远镜系统：该系统包括主镜、次镜、控制次镜的执行机构六自由度平台，ccd相机；步骤二：构建次镜各自由度失调量和多视场光斑图像特征之间的数学模型，采用无偏有限脉冲响应矩表征次镜不同失调状态下各视场光斑图像的灰度变化特征；建模所采用的方法是使用全连接神经网络算法，首先是构建神经网络数据集，所述数据集包括训练集和测试集，包括：步骤2.1：记录望远镜系统处于装调完成时次镜的理想空间位置及此状态下合理范围内多视场的光斑图像，然后给次镜添加已知的各自由度失调量并利用ccd相机采集此状态下合理范围内多视场的光斑图像，随之采用无偏有限脉冲响应矩提取多视场的光斑图像的灰度变化特征，将次镜相对于主镜的各自由度失调量和相应的特征矩阵作为一组样本；步骤2.2：重复n次步骤2.1得到一个数据集，将其按一定比例划分为训练集和测试集；步骤三：训练神经网络模型：步骤3.1：选取全连接神经网络模型，该全连接神经网络包含输入层、隐藏层和输出层，输入为多视场的光斑图像特征矩阵，输出为次镜的各自由度失调量；步骤3.2：按一定的比例随机从数据集中选择一部分作为训练集对上述全连接神经网络进行训练，当网络收敛时，网络模型训练完成，数据集中剩余的部分作为测试集验证上述全连接神经网络的拟合能力；步骤四：求解次镜的失调量并实现望远镜的主次镜对准，包括：步骤4.1：在实际望远镜系统的主次镜对准过程中，首先用ccd相机采集系统合理范围内多视场的光斑图像，然后采用无偏有限脉冲响应矩提取光斑图像的灰度变化特征，将该特征矩阵输入训练好的神经网络模型，然后输出次镜的各自由度失调量，将该数据的相反数输入控制次镜空间位置的执行机构六自由度平台来指导主次镜对准；步骤4.2：再次提取校正次镜位置偏差后的系统光斑图像并与次镜理想位置下的光斑图像进行比较，若比较光斑图像偏差在误差允许范围内，则完成主次镜对准过程，否则重复步骤4.1。2.根据权利要求1所述的一种基于光斑图像矩特征的望远镜主次镜校准方法，其特征在于，步骤二中，光斑图像指的是系统的点扩散函数，合理范围内多视场指的是有效视场范围内的任意不在一条直线的多个视场，选取的视场个数n大于等于5个。3.根据权利要求1所述的一种基于光斑图像矩特征的望远镜主次镜校准方法，其特征在于，步骤2.1中，给次镜添加已知的失调量为添加六个自由度的失调误差，所述的六个自由度的失调误差是指x、y和z轴上的偏心误差和倾斜误差。4.根据权利要求1所述的一种基于光斑图像矩特征的望远镜主次镜校准方法，其特征在于，步骤二中，表征次镜不同失调状态下各视场光斑图像的灰度变化特征使用的是无偏有限脉冲响应矩，即ufir矩，其计算公式为：式中，n,m＝0，1，2，...,n-1，光斑图像的大小为n
×
m,i,j为光斑图像在空间两维的坐
标序号，组合表示每一个像素点的位置，f(i,j)为点扩散函数，表示光斑图像，每一个像素点对应一个具体数值，分别代表光斑图像两维的无偏有限脉冲响应多项式，其存在递推计算公式为：其中，系数为：其中，系数为：其中，系数为：分别为：分别为：在实际使用中，ccd相机采集的p个视场的光斑图像分别为f1,f2,...f
p
,利用无偏有限脉冲响应矩来提取每个视场光斑图像的k阶灰度变化特征，其中u
nm
下标n＝0,1,...k；m＝0,1,...k，每个视场光斑图像矩为一个(k+1)
×
(k+1)的特征矩阵u，将其按行排列成一个1
×
[(k+1)
×
(k+1)]的行向量，p个视场的光斑图像矩的表达式为：u＝[u1,u2,...,u
p
]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)该式子为一个1
×
[p
×
(k+1)
×
(k+1)]的行向量，其具体数值即为数据集一个样本的输入值。5.根据权利要求1所述的一种基于光斑图像矩特征的望远镜主次镜校准方法，其特征在于，步骤二中，选用无偏有限脉冲响应矩来提取次镜不同失调状态下各视场光斑图像的灰度变化特征。6.根据权利要求1所述的一种基于光斑图像矩特征的望远镜主次镜校准方法，其特征在于，步骤三中，选用的模型为全连接神经网络。7.根据权利要求1所述的一种基于光斑图像矩特征的望远镜主次镜校准方法，其特征在于，步骤四中，所述执行机构使用的是六自由度位移平台，用来控制次镜相对于主镜的六个自由度空间位置。8.根据权利要求1所述的一种基于光斑图像矩特征的望远镜主次镜校准方法，其特征在于，步骤四中，在实际的望远镜主次镜校准过程中，通过构建新的数据集，延续使用之前的网络模型权重参数重新训练，或者在之前已经训练好的神经网络模型的权重参数基础上利用迁移学习的思想建立一个小样本进行快速训练。

技术总结
本发明公开了一种基于光斑图像矩特征的望远镜主次镜校准方法，属于望远镜计算机辅助装调领域。该校准方法的具体步骤如下，首先，随机给定望远镜系统次镜各自由度失调量，利用无偏有限脉冲响应矩提取望远镜失调状态下合理范围内多视场的光斑图像特征；然后利用全连接神经网络构建次镜各自由度失调量和多视场光斑图像特征矩阵之间的模型；在实际使用中，将CCD相机采集的多视场光斑图像利用无偏有限脉冲响应矩提取特征矩阵后输入训练好的神经网络模型求解出次镜的失调量，从而指导望远镜系统的装调。本方法旨在无波前传感器作为望远镜的像质评价基准的情况下，并且无需多次迭代，从而提高系统主次镜对准的效率和系统的成像质量。质量。质量。


技术研发人员：黄永梅 唐薇 田思恒 吴琼雁 王强 贺东 王子豪 李阳
受保护的技术使用者：中国科学院光电技术研究所
技术研发日：2023.06.19
技术公布日：2023/9/16