本發明涉及光電探測、成像，特別涉及一種波前相因子估計方法。

背景技術：

1、機載斜程或艦載水平等遠距離成像場景中光學系統的性能通常可由信噪比、分辨率、對比度等參數來描述，或綜合起來由系統的作用距離來表征。其中，成像分辨率是指示系統性能優劣的主要參數之一，遠距離成像場景的成像分辨率在探測器型號確定后，大氣湍流往往就成為影響系統分辨率的關鍵因素，成像質量在很大程度上受到了大氣湍流引入的畸變波前相位的限制。fried(fried?d?l.optical?resolution?through?a?randomlyinhomogeneous?medium?for?very?long?and?very?short?exposures[j].josa,1966,56(10):1372-1379.)等人對長曝光及短曝光大氣湍流下的光學系統分辨率問題作了許多深入的研究，建立了基本的成像物理模型，探索了湍流相位屏的統計特性，指明了在遠距離探測圖像獲取后去除大氣湍流影響的基本研究思路和研究方向。

2、傳統的大氣湍流降質圖像校正技術主要包括相位恢復、相位提取、盲解卷積、波前解卷積、相位差、點擴散函數估計等，基于成像模型及傅里葉光學原理，將圖像去湍流技術建模為成像過程的逆問題，并通過加入物理約束進行迭代優化，或是直接求解出清晰圖像或衍射極限點擴散函數、進而進行非盲解卷積處理；或是先由探測到的降質圖像直接估計出大氣畸變波前相位、進而再結合點擴散函數與波前相位的對應關系進行非盲解卷積處理。可以看到，畸變波前相位這一中間參量在遠距離場景成像質量及分辨率提升過程中是關鍵的物理量，因此也可以說，對波前相位估計的精度直接影響了遠距離成像光學系統作用距離的提升量。

3、目前影響大氣降質波前相位估計能力的不利因素或具體表現可能包括：zernike模式階數選取的任意性、有限的相位峰-谷值估計范圍、迭代停止需人工干預、對不同湍流強度的適應性差、對成像背景差異性的適應性差等。近年來，隨著深度學習、高性能計算等技術的發展，快速推動了基于人工智能的方法來估計畸變波前相位，深度神經網絡可直接輸出相位的zernike模式系數或波前相位的二維分布。這一類方法一般不需要波前相位到探測圖像的正向解析模型，可在一定程度上擺脫物理成像模型的約束，但同時該類技術一般性的仍是多基于波前相位的zernike模式表示，研究著力點集中于如何提高zernike系數的預測精度，例如專利號為cn202010075311.x、名稱為“一種基于深度學習的shack-hartmann波前探測器”的專利，即是利用一種深度神經網絡，根據點陣列圖像直接預測降質波前的zernike多項式系數進而重建湍流波前。

4、對于實際的艦載水平或機載斜程遠距離光電探測與成像場景，會面臨小視場、低光通量或變化湍流等具體成像環境下的諸多因素限制，直接由深度神經網絡估計波前相位將不可避免的引入兩部分誤差：一是模型誤差，源于選取的網絡架構對相位與觀測圖像間映射關系的建模逼近能力；二是截斷誤差，源于人工選取的表征相位zernike模式階數的多少。此外，為提升偏差相位系數估計的場景適應性，額外的光學離焦組件或預置器一般也是目前深度學習類方法所需要的。鑒于以上種種方法的缺陷或動態變化場景的不利因素，急需進一步拓展研究方法及研究思路，或改進傳統的波前相位估計技術、或構建新型深度神經網絡映射模型，進一步提升遠距離成像中的波前相位預測精度。

技術實現思路

1、為了克服現有技術的不足，本發明提供一種遠距離成像中的大氣湍流波前相因子估計方法。湍流介質光傳播過程中波前相位是關鍵的物理量，然而，理論及應用研究中直接用到的更多的是波前相因子而非光學相位本身。基于此，本發明考慮將傳統方法中對波前相位的提取、預測、估計等技術的研究，轉換為對波前相因子的估計及統計特性的研究，探索從光學系統獲取的探測圖像中直接估計波前相因子的解決方案。

2、為克服現有遠距離成像場景對畸變光學波前相位這一隨機量預測能力的不足，本發明提出了一種遠距離成像中的大氣湍流波前相因子估計方法。該方法直接構造光學系統探測圖像與波前相因子之間的映射關系模型，并利用訓練好的深度神經網絡學習這種映射關系，實現對每一幀探測圖像對應的波前相因子實部及虛部的端到端輸出，從而即完成了對傳輸路徑上大氣降質波前相因子的估計。

3、本發明解決其技術問題所采用的技術方案具體包括如下步驟：

4、步驟1，構建雙生成對抗網絡(a?pair?of?gans，pgan)模型，網絡模型為探測圖像分別與波前相因子的實部及波前相因子的虛部的映射關系，雙生成對抗網絡pr和pi分別用來估計波前相因子的實部及虛部訓練時雙網絡參數互相交替傳遞，預測時各自獨立；

5、步驟2，構建“波前相因子-降質觀測圖像”配對數據集，配對數據集中場景清晰圖像為晴朗天氣時采集的實測數據，配對數據集中降質觀測圖像基于功率譜反演法的相位屏仿真構建；功率譜密度函數psdn(k)采用包含大氣折射率結構參數的表達式，水平場景仿真時取地平面典型值，斜程場景仿真時采用隨高度變化的大氣結構參數模型配對數據集中波前相因子的實部及虛部直接由構建；

6、步驟3，在配對數據集上對步驟1設計的雙生成對抗網絡進行迭代交替訓練及測試，將域的生成器網絡gr及域生成器網絡gi和對應的域的判別器網絡dr及域的判別器網絡di分別聯合起來進行迭代優化，具體步驟為：

7、將雙生成對抗網絡pr和pi同時訓練，損失函數l加入波前相因子的約束關系，將域及域和對應降質觀測圖像配對合成作為訓練集輸入，采用神經網絡的方法進行訓練，直至訓練集與測試集收斂，得到訓練好的雙生成對抗網絡模型；

8、步驟4，對步驟3所訓練好的雙生成對抗網絡模型進行驗證，首先采用深度神經網絡進行驗證，其次對生成的波前相因子進行大氣湍流統計特性的驗證，參照湍流相位屏仿真的相位結構函數檢驗法，采用符合kolmogorov統計的相因子結構函數作為理論值，驗證理論值與模型估計得到的波前相因子曲線的符合程度，如圖3所示，若符合性較差則對步驟1中的網絡結構重新優化設計，符合程度的判斷可依據人眼主觀判斷兩條曲線的貼近程度；

9、至此，完成了對遠距離成像中的大氣湍流波前相因子的估計，使用時，將采集到的單幀觀測圖像分別輸入到訓練好的域的生成器網絡gr及域的生成器網絡gi，輸出即為該幀圖像所對應的波前相因子的實部及虛部。

10、所述步驟1中構建雙生成對抗網絡pgan模型過程中，其生成器網絡gr和gi均采用unet或resnet架構，而損失函數l的具體設計如下：

11、

12、式中：分別表示模型pgan判別網絡dr、di的對抗損失函數；

13、分別表示生成網絡gr、gi的內容損失函數；第三項的設計表示加入了由波前相因子定義所決定的實部與虛部的約束關系；γ1及γ2為平衡權重的正則化參數。

14、所述步驟2構建“波前相因子-降質觀測圖像”配對數據集的過程中，相位屏仿真時功率譜密度函數psdn(k)采用含大氣折射率結構參數的修正von?karman譜模型，

15、

16、式中：k為空間頻率，湍流內尺度km＝5.92/l0；湍流外尺度k0＝2π/l0；l0為湍流內尺度，l0為湍流外尺度，對于遠距離水平成像場景，大氣折射率結構參數取地平面典型值c0＝1.7×10-14m-2/3；對于斜程成像場景，采用國際電信聯盟提出的隨高度變化的參數模型

17、

18、式中：h為海拔高度(m)；vrms為垂直路徑均方根風速，e為自然常數。

19、所述步驟3中對雙生成對抗網絡pgan進行聯合訓練時，兩個網絡pr和pi交替進行，傳遞各自迭代所輸出的網絡輸出的估計量及交替訓練時網絡pr的損失函數退化為如下表達式：

20、

21、類似的，網絡的pi損失函數退化為如下表達式：

22、

23、所述步驟4中對雙網絡模型生成的波前相因子進行大氣湍流統計特性驗證時，符合kolmogorov統計的相因子結構函數理論值的表達式為：

24、

25、式中：為符合kolmogorov統計的理論相位結構函數，r為空間間隔向量。

26、一種電子設備，包括：一個或多個處理器；存儲器；一個或多個程序，其中所述一個或多個程序被存儲在所述存儲器中并被配置為由所述一個或多個處理器執行，所述一個或多個程序配置用于執行如上所述的方法。

27、一種計算機可讀存儲介質，所述計算機可讀存儲介質存儲有程序代碼，所述程序代碼可被處理器調用執行如上所述的方法。

28、本發明的有益效果在于：

29、(1)為遠距離成像獲取降質觀測圖像中攜帶的大氣湍流畸變波前信息的提取設計了一種替代方案，該方案從觀測圖像中估計波前相因子的實部及虛部信息、而非波前相位本身。因為理論及應用研究中直接用到的更多的是波前相因子對進行直接預測，并對其統計特性做理論分析及仿真，拓展了湍流介質光傳播領域的應用范疇及研究思路。

30、(2)因波前相因子的實部及虛部域取值范圍有界[-1,1]，非常適合將其視為二維空間分布數據，從而可輸入至深度神經網絡建模并學習預測模型，模型可適用于不同強度湍流環境。而對于畸變波前相位受湍流強度大小的影響，其取值范圍是動態隨機變化的，不適合直接作為深度網絡的輸入，也不能直接預測，需采取如zernike模式表征等方法間接預測，如此卻未規避掉模式階數選取的誤差。

31、(3)基于波前相因子結構函數理論值的統計特性驗證方法，保證了雙網絡模型的輸出不僅在數據空間分布是最佳擬合，也保證了預測得到的相因子是符合kolmogorov湍流統計的，即該方案是數據驅動結合物理約束。