基于波前梯度平方的自适应光学优化校正算法 下载: 1111次
1 引言
在某些波前像差不便于感知的波前畸变自适应光学校正应用中,无波前传感自适应光学不需要探测波前像差,可直接以光学系统的远场光强或者目标图像为优化对象,以迭代寻优的方式实现波前畸变的有效校正,具有实现结构简单、集成度相对较高的特点。在波前校正器(变形镜)及其相应光学系统确定的情况下,波前畸变校正的效果和收敛速度主要取决于优化校正算法。因此优化校正算法的性能在很大程度上决定了波前像差校正效果。无波前传感自适应光学优化校正算法主要分为model-free和model-based两大类,其中model-free算法亦可称为基于搜索的盲优化校正算法,不依赖于系统数理模型,算法简单,因而被广泛采用。
1974年,盲优化校正算法首次应用于校正大气湍流的无波前传感自适应光学系统[1]。1977年出现应用于激光光束合成与发射控制的高频振动算法[2],随后激光应用领域使用爬山法[3]。1997年,Vorontsov等[4]提出迄今应用最为广泛的随机并行梯度下降(SPGD)算法,之后SPGD算法应用于光学显微镜[5]、人眼成像[6]等,并广泛应用于激光器谐振腔控制、输出模式转换、激光束整形、激光光束净化、相干合成等激光器应用领域[7-13],及光纤耦合[14-15]、自由空间光通信[16]等,成为了最具代表性的优化式自适应光学校正算法。虽然SPGD算法具有实现简单、梯度估计、参数设置少等优点,但其收敛速度严重依赖于优化空间大小、搜索方向、优化步长和搜索起始位置,并会随波前像差强度的增大而迅速变慢。针对这些问题,研究人员对SPGD算法的优化指标、随机扰动量、优化步长、迭代增益、搜索起始位置进行了大量研究,提出分段扰动[17]、自适应增益步长[18-19]、正交扰动[20]、扰动与增益组合优选[21]等方法,以改善SPGD算法的收敛性能。
本文提出以波前梯度为寻优指标的SPGD算法,以实现波前像差的快速校正。第2节主要分析SPGD算法的迭代原理,提出基于波前梯度平方的SPGD算法;第3节采用数值仿真方法,验证该SPGD算法的收敛速度与校正效果;第4节主要介绍菲涅耳波带片波前像差的校正实验,进一步验证算法的校正性能;最后给出算法研究的相关结论。
2 无波前传感自适应光学校正原理
无波前传感自适应光学系统的主要结构如
在光学系统参数确定后,无波前传感自适应光学的波前畸变的校正性能主要取决于优化校正算法。SPGD算法是一种被广泛应用的mode-free盲优化校正算法,但其收敛速度受多种因素影响。因此本文从SPGD算法原理出发,根据波前像差梯度平方物理量与随机扰动量的线性关系,利用远场光斑的归一化二阶矩,近似求解波前像差梯度平方,并以波前像差梯度平方作为SPGD算法优化指标,实现波前像差的迭代校正,提高算法的校正速度。
3 算法理论研究
3.1 SPGD算法基础
式中:
式中:Δ
将(2)式代入(1)式,Δ
式中:Δ
众多研究者以扰动量
3.2 波前像差梯度平方
波前像差梯度平方定义为
式中:(
式中:
式中:
将(8)式和(9)式代入(7)式可得
式中:
其中
式中:
施加随机像差扰动
3.3 基于波前像差梯度平方的SPGD算法
由上述分析可知,
式中:(
式中:
通过相机探测远场光斑并计算
式中:
4 数值仿真及分析
采用Noll[25]的方法随机生成由18阶泽尼克像差构成的像差强度(
SPGD算法实现波前像差迭代校正中的斯特列尔比(SR)如
图 2. 相扰D 0/r 0=2.5的100组随机波前像差下SPGD算法的收敛仿真。(a)基于M 的SPGD算法结果;(b)基于J 的SPGD算法结果
Fig. 2. Convergence simulations of SPGD algorithm under 100 groups of random wavefront aberrations with D 0/r 0=2.5. (a) Results of SPGD algorithm based on M ; (b) results of SPGD algorithm based on J
图 3. 相扰D 0/r 0=5的100组随机波前像差下SPGD算法的收敛仿真。(a)基于M 的SPGD算法结果;(b)基于J 的SPGD算法结果
Fig. 3. Convergence simulations of SPGD algorithm under 100 groups of random wavefront aberrations with D 0/r 0=5. (a) Results of SPGD algorithm based on M ; (b) results of SPGD algorithm based on J
图 4. 在100组随机波前像差下SPGD算法的统计平均SR曲线
Fig. 4. Statistic average SR curves of SPGD algorithms under 100 groups of random wavefront aberrations
在100组随机波前像差输入且当像差强度
综合
5 实验及分析
为验证算法在实际系统中的性能,搭建了
图 5. FZP波前像差校正实验系统。(a)实验系统;(b)实验原理图
Fig. 5. Experimental system for correcting wavefront aberrations of FZP. (a) Experimental system; (b) principle of experiment
控制计算机采用实时Linux内核技术实现SPGD算法,以实施FZP自身波前像差的优化校正,并实时采集FZP的远场光斑以对不同优化校正算法的性能进行数值分析。FZP波前像差校正前后的远场光斑如
图 6. FZP像差校正前后的远场光斑。(a)校正前光斑;(b)以M 为优化指标的校正光斑;(c)以J 为优化指标的校正光斑;(d)以P 为寻优指标的校正光斑
Fig. 6. Far-field spots of FZP with and without wavefront aberration correction. (a) Spot before correction; (b) corrected spot with optimization index of M ; (c) corrected spot with optimization index of J ; (d) corrected spot with optimization index of P
经过迭代校正后,基于不同优化指标的SPGD算法均可得到近衍射极限的远场光斑,其远场光斑的形态几近相同,峰值光强可由985个灰度值(ADU)提高到1800多个ADU,但其收敛时间大不相同。采集闭环前后3000 frame远场光强图像,采用远场光强、光斑等效半径和迭代电压分析其收敛速度,相应物理量在迭代过程中的值如
图 8. SPGD算法迭代中的远场光斑的等效半径
Fig. 8. Effective radius of far-field spot in iteration of SPGD algorithm
图 9. SPGD算法的控制电压。(a)以M 为寻优指标的控制电压;(b)以J 为寻优指标的控制电压;(c)以P 为寻优指标的控制电压
Fig. 9. Control voltage of SPGD algorithm. (a) Control voltage based on optimization index of M ; (b) control voltage based on optimization index of J ; (c) control voltage based on optimization index of P
由
从
在FZP像差校正实验中,虽然基于三种不同优化指标的SPGD算法均可实现波前像差的有效校正,获得几近相同的远场光斑,但基于
6 结论
通过对波前像差梯度平方
[3] 姜文汉, 黄树辅, 吴旭斌. 爬山法自适应光学波前校正系统[J]. 中国激光, 1988, 15(1): 17-21.
[8] Yang P, Ning Y, Lei X, et al. Enhancement of the beam quality of non-uniform output slab laser amplifier with a 39-actuator rectangular piezoelectric deformable mirror[J]. Optics Express, 2010, 18(7): 7121-7130.
[9] Yang P, Lei X, Yang R, et al. Fast and stable enhancement of the far-field peak power by use of an intracavity deformable mirror[J]. Applied Physics B, 2010, 100(3): 591-595.
[10] Dong L, Yang P, Xu B, et al. High-order mode Laguerre-Gaussian beam transformation using a 127-actuator deformable mirror: numerical simulations[J]. Applied Physics B, 2011, 104(3): 725-733.
[11] 梁永辉, 王三宏, 龙学军, 等. 随机并行梯度下降光束净化实验研究[J]. 光学学报, 2008, 28(4): 613-618.
[12] 刘磊, 郭劲, 赵帅, 等. 随机并行梯度下降算法在激光束整形中的应用[J]. 中国光学, 2014, 7(2): 260-266.
[13] 母杰, 景峰, 王逍, 等. 相干合成中基于SPGD算法的平移误差和倾斜误差控制[J]. 中国激光, 2014, 41(6): 0602002.
[14] 黄冠, 耿超, 李枫, 等. 基于FPGA硬件控制平台的单模光纤自适应耦合技术[J]. 中国激光, 2017, 44(4): 0406001.
[15] 吴子开, 陈莫, 刘超, 等. 基于光栅螺旋扫描和SPGD算法的单模光纤耦合方法[J]. 激光与光电子学进展, 2017, 54(6): 060602.
[17] 吴健, 杨慧珍, 龚成龙. 基于分段随机扰动幅值的随机并行梯度下降算法研究[J]. 中国激光, 2014, 41(7): 0712001.
[18] 黄智蒙, 唐选, 刘仓理, 等. 变增益随机并行梯度下降算法及其在相干合成中的应用[J]. 中国激光, 2015, 42(4): 0402004.
[19] 罗成, 粟荣涛, 王小林, 等. 自适应并行梯度随机下降算法及其在相干合成中的应用[J]. 光学学报, 2014, 34(s1): s101006.
[20] 陈波, 杨靖, 李新阳, 等. 基于正交模式扰动梯度下降算法的自适应光学控制技术[J]. 光学学报, 2015, 35(8): 0801004.
[21] 胡栋挺, 申文, 马文超, 等. 一种快速收敛的随机并行梯度下降算法[J]. 激光与光电子学进展, 2019, 56(12): 122201.
[24] Yang H Z, Soloviev O, Verhaegen M. Model-based wavefront sensorless adaptive optics system for large aberrations and extended objects[J]. Optics Express, 2015, 23(19): 24587-24601.
Article Outline
文良华, 黄琴英, 徐勋前. 基于波前梯度平方的自适应光学优化校正算法[J]. 激光与光电子学进展, 2019, 56(24): 240103. Lianghua Wen, Qinying Huang, Xunqian Xu. Optimizing Correction Algorithm for Adaptive Optics Based on Square of Wavefront Gradient[J]. Laser & Optoelectronics Progress, 2019, 56(24): 240103.