Cebador
El error del frente de onda óptico es el factor más importante que afecta la calidad de los rayos láser emitidos o la calidad de la imagen óptica, pero en los sistemas de óptica adaptativa, los datos de los errores del frente de onda óptico no se pueden obtener directamente para su corrección, sino que solo se pueden medir los errores de frente de onda discretos . la distribución de intensidad en la pendiente frontal o el plano de desenfoque requiere la recuperación de la forma del frente de onda continuo a partir de los datos discretos anteriores.
Al mismo tiempo, los datos del frente de onda medidos suelen contener errores de medición, y también es necesario utilizar todos los datos del frente de onda para suavizar los errores de los puntos de medición individuales.
Estos dos aspectos del trabajo pertenecen al contenido de la reconstrucción del frente de onda.
——Zhou Renzhong, Adaptive Optics[M], National Defense Industry Press, 1996: 180-181.
introducir:
La posición de una serie de puntos desviados después de que la luz pasa a través de la lente y onda .
Las mediciones del gradiente (pendiente) del frente de onda inevitablemente se ven perturbadas por el ruido aleatorio debido a la naturaleza cuántica de la luz y la adición de electrones durante la detección. Dado que existen múltiples trayectorias de gradientes (pendientes) entre dos puntos cualquiera en el frente de onda , no existe un frente de onda único que satisfaga exactamente todos los gradientes medidos, y se requiere una solución estadística. El criterio suele ser minimizar el error cuadrático medio entre el frente de onda reconstruido y las mediciones de gradiente individuales.
Clasificación:
1. Método integral local:
Tiene una gran capacidad para retener detalles , pero el error en los datos tiene un mayor impacto en el resultado de la integración y, por lo general, se usa para calcular datos de distribución rectangular.
integración de ruta cruzada
[1] Jr ENC, Jain R. Obtención de formas tridimensionales de superficies texturizadas y especulares mediante fotometría de cuatro fuentes[J]. Procesamiento de imágenes y gráficos por computadora, 1982, 18(4):309-328.
[2] Healey G, Jain R. Recuperación de profundidad de superficies normales [C] // Conferencia internacional sobre reconocimiento de patrones. 1984.
2. Método integral global:
En comparación con el método de integración local, se ve menos afectado por el ruido y puede procesar datos en áreas rectangulares y circulares. Sin embargo, el
método de integración global es relativamente pobre en el mantenimiento de los detalles locales
y tiene un mayor rendimiento cuando se ajusta a superficies rotacionalmente simétricas tradicionales como como superficies esféricas y asféricas Sin embargo, para superficies con simetría no rotacional y grandes cambios de superficie, como superficies de forma libre, la
precisión de ajuste es baja.
Reconstrucción de frente de onda regional
[1] Hudgin R H. Reconstrucción de frente de onda para imágenes compensadas [J]. Revista de la Sociedad Óptica de América (1917-1983), 1977, 67(3):375-378.
[2] Fried D L. Ajuste por mínimos cuadrados de una estimación de distorsión de frente de onda a una matriz de medidas de diferencia de fase [J]. Revista de la Sociedad Óptica de América, 1977, 67(3):370-375.
[3] Southwell W H. Estimación de frente de onda a partir de mediciones de pendiente de frente de onda [J]. Revista de la Sociedad Óptica de América, 1980, 70(8):998-1006.
Método de integración por transformada de Fourier
Roddier F, Roddier C. Reconstrucción de frente de onda usando transformadas iterativas de Fourier [J]. Óptica Aplicada, 1991, 30(11):1325-7.
método modelo
Zhou Renzhong. Óptica adaptativa [M]. Prensa de la Industria de Defensa Nacional, 1996: 180-181.
3. Combinación local + global:
No solo mantiene los detalles locales, sino que también tiene una alta precisión de ajuste.
método de reconstrucción de Poisson
[1] Michael Kazhdan , Matthew Bolitho , Hugues Hoppe . Reconstrucción de la superficie de Poisson [C]. Simposio sobre procesamiento de geometría 2006, 61-70.
[2] Agrawal A, Chellappa R, Raskar R. Un enfoque algebraico para la reconstrucción de superficies a partir de campos de gradiente[C]// Décima Conferencia Internacional IEEE sobre Visión por Computador. Sociedad de Informática IEEE, 2005:174-181.
[3] Agrawal A, Raskar R, Chellappa R. ¿Cuál es el rango de reconstrucciones de superficie a partir de un campo de gradiente? [J]. Computer Vision–ECCV 2006, 2006: 578-591.
[4] Zhang Kai. Investigación sobre el algoritmo de reconstrucción de superficies 3D basado en la ecuación de Poisson [D]. Tianjin: Universidad Tecnológica de Hebei, 2013.
Explicación detallada de la tecnología de reconstrucción de frente de onda
1. Ley regional - basada en el modelo de Southwell
De acuerdo con la diferencia entre los datos de pendiente del frente de onda y la posición relativa de la altura a reconstruir, el método de reconstrucción de frente de onda regional se divide en tres modelos, que son tipo Hudge, tipo Fried y tipo Southwell. Aquí nos centraremos en el tipo Southwell. . Como se muestra en la imagen:
La posición del punto negro en la figura es la posición del frente de onda a reconstruir , y las flechas en dirección transversal indican la pendiente del frente de onda en las direcciones X e Y. La posición del punto a reconstruir en el Pozo Sur la configuración es consistente con la posición de la pendiente del frente de onda medido . Cuando la pendiente del frente de onda está relacionada con el valor de frente de onda deseado en el centro de la subabertura, se requiere una ruta de cálculo indirecta. Los datos de pendiente del frente de onda en la configuración de Southwell primero deben convertirse a la configuración de Hudgin como se muestra:
La pendiente (gradiente) que conecta dos nodos es el promedio de los dos gradientes medidos en la región centrada en esos nodos:
Entre ellos, Sx y Sy son escalares que representan la pendiente del frente de onda local , y myn son los números de serie de las subaberturas. Bajo la configuración de Hudgin (la fórmula anterior se combina con la fórmula de Hudgin), la pendiente obtenida se puede relacionar directamente con el frente de onda de muestreo:
Entre ellos, Φ es la fase del frente de onda a reconstruir. Si establecemos su límite en d, se convierte en la definición estándar de la derivada cuando d tiende a cero.
Por lo tanto, para una cuadrícula compuesta por matrices de microlentes N × N , la diferencia entre dos valores de fase adyacentes separados por ds se puede expresar como:
Indica que la pendiente promedio es igual a la relación de la diferencia de puntos de fase entre los frentes de onda adyacentes a medir y el intervalo de muestreo.
La fórmula anterior se registra como:
Entre ellos, C es la matriz de coeficientes, s es el vector de pendiente medido por el detector de frente de onda , E es la matriz de coeficientes y es la fase de frente de onda a reconstruir ;
esta fórmula se puede resolver mediante un método iterativo , y luego la fase de frente de onda puede obtenerse _
Comparación de intervalo continuo VS espacio discreto:
Tomando la sublente 3*3 como ejemplo, explícala y usa el método iterativo para reconstruir la fase del frente de onda:
Cambiar a forma matricial:
Se puede notar que los elementos distintos de cero en la matriz C son solo 0.5, y los elementos distintos de cero en la matriz E son solo 1 y -1.
2. Método de reconstrucción de Poisson
Es demasiado complicado y no tengo una buena base en matemáticas, así que no puedo entenderlo. Cuando vaya a estudiar mucho, abriré un nuevo artículo dedicado a ello.