先进光学仪器研究室知识库

针对基于纹影的高动态范围远场焦斑测量数学模型没有考虑噪声对测量结果影响的缺点,本文对基于纹影的远场焦斑测量方法从三个方面进行优化.首先,改进基于纹影的远场焦斑测量数学模型,将噪声作为影响实验结果的重要因素引入数学模型中,使该数学模型和真实的实验环境相匹配,提高了该数学模型的实用性和理论支撑作用;其次,将基于卷积神经网络的去噪算法（DnCNN）引入主瓣和旁瓣CCD图像去噪处理中,并改进该去噪算法存在的不足,使得能够有效去除主瓣和旁瓣12位图像、不同级别（0～75 dB）的噪声;最后,完整仿真了远场焦斑测量实验的全过程,包括分光、衰减、加噪声、纹影小球遮挡、去噪、衰减倍率放大、焦斑重构等,获得了有效的焦斑重构实验结果,其中重构焦斑图像和理论焦斑图像的相关系数为0.998 9,重构焦斑动态范围与理论焦斑动态范围之间误差为3.22%.仿真实验结果表明,通过该数学模型和DnCNN去噪算法的改进措施,验证了改进的数学模型必要性和DnCNN去噪算法在提高重构焦斑二维分布和动态范围精度方面的优越性能,提高了基于纹影的高动态范围远场焦斑测量的可信度,满足了高动态范围远场焦斑测量对于精度和效率的要求.