一种基于深度学习模型的跨尺度复合波前传感方法

本发明公开一种基于深度学习模型的跨尺度复合波前传感方法，通过复合波前传感系统实现夏克‑哈特曼波前传感器（SHWFS）和离轴数字全息（OADH）这两种测量体制结合，利用基于深度神经网络的MSWM‑Net模型对复合波前传感系统所测波前进行数据融合，实现两种测量系统性能的优势互补，进一步获得高置信度重构波前。当测量包含不同空间频率的波前像差时，该方法不仅解决了SHWFS测量中相位精度低的问题，而且解决了OADH测量中将波前包裹在周期的局限性。通过测试验证了该方法在波前探测中的可行性和有效性。本发明更易于实现大气湍流像差的定量测量，可为大气湍流像差校正系统提供设计输入参数，也可以用于大气湍流校正系统的畸变波前探测。