一种基于二阶矩的神经网络波前重构方法

本发明公开了一种基于二阶矩的神经网络波前重构方法，旨在解决传统相位恢复算法在强湍流条件下重构精度低、健壮性差的问题。本方法构建一个结合DenseBlock、SEBlock以及U‑Net结构的Moment‑U‑Net神经网络，通过二阶矩提取光斑形状信息，计算光斑实际质心到参考质心的偏移量、强度信息，将光斑形状信息、光斑偏移量和光斑强度信息共同作为Moment‑U‑Net神经网络的输入特征，训练输入特征到大气相位屏之间的映射关系。本发明在强湍流环境下表现出优异的健壮性和毫秒级的运算速度。本发明可实现强湍流下的精确波前重构，在图像事后重建和光学系统校正领域具有重要意义。