本發(fā)明屬于光學測試，具體的說是一種用于pst測試的模擬雜光自適應生成方法。

背景技術：

1、在光學系統(tǒng)的性能評估中，雜光系數(shù)是一個重要的指標，雜光會降低光學系統(tǒng)的成像質(zhì)量，影響系統(tǒng)的對比度和分辨率等性能，目前，在進行點源透過率（point?sourcetransmittance，pst）測試時，傳統(tǒng)的模擬雜光生成方式存在諸多不足，例如，現(xiàn)有方法難以根據(jù)不同光學系統(tǒng)的特性以及實際測試環(huán)境的變化自適應地生成模擬雜光，導致測試結(jié)果的準確性和可靠性受到影響，而且，傳統(tǒng)方法生成的模擬雜光在強度、分布參數(shù)的調(diào)節(jié)上不夠靈活，無法滿足多樣化的測試需求。

2、如公開號為cn118915308a的中國專申請公開了光學透鏡光路追蹤模擬方法、系統(tǒng)、成像物鏡及內(nèi)窺鏡，包括：通過根據(jù)幾何設計參數(shù)擬合生成透鏡幾何模型，基于光學性能期望信息分析獲得k個光路追蹤模擬策略，執(zhí)行光學模擬調(diào)參獲得k個光學參數(shù)實測值；根據(jù)光學性能期望信息對k個光學參數(shù)實測值執(zhí)行光學性能求解，獲得光學性能實測信息結(jié)合光學性能期望信息分析獲得光路追蹤模擬結(jié)果。解決了現(xiàn)有技術中進行高精度光學透鏡的透鏡性能評價過程繁瑣復雜且評價結(jié)果對于高精度光學透鏡生產(chǎn)的輔助作用較低的技術問題。達到了降低光學透鏡的透鏡性能評價復雜度，提高透鏡性能評價精度，為高精度光學透鏡的生產(chǎn)設計提供高可信參考的技術效果。

3、以上現(xiàn)有技術存在以下問題：依賴幾何設計參數(shù)的準確性；涉及大量的參數(shù)調(diào)整和模擬計算，尤其是當光學系統(tǒng)復雜或光學性能期望較高時，調(diào)參過程可能會變得非常復雜且耗時；對光學性能期望信息的依賴性強。

技術實現(xiàn)思路

1、針對現(xiàn)有技術的不足，本發(fā)明提出了一種用于pst測試的模擬雜光自適應生成方法，獲取待測試光學系統(tǒng)參數(shù)和測試環(huán)境參數(shù)，建立包含光線追跡、散射、反射和衍射模型的雜光模型，并采用改進的光線追跡算法模擬光線傳播路徑；利用基于深度學習的自適應算法調(diào)整雜光生成參數(shù)，如光源強度、波長和入射角度；利用可調(diào)控的雜光生成裝置根據(jù)調(diào)整后的雜光生成參數(shù)生成模擬雜光，并結(jié)合成像技術生成模擬雜光分布圖，再與光學系統(tǒng)成像面疊加得到包含雜光的成像結(jié)果；根據(jù)成像結(jié)果計算pst值，以評估光學系統(tǒng)的雜光性能，提高了雜光性能評估的準確性和可靠性。

2、為實現(xiàn)上述目的，本發(fā)明提供如下技術方案：

3、一種用于pst測試的模擬雜光自適應生成方法，包括：

4、步驟s1：獲取待測試的光學系統(tǒng)參數(shù)和測試環(huán)境參數(shù)；

5、步驟s2：根據(jù)所述待測試的光學系統(tǒng)參數(shù)和測試環(huán)境參數(shù)，建立雜光模型，結(jié)合改進的光線追跡算法模擬光線在光學系統(tǒng)中的傳播路徑；所述雜光模型包括光線追跡模型、散射模型、反射模型和衍射模型；

6、步驟s3：基于傳播路徑，采用基于深度學習的自適應算法調(diào)整雜光生成參數(shù)；

7、步驟s4：利用雜光生成裝置，根據(jù)調(diào)整后的雜光生成參數(shù)生成模擬雜光，并結(jié)合成像技術生成模擬雜光分布圖，同時，將模擬雜光分布圖與光學系統(tǒng)的成像面進行疊加，得到包含雜光的成像結(jié)果；

8、步驟s5：根據(jù)所述成像結(jié)果計算pst值，評估光學系統(tǒng)的雜光性能。

9、具體地，所述步驟s2的具體步驟包括：

10、s2.1：基于所述光學系統(tǒng)參數(shù)，建立光線追跡模型；

11、s2.2：根據(jù)光學元件的表面粗糙度和材料特性，建立散射模型，并使用harvey-shack散射理論，計算光線在光學元件表面的散射分布，得到散射數(shù)據(jù)；

12、s2.3：使用菲涅爾方程計算光線在光學元件表面的反射率，得到反射率數(shù)據(jù)；

13、s2.4：使用夫瑯禾費衍射公式計算光線通過邊緣時的衍射光強分布，得到衍射數(shù)據(jù)。

14、具體地，所述步驟s2的具體步驟還包括：

15、s2.5：將所述散射數(shù)據(jù)、反射率數(shù)據(jù)和衍射數(shù)據(jù)集成到光線追跡模型中，更新光線追跡模型；

16、s2.6：在更新后的光線追跡模型中，引入蒙特卡羅方法，隨機生成光線樣本，模擬光線樣本在光學系統(tǒng)中的傳播路徑，并對每條光線樣本進行追跡，記錄其與光學元件的相互作用；

17、s2.7：將所有到達成像面的光線樣本進行統(tǒng)計，生成光線分布圖，并根據(jù)光線分布圖，生成雜光分布圖。

18、具體地，所述s2.2的具體步驟包括：

19、s2.21：使用表面輪廓儀測量光學元件的表面粗糙度，并獲取光學材料的折射率n和消光系數(shù)；

20、s2.22：對進行二維傅里葉變換，得到其功率譜密度函數(shù)，其中，和表示空間頻率；

21、s2.23：引入材料特性修正因子和表面粗糙度修正因子，并將與入射角、散射角、入射光波長、材料特性修正因子和表面粗糙度修正因子進行相乘，得到散射分布，其中，表示表面粗糙度的平均值，表示表面粗糙度的標準差，表示散射方位角；

22、s2.24：對于給定的入射角和波長，計算不同散射角和散射方位角下的bs值，生成散射分布圖，并將散射數(shù)據(jù)存儲到數(shù)據(jù)庫中。

23、具體地，所述s2.3的具體步驟包括：

24、s2.31：基于s2.21中的消光系數(shù)和s2.24中的入射角，結(jié)合折射角、光學元件的折射率、入射介質(zhì)的折射率，分別計算垂直偏振下的反射率、平行偏振下的反射率，通過對和求和取均值，得到非偏振光下的反射率；

25、s2.32：將計算得到的反射率數(shù)據(jù)存儲到數(shù)據(jù)庫中；

26、s2.33：對于不同入射角，計算反射率并生成反射率曲線，并將反射率曲線存儲為圖像文件或數(shù)據(jù)文件。

27、具體地，所述s2.4的具體步驟包括：

28、s2.41：定義衍射孔徑、入射光的強度、觀察平面與衍射孔徑的距離和觀察平面上的位置坐標，其中，和表示觀察平面上的坐標軸索引值；

29、s2.42：將衍射角的正弦值與衍射孔徑和圓周率相乘，并除以入射光波長，將得到的結(jié)果求正弦值，并結(jié)合入射光的強度，得到衍射角處的光強；

30、s2.43：通過將衍射角轉(zhuǎn)換為觀察平面上的位置坐標；

31、s2.44：將代入夫瑯禾費衍射公式，計算觀察平面上的衍射光強；

32、s2.45：對于觀察平面上的每個位置，計算衍射光強，生成衍射光強分布圖，并將衍射數(shù)據(jù)存儲到數(shù)據(jù)庫中。

33、具體地，所述s2.6中對每條光線樣本進行追跡，記錄其與光學元件的相互作用的具體過程包括：

34、s2.61：對每條光線樣本，依次計算其在光學系統(tǒng)中的傳播路徑；

35、s2.62：計算光線的折射方向和反射方向；

36、s2.63：使用散射模型計算光線的散射分布；

37、s2.64：根據(jù)光學元件的折射率和反射率，計算光線的能量衰減和；

38、s2.65：記錄每條光線的最終能量和傳播路徑。

39、具體地，所述步驟s3的具體步驟包括：

40、s3.1：從所述雜光分布圖中獲取雜光分布數(shù)據(jù)，并將雜光分布數(shù)據(jù)整理為結(jié)構(gòu)化格式；所述雜光分布數(shù)據(jù)包括光線的傳播路徑、能量衰減、散射分布；

41、s3.2：加載預構(gòu)建的卷積神經(jīng)網(wǎng)絡模型，并以雜光分布數(shù)據(jù)為輸入，以雜光生成參數(shù)為輸出，對預構(gòu)建的卷積神經(jīng)網(wǎng)絡模型進行訓練，得到訓練好的卷積神經(jīng)網(wǎng)絡模型；所述雜光生成參數(shù)包括光源強度、波長、入射角度；

42、s3.3：使用訓練好的卷積神經(jīng)網(wǎng)絡模型，根據(jù)當前實時模擬的雜光分布數(shù)據(jù)預測最優(yōu)雜光生成參數(shù)，并根據(jù)預測結(jié)果，調(diào)整雜光生成裝置的參數(shù)；

43、s3.4：在實際測試過程中，實時采集成像面的雜光分布數(shù)據(jù)，并將其反饋給訓練好的卷積神經(jīng)網(wǎng)絡模型，根據(jù)反饋結(jié)果，動態(tài)修正雜光生成參數(shù)。

44、具體地，所述步驟s4的具體步驟包括：

45、s4.1：根據(jù)卷積神經(jīng)網(wǎng)絡模型的輸出結(jié)果，獲取調(diào)整后的雜光生成參數(shù)；

46、s4.2：使用雜光生成裝置，根據(jù)調(diào)整后的雜光生成參數(shù)設置光源強度、波長和入射角度；所述雜光生成裝置采用可調(diào)光源；

47、s4.3：啟動雜光生成裝置，根據(jù)設置的參數(shù)生成模擬雜光，并使用光學元件將模擬雜光引導到光學系統(tǒng)中；

48、s4.4：使用成像設備采集模擬雜光分布的圖像，并使用圖像處理算法生成模擬雜光分布圖；所述成像設備采用cmos傳感器；

49、s4.5：使用成像設備采集光學系統(tǒng)的成像面數(shù)據(jù)，并將模擬雜光分布圖與光學系統(tǒng)的成像面數(shù)據(jù)進行疊加，生成包含雜光的成像結(jié)果，并將包含雜光的成像結(jié)果存儲到數(shù)據(jù)庫中。

50、具體地，所述步驟s5的具體步驟包括：

51、s5.1：從數(shù)據(jù)庫中加載包含雜光的成像結(jié)果，并進行預處理；

52、s5.2：在成像結(jié)果中選擇成像面的中心區(qū)域作為目標區(qū)域，并在成像結(jié)果中選擇背景區(qū)域；

53、s5.3：在目標區(qū)域中，通過對成像結(jié)果中像素點的光強進行求和取均值，得到目標區(qū)域的平均光強；

54、s5.4：在背景區(qū)域中，通過對成像結(jié)果中像素點的光強進行求和取均值，得到背景區(qū)域的平均光強；

55、s5.4：對和求差值，并除以光源光強，得到pst值；

56、s5.5：根據(jù)pst值評估光學系統(tǒng)的雜光性能，并生成評估報告，包括pst值、雜光分布圖、成像質(zhì)量。

57、與現(xiàn)有技術相比，本發(fā)明的有益效果是：

58、本發(fā)明提出一種用于pst測試的模擬雜光自適應生成方法，通過建立包含多種模型的綜合雜光模型，并結(jié)合改進的光線追跡算法，能夠準確模擬光線在光學系統(tǒng)中的傳播路徑，使得模擬雜光生成高度貼合實際情況，能精準模擬出各種復雜環(huán)境下的雜光情況；其次，采用基于深度學習的自適應算法調(diào)整雜光生成參數(shù)，并利用可調(diào)控的雜光生成裝置生成模擬雜光，結(jié)合成像技術得到包含雜光的成像結(jié)果，進而計算pst值評估光學系統(tǒng)的雜光性能，不僅直觀展示了雜光對成像的影響，還能量化評估光學系統(tǒng)的雜光性能，提高了雜光性能評估的準確性和可靠性。