论文部分内容阅读
随着近代光学理论的发展我们知道光学系统在某种意义上可以被看作一个频率空间滤波器,这就意味着我们可以利用物与像之间的频谱之比对系统的成像质量进行评价,而这个光学系统对不同的空间频率的传递性能称为光学传递函数。光学传递函数中的调制传递函数(MTF)是判断镜头等光学元件成像质量的主要依据,这种新的评价方法不但得到了摄影爱好者的推崇,在光学工程测量及工业加工等众多领域都有极为广泛的推广与应用。MTF值和对焦位置密切相关,考虑到仪器误差和实验误差,很难通过理论求解得到最佳的对焦位置;而仅通过人为手动调整对焦位置受到人为主观因素和操作者水平的影响较大。近些年来,随着人工智能的兴起,在优化方面提出一些不同于传统优化的基于人工智能的优化方法。其中,神经网络和支持向量机因其有良好的非线性,被越来越多的用于函数逼近和模拟黑箱模型。基于上述理论,本文开展了以下工作:(1)论述了MTF值的物理意义和测量方法,并基于此搭建了MTF光学测试系统装置及平台;探索了影响MTF值的关键因素。(2)提出了基于小波神经网络的MTF值优化算法,得到了最佳对焦位置,比较了基于小波神经网络方法和人为调整得到的最佳对焦位置和MTF值,并对其进行了分析。(3)提出了基于支持向量机的MTF值优化算法,得到了最佳对焦位置,比较了基于支持向量机和人为调整得到的最佳对焦位置和MTF值,并对其进行了分析。得到了以下结论:(1)MTF值可用于评价光学元件成像质量,且随着采集位置向最佳像点逼近,待测系统的MTF值逐渐增大,随着CMOS相机采集距离继续增大,待测系统的MTF值逐渐减小。(2)通过基于小波神经网络优化的MTF值较人为优化得到的MTF值增加,小波神经网络优化得到的CMOS位置更加接近于最佳CMOS位置。(3)基于SVM方法优化的MTF值较人为优化得到的MTF值增加,基于SVM方法得到的CMOS位置更加接近于最佳CMOS位置。