[0001] 本发明属于光学成像的技术领域，具体涉及一种光通过散射介质聚焦的分布估计算法调制方法。

[0002] 由于强散射介质(如纸、牛奶、人体组织等)的多重散射，光透过这些物质之后会被散射掉，表现出不透明的性质。光束的相干性会被破坏，从而形成随机散斑。控制散射介质的散射作用，在成像和信息传输中可以将有害条件转变为有利，因此如何控制光经过散射介质的传输是一项非常有意义的研究工作，这对生物医学成像、材料检测、量子信息处理等具有重要的应用价值。

[0003] 2007年荷兰Twente大学Mosk教授等人通过空间光调制器对完全相干激光的波前进行调制采用连续顺序算法通过优化入射激光的波前分布，在聚焦点获得了光强很强的聚焦光斑。近年来人们提出了很多算法实现激光经过强散射介质的聚焦，如随机分区调节法、遗传算法、遗传算法和单元裂解调制算法等。现有的单元裂解调制算法需要一个在父单元和子单元中一个单元一个单元的调制，调制速度较慢，且前面的单元调制完后难以根据实际环境实时更新，导致改算法抗噪性能较差。遗传算法需要通过交叉和变异获得新的种群，是在微观个体层面上进行进化模拟，容易导致算法局部收敛，陷入局部最优。这些方法各有优缺点，在一定程度上都能实现光束通过散射介质的聚焦，现有的单元裂解调制算法需要一个在父单元和子单元中一个单元一个单元的调制，调制速度较慢，且前面的单元调制完后难以根据实际环境实时更新，导致改算法抗噪性能较差。遗传算法需要通过交叉和变异获得新的种群，是在微观个体层面上进行进化模拟，容易导致算法局部收敛。

[0004] 本发明所要解决的技术问题在于提供一种光通过散射介质聚焦的分布估计算法调制方法，使得光经过强散射介质聚焦的调制收敛速度更快，抗噪性能更好，聚焦效果更优。

[0005] 本发明是这样实现的：

[0006] 一种光通过散射介质聚焦的分布估计算法调制方法，包括如下步骤：

[0007] 步骤1：初始化种群：

[0008] 在相位调制为[0，2π]或振幅调制为0或1的解空间中，按照均匀分布随机产生M个个体组成初始群体，每个个体有N个掩膜，然后计算每个个体的适应值，即对应个体掩膜加载在调制器上后目标位置的光强值，并初始化概率模型；

[0009] 步骤2：选择优势群体：

[0010] 按适应值大小比较选取适应值较高的h个个体作为优势群体(h≤M)，即选取目标位置处的光强值较大的个体作为优势群体；

[0011] 步骤3：构建概率模型：

[0012] 分析优势群体所包含的信息，构建符合这些变量分布的联合概率模型，概率模型描述了各个可能解在空间分布的情况；

[0013] 步骤4：生成新群体：根据步骤3得出的概率分布，由概率模型通过随机采样的方法产生新的种群，即新的掩模，并重新对每一个新的个体进行适应值计算；

[0014] 步骤5：若终止条件不满足，返回步骤2；否则算法结束。

[0015] 进一步地，所述步骤1中的掩膜，是指相位掩膜或振幅掩膜。

[0016] 进一步地，所述步骤5中的终止条件，包括：迭代次数或收敛精度。

[0017] 本发明的优点在于：光经过强散射介质后会形成一个随机散斑场，采用调制器对入射光束进行相位(或振幅)调制，相机接收出射光的散斑图，调制器和相机与计算机连接，计算机程序获取该目标区域的相机的光强度，为算法提供反馈信号。本发明通过采用分布估计算法使代价函数最大化，其中代价函数定义为相机目标位置处的光强值大小。区别于遗传算法采用交叉和变异等操作产生新个体，本发明的分布估计算法是采用基于搜索空间的进化方法，通过学习概率模型和采样操作使群体朝着优秀个体的方向进化，具备更强的全局搜索能力和更快的收敛速度。相较于粒子群算法和遗传算法，本发明调制速度更快，抗噪性能更好，聚焦效果更好，在光学捕获、生物成像等领域有广泛应用前景。附图说明

[0018] 下面参照附图结合具体实施例对本发明作进一步详细说明。

[0019] 图1是本发明的方法流程示意图。

[0020] 图2是本发明的方法实验装置及光路图。

[0021] 图3是本发明的方法进行相位调制得到的结果图。

[0022] 图4是采用本发明方法的光强增长因子随着迭代次数的变化曲线图。

[0023] 图5是在不同噪声水平下，分布估计算法和粒子群算法、遗传算法、连续顺序算法的光强增长因子变化曲线图。

[0024] 附图说明：1、光源，2、扩束器，3、偏振镜，4、调制器，5、第一个显微物镜，6、强散射介质，7、第二个显微物镜，8、相机，9、计算机。

[0025] 请参阅图1所示，本实施例提供一种光通过散射介质聚焦的分布估计算法调制方法，实验装置及光路图如图2所示，光源1发出的光经过扩束器2后，再经过水平偏振镜3获得水平偏振光，均匀地照射在调制器4上，经调制器4反射后用第一个显微物镜5聚焦到强散射介质(毛玻璃等)上，经强散射介质6散射后用第二个显微物镜7收集散射光，并在相机8上成像。相机8实时获取输出的散斑的光强分布，计算机9获得相机8上目标位置的光强信息。将调制器4表面划分为N个等大独立单元，每个单元里加载相位(振幅)，这些分别对应着一个输入模式。通过检测接收面目标位置的光强，利用分布估计算法调节输入模式的相位(振幅)，使之在目标位置发生相长干涉，目标位置处的光强达到最大，经过调制(振幅调制或相位调制)后的光经过散射介质聚焦在接收面的目标位置。光经过强散射介质后会形成一个随机散斑场，采用调制器4对入射光束进行相位(或振幅)调制，相机8接收出射光的散斑图，调制器4和相机8与计算机9连接，计算机9程序获取该目标区域的相机的光强度，为算法提供反馈信号。本发明采用目标位置处光强的增长因子来定量比较聚焦效果，增长因子η为优化后目标位置处的光强与优化前的统计平均光强的比值，即

[0026]

[0027] 本实施例采用高斯概率分布模型的分布估计算法实现光经过强散射介质聚焦的过程，设置种群中的总个体数为100，其中优等个体数为30，迭代次数为100，学习因子设为0.25。调制器上表面单元划分的独立单元数N为32×32，具体调制流程如下：

[0028] 步骤1、随机产生100个个体的初始种群，每个个体有32×32个相位掩膜，并计算所有个体的适应值，同时根据以下公式初始化概率模型；

[0029]

[0030] 其中：V[i][j]为种群中个体i的变量xj的值，M为种群的规模；

[0031] 步骤2、按照适应值从大到小排序选取30个个体作为优势群体；

[0032] 步骤3、采用线性学习方式更新高斯分布的方差及均值，构建高斯概率模型；设在第t代时，xj对应的高斯分布的均值为 方差为 按下面公式更新：

[0033]

[0034] 其中，α为学习因子， 知 分别表示种群中最优个体、次优个体和最差个体对应的xj值，即个体中对应的相位。xjk为种群按适应值大小排序的第(k‑1)个个体的xj值，为选出的K个较优种群的xjk的均值；

[0035] 步骤4、根据更新的高斯分布通过随机采样的方法产生新的相位掩膜，并计算对应的适应值。

[0036] 步骤5、若迭代次数小于100，返回步骤2；否则算法结束。

[0037] 图3为采用本发明方法进行相位调制得到的结果图，其中a为相位调制前的随机散斑图，b为经过分布估计算法调制相位后的聚焦光斑图，c为最终形成b的聚焦光斑对应的相位图。在两三次迭代之后，可以明显的看出相机目标位置处的形成一个很亮的聚焦光斑，光强增长因子为243.96。图4为光强增长因子随着迭代次数的变化曲线图，可以看出随着调制的进行，可以看出其光强增长因子增长很快，且抖动很小。

[0038] 图5为在不同噪声水平下，分布估计算法和粒子群算法、遗传算法、连续顺序算法的光强增长因子。不同算法中每个噪声水平下的光强增长因子为算法分别运行17次得到的光强增长因子的平均数。从图4中可以明显地看出，随着外界噪声水平的增长，连续顺序算法的光强增长因子降落非常快，粒子群算法和遗传算法的光强增长因子差别较小，而遗传算法在不同的噪声水平下，其光强增长因子虽有下降，但整体比其他三个算法的光强增长因子都大。

[0039] 本发明提出的一种分布估计算法调制方式，使得光经过强散射介质聚焦的调制收敛速度更快，抗噪性能更好，聚焦效果更优。区别于遗传算法采用交叉和变异等操作产生新个体，分布估计算法是采用基于搜索空间的进化方法，通过学习概率模型和采样操作使群体朝着优秀个体的方向进化，具备更强的全局搜索能力和更快的收敛速度。本发明相较于粒子群算法和遗传算法，其调制速度更快，抗噪性能更好，聚焦效果更好，在光学捕获、生物成像等领域有广泛应用前景。光经过强散射介质后会形成一个随机散斑场，采用调制器对入射光束进行相位(或振幅)调制，相机接收出射光的散斑图，调制器和相机与计算机连接，计算机程序获取该目标区域的相机的光强度，为算法提供反馈信号。通过采用分布估计算法使代价函数最大化，其中代价函数定义为相机目标位置处的光强值大小。

[0040] 虽然以上描述了本发明的具体实施方式，但是熟悉本技术领域的技术人员应当理解，我们所描述的具体的实施例只是说明性的，而不是用于对本发明的范围的限定，熟悉本领域的技术人员在依照本发明的精神所作的等效的修饰以及变化，都应当涵盖在本发明的权利要求所保护的范围内。