快捷導(dǎo)航

Python光學(xué)仿真光的偏振編程理解學(xué)習(xí)

更新時(shí)間：2021年10月20日 10:36:01 作者：微小冷

這篇文章主要為大家介紹了通過Python光學(xué)仿真來理解光的偏振編程學(xué)習(xí)，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進(jìn)步

光的偏振

由于光波是橫波，所以對(duì)于任意一個(gè)光波，其振幅方向與傳播方向在一個(gè)固定的平面內(nèi)。換言之，一束光波可以存在振幅方向不同的一群光波，對(duì)于其中一個(gè)光波而言，其振幅方向即為偏振方向。

可以畫出其示意圖

#偏振光演示
import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D as axd
def polarShow():
    z = np.arange(0,5,0.01)      #傳播方向，單位um
    dWave = 0.6328   
    x1 = z*0
    y1 = np.cos(2*np.pi*z/dWave)#此光波偏振方向?yàn)閥
    x2 = np.cos(2*np.pi*z/dWave)#此光波偏振方向?yàn)閥
    y2 = z*0
    fig = plt.figure()
    ax = axd(fig)
    ax.plot3D(z,x1,y1)
    ax.plot3D(z,x2,y2)
    ax.plot3D(z,x1,y2)
    plt.show()

得到其示意圖為

在這里插入圖片描述

我們生活中遇到的大部分光都是各種偏振方向的均勻混合，即并不是偏振光。上圖所示的藍(lán)色和橙色光波，其偏振方向單一，這種光叫做線偏振光。又因?yàn)檫@兩束光處處保持等相位，則這兩束光的合成仍舊為偏振光。

如果二者之間產(chǎn)生一點(diǎn)相位差，那么其合成將不再是線偏振光，下面將程序中插入一個(gè)相位

#兩個(gè)存在相位差的線偏振光演示
def polarShow(dWave = 0.6328,delta=0.5):
    z = np.arange(0,5,0.01)      
    x1 = z*0
    y1 = np.cos(2*np.pi*z/dWave+delta)#此光波偏振方向?yàn)閥
    x2 = np.cos(2*np.pi*z/dWave)#此光波偏振方向?yàn)閤
    y2 = z*0
    x3 = x1+x2
    y3 = y1+y2
    fig = plt.figure()
    ax = axd(fig)
    ax.plot3D(z,x1,y1)
    ax.plot3D(z,x2,y2)
    ax.plot3D(z,x3,y3)
    ax.plot3D(z,x1,y2)
    plt.show()

調(diào)整視角之后，如下圖所示，可見兩束現(xiàn)偏振光合成之后，偏振方向則在光的不同傳播位置處發(fā)生變化。由于沿著光的傳播方向看去，其投影為一個(gè)橢圓，所以稱此時(shí)的光為橢圓偏振光。

在這里插入圖片描述

調(diào)整相位差，然后畫出光波沿傳播方向上的投影

#偏振光演示
def polarShow(dWave = 0.6328):
    z = np.arange(0,5,0.01)      
    x = np.cos(2*np.pi*z/dWave) #x偏振光
    delta = [0,np.pi/6,np.pi/4,\
             np.pi/3,np.pi/2,2*np.pi/3,\
             3*np.pi/4,5*np.pi/6,np.pi]    
    titles = ["0","30°","45°","60°","90°",\
        "120°","135°","150°","180°"]
    #fig = plt.figure()
    for i in range(9):
        ax =plt.subplot(331+i)  #子圖繪制，表示3×3的布局中的第(1+i)個(gè)圖
        ax.set_title(titles[i])
        y = np.cos(2*np.pi*z/dWave+delta[i])#此光波偏振方向?yàn)閥
        plt.plot(x,y)
        plt.xticks([])
        plt.yticks([])  #去掉坐標(biāo)軸
    plt.subplots_adjust(wspace=0.5,hspace=0.5)#調(diào)整子圖間距
    plt.show()

于是就得到了這張著名的圖片:

在這里插入圖片描述