波前、相位与振幅的数学本质及调制原理

在几何光学中,我们习惯画"光线"。但在微纳光学、全息技术和超表面领域,光线的概念已经失效,我们必须戴上波动光学的眼镜。

在这副眼镜下,光不再是直线,而是一个在空间中起伏的复数场。理解波前 (Wavefront)相位 (Phase)振幅 (Amplitude) 之间的数学关系,是掌握现代光学技术的关键。


01. 描述光的数学语言:复振幅

根据麦克斯韦方程组,单色光波的标量电场 E(r⃗,t)E(\vec{r}, t)E(r ,t) 可以表示为:

E(r⃗,t)=A(r⃗)cos⁡[ωt−ϕ(r⃗)]E(\vec{r}, t) = A(\vec{r}) \cos[\omega t - \phi(\vec{r})]E(r ,t)=A(r )cos[ωt−ϕ(r )]

  • A(r⃗)A(\vec{r})A(r ):振幅,决定光的强弱。
  • ϕ(r⃗)\phi(\vec{r})ϕ(r ):相位,决定光的波形和传播方向。
  • ω\omegaω:角频率,决定光的颜色。

为了方便数学运算(尤其是傅里叶变换),我们通常使用复数表示法 (Complex Notation) ,去掉时间项 e−iωte^{-i\omega t}e−iωt(因为探测器响应太慢,测不到时间高频振荡),只保留空间部分,称为复振幅 (Complex Amplitude) U(r⃗)U(\vec{r})U(r ):

U(r⃗)=A(r⃗)⋅eiϕ(r⃗)U(\vec{r}) = A(\vec{r}) \cdot e^{i\phi(\vec{r})}U(r )=A(r )⋅eiϕ(r )

这就是光场的三位一体:

  1. 振幅 AAA 是复数的模 (Modulus)
  2. 相位 ϕ\phiϕ 是复数的辐角 (Argument)
  3. 波前 则是相位的等值面

02. 深度解析:三者的物理图景

1. 振幅 (Amplitude)与强度

振幅 A(r⃗)A(\vec{r})A(r ) 是最直观的物理量。

我们人眼或相机看到的"亮度",在物理上是光强 (Intensity) ,它正比于振幅的模平方:
I(r⃗)=∣U(r⃗)∣2=A2(r⃗)I(\vec{r}) = |U(\vec{r})|^2 = A^2(\vec{r})I(r )=∣U(r )∣2=A2(r )

  • 调制方式 :衰减片、光圈、偏振片。本质是乘法运算 (乘以一个 000 到 111 的系数)。

2. 相位 (Phase)与延迟

相位 ϕ(r⃗)\phi(\vec{r})ϕ(r ) 描述了波在某一点的"振动状态"。

如果把光波比作一列行进的队伍,相位就是告诉你是该抬左脚还是抬右脚。

  • 相对性 :相位的绝对值没有意义,有意义的是相位差 (Phase Difference)
  • 物理本质 :光在介质中传播时积累的光程 (Optical Path Length, OPL) 转化为了相位。
    Δϕ=k0⋅ΔOPL=2πλ⋅n⋅d\Delta \phi = k_0 \cdot \Delta OPL = \frac{2\pi}{\lambda} \cdot n \cdot dΔϕ=k0⋅ΔOPL=λ2π⋅n⋅d
    (nnn: 折射率, ddd: 传播距离)。

3. 波前 (Wavefront)与形状

定义 :空间中所有相位相同的点构成的曲面。
ϕ(x,y,z)=C(C is constant)\phi(x, y, z) = C \quad (C \text{ is constant})ϕ(x,y,z)=C(C is constant)

最核心的结论
光线的传播方向(波矢量 k⃗\vec{k}k ),永远垂直于波前,指向相位减小的方向。

数学上,波矢量是相位的梯度 (Gradient)
k⃗(r⃗)=∇ϕ(r⃗)=(∂ϕ∂x,∂ϕ∂y,∂ϕ∂z)\vec{k}(\vec{r}) = \nabla \phi(\vec{r}) = \left( \frac{\partial \phi}{\partial x}, \frac{\partial \phi}{\partial y}, \frac{\partial \phi}{\partial z} \right)k (r )=∇ϕ(r )=(∂x∂ϕ,∂y∂ϕ,∂z∂ϕ)

这意味着:如果你控制了相位 ϕ(x,y)\phi(x,y)ϕ(x,y) 的分布,你就控制了光往哪里跑!


03. 相位调制的数学原理与应用

这是现代光学(SLM、超表面)最精彩的部分。我们通过改变通过平面的相位分布 ϕ(x,y)\phi(x,y)ϕ(x,y),来重塑波前。

场景一:光束偏转 (Beam Steering) ------ 线性相位

如果我们希望光束偏转一个角度 θ\thetaθ。
波前形状 :必须是一个倾斜的平面。
数学公式
ϕ(x,y)=kx⋅x=(k0sin⁡θ)⋅x\phi(x, y) = k_x \cdot x = (k_0 \sin\theta) \cdot xϕ(x,y)=kx⋅x=(k0sinθ)⋅x

物理操作

我们需要在光通过器件时,引入一个随位置 xxx 线性增加 的相位延迟。这就是棱镜的作用,也是相控阵雷达的原理。

场景二:光束聚焦 (Focusing) ------ 二次相位

如果我们希望光束汇聚到一个焦点 fff。
波前形状 :必须是一个收缩的球面。
数学公式 (近轴近似):

球面波前的相位分布是二次函数(抛物面):
ϕ(r)=−k0r22f=−πr2λf\phi(r) = -\frac{k_0 r^2}{2f} = -\frac{\pi r^2}{\lambda f}ϕ(r)=−2fk0r2=−λfπr2

(r=x2+y2r = \sqrt{x^2+y^2}r=x2+y2 )

物理操作

我们需要在中心引入最小的相位延迟,在边缘引入最大的相位延迟(让边缘的光"慢下来"等中心的光)。

这就是凸透镜 的作用。如果你在 SLM 上加载这个 r2r^2r2 的相位图,它就变成了一个数字透镜。

场景三:涡旋光束 (Vortex Beam) ------ 螺旋相位

如果我们希望光束携带轨道角动量 (OAM),形成"甜甜圈"光斑。
波前形状 :像螺旋楼梯一样。
数学公式
ϕ(θ)=l⋅θ\phi(\theta) = l \cdot \thetaϕ(θ)=l⋅θ

(lll: 拓扑荷数, θ\thetaθ: 方位角 arctan⁡(y/x)\arctan(y/x)arctan(y/x))

物理操作

相位随着角度从 000 变到 2πl2\pi l2πl。这就是螺旋相位板 (Spiral Phase Plate) 的原理。


04. 调制与重构:全息术 (Holography)

全息术的本质,就是同时记录和重构振幅与相位。

为什么照相只有二维?

因为胶片/CCD 只能记录强度 I=∣A∣2I = |A|^2I=∣A∣2,相位信息 ϕ\phiϕ 丢失了(丢失了深度和方向信息)。

计算机全息 (CGH) 的逆向设计

如果我们想要在远场得到一张图(目标振幅 AtargetA_{target}Atarget),我们该在全息板(源平面)上加载什么相位 ϕsource\phi_{source}ϕsource?

这是一个典型的迭代傅里叶变换算法 (GS Algorithm) 问题:

  1. 源平面 :假设振幅均匀 A0A_0A0,随机猜测一个相位 ϕ0\phi_0ϕ0。
  2. 正向传播:做 FFT,传到目标平面。
  3. 约束替换 :保留计算出的相位,强行把振幅替换为目标图像 AtargetA_{target}Atarget。
  4. 逆向传播:做 IFFT,传回源平面。
  5. 约束替换 :保留计算出的相位,强行把振幅替换为 A0A_0A0(因为激光束振幅通常是均匀的)。
  6. 循环:重复上述步骤,直到相位收敛。

最终得到的相位图,就是一张全息图


05. 总结

物理量 数学符号 物理意义 调制器件举例 核心公式
振幅 AAA 能量、亮度 衰减片、光圈 I∝A2I \propto A^2I∝A2
相位 ϕ\phiϕ 波形、方向 透镜、棱镜、SLM k⃗=∇ϕ\vec{k} = \nabla \phik =∇ϕ
波前 ϕ=C\phi=Cϕ=C 等相位面 (由相位决定) Δϕ=kΔz\Delta \phi = k \Delta zΔϕ=kΔz

一句话总结

振幅决定了我们"看见"了什么,而相位决定了光"如何到达"那里。现代光学的魔术(隐身衣、超透镜、全息投影),本质上全都是在玩弄相位的数学游戏。


相关推荐
8K超高清3 小时前
CES 2026科技看点
网络·人工智能·科技·数码相机·计算机视觉
格林威4 小时前
Baumer相机最新SDK开发_下载_封装
人工智能·数码相机·opencv·机器学习·计算机视觉·视觉检测·halcon
gaosushexiangji5 小时前
基于3D3C-PIV的超音速火焰喷口近场三维速度与涡结构测量实验
数码相机·3d
8K超高清5 小时前
超高清智能数字影像技术重构产业逻辑,国产摄像机品牌异军突起
网络·人工智能·科技·数码相机·计算机视觉·重构
sunfove5 小时前
激光雷达 (LiDAR) 的物理本质、技术路线演进与算法落地
数码相机·光学
深圳佛手1 天前
AI相机介绍以及发展趋势
人工智能·数码相机
格林威1 天前
多光源条件下图像一致性校正:消除阴影与高光干扰的 6 个核心策略,附 OpenCV+Halcon 实战代码!
人工智能·数码相机·opencv·算法·计算机视觉·分类·视觉检测
好好学仿真1 天前
探索超表面智能设计:当FDTD仿真遇上Python优化
python·联合仿真·机器学习算法·光学·fdtd·超表面逆向设计·超表面器件设计
乐园游梦记1 天前
工业视觉(尤其是 3D/2.5D 相机场景)中针对不同数据类型、精度、用途设计的保存格式
数码相机·opencv·3d·c#