4. Mueller矩阵与Stokes矢量：从琼斯到穆勒的跨越

前面我们聊了Jones矩阵，它确实好用。但有个问题——它只能处理完全偏振光。你想想看，现实世界哪有那么理想？自然光、部分偏振光，这些才是常态。我当年做激光雷达系统时，回波信号里混着大量非偏振成分，用Jones矩阵算出来的结果跟实测差了十万八千里。后来才意识到，得用Mueller矩阵和Stokes矢量这套工具。

说白了，Jones矩阵是「理想主义」，Mueller矩阵才是「现实主义」。它能处理部分偏振光、非偏振光，甚至能描述退偏效应。今天我们就把它讲透。

4.1 Stokes参数：四个数字描述偏振态

Stokes参数用四个实数描述一束光的偏振态。为什么是四个？因为光强、偏振度、偏振方向、椭圆率，这四个信息缺一不可。

定义如下：

• S₀：总光强（I）
• S₁：水平与垂直偏振分量之差（Q）
• S₂：+45°与-45°偏振分量之差（U）
• S₃：右旋与左旋圆偏振分量之差（V）

写成矢量形式：

S = [S₀, S₁, S₂, S₃]ᵀ

几个典型例子：

偏振态	Stokes矢量	说明
自然光（非偏振）	[1, 0, 0, 0]ᵀ	各方向均匀
水平线偏振	[1, 1, 0, 0]ᵀ	S₁取最大值
垂直线偏振	[1, -1, 0, 0]ᵀ	S₁取最小值
+45°线偏振	[1, 0, 1, 0]ᵀ	S₂取最大值
右旋圆偏振	[1, 0, 0, 1]ᵀ	S₃取正值
左旋圆偏振	[1, 0, 0, -1]ᵀ	S₃取负值

4.2 偏振度：一个参数衡量偏振纯度

有了Stokes参数，偏振度（Degree of Polarization, DoP）就很好算了：

DoP = √(S₁² + S₂² + S₃²) / S₀

取值范围：

• DoP = 1：完全偏振光
• DoP = 0：完全非偏振光（自然光）
• 0 < DoP < 1：部分偏振光

我做过一个偏振成像项目，目标物体反射光DoP只有0.3左右。用Jones矩阵算出来的结果完全不对，换成Mueller矩阵才把目标从背景里分离出来。嗯，这就是现实和理想的差距。

4.3 Mueller矩阵：4×4的「万能变换器」

Mueller矩阵是一个4×4的实数矩阵，作用在Stokes矢量上：

S_out = M · S_in

展开形式：

| S₀_out |   | m₀₀  m₀₁  m₀₂  m₀₃ |   | S₀_in |
| S₁_out | = | m₁₀  m₁₁  m₁₂  m₁₃ | · | S₁_in |
| S₂_out |   | m₂₀  m₂₁  m₂₂  m₂₃ |   | S₂_in |
| S₃_out |   | m₃₀  m₃₁  m₃₂  m₃₃ |   | S₃_in |

每个矩阵元都有物理意义。比如m₀₀代表总光强的透过率，m₁₁代表水平偏振分量的衰减系数。我建议你把这个矩阵当成一个「黑箱」，输入是Stokes矢量，输出也是Stokes矢量，中间发生了什么？Mueller矩阵说了算。

4.4 Mueller矩阵与Jones矩阵的关系

这里有个容易混淆的点。Jones矩阵是2×2的复数矩阵，Mueller矩阵是4×4的实数矩阵。它们之间可以互相转换，但有个前提——系统必须是「非退偏」的。

从Jones矩阵J推导Mueller矩阵M的公式：

M = A · (J ⊗ J*) · A⁻¹

其中⊗表示Kronecker积，A是一个固定的4×4变换矩阵。具体实现：

import numpy as np

def jones_to_mueller(J):
    """
    将Jones矩阵转换为Mueller矩阵
    J: 2x2复数矩阵
    返回: 4x4实数Mueller矩阵
    """
    # 变换矩阵A
    A = np.array([
        [1, 0, 0, 1],
        [1, 0, 0, -1],
        [0, 1, 1, 0],
        [0, 1j, -1j, 0]
    ])
    
    # Kronecker积
    J_kron = np.kron(J, J.conj())
    
    # 变换
    A_inv = np.linalg.inv(A)
    M = A @ J_kron @ A_inv
    
    return np.real(M)  # 取实部

4.5 部分偏振光的处理：Mueller矩阵的真正用武之地

处理部分偏振光，Mueller矩阵是唯一的选择。为什么？因为Jones矩阵只能处理相干叠加，而部分偏振光是非相干的。

举个例子。一束DoP=0.5的部分偏振光通过一个理想偏振片：

# 输入光：水平偏振成分占75%，垂直占25%
S_in = np.array([1.0, 0.5, 0.0, 0.0])  # DoP = 0.5

# 理想水平偏振片的Mueller矩阵
M_polarizer = 0.5 * np.array([
    [1, 1, 0, 0],
    [1, 1, 0, 0],
    [0, 0, 0, 0],
    [0, 0, 0, 0]
])

# 计算输出
S_out = M_polarizer @ S_in
print(f"输出Stokes矢量: {S_out}")
print(f"输出DoP: {np.sqrt(S_out[1]**2 + S_out[2]**2 + S_out[3]**2) / S_out[0]:.3f}")

输出结果是：

输出Stokes矢量: [0.75 0.75 0.   0.  ]
输出DoP: 1.000

看到了吗？经过偏振片后，部分偏振光变成了完全偏振光。这就是偏振片的「提纯」作用。我当年做偏振去雾时，就是利用这个原理把散射光中的非偏振成分滤掉的。

4.6 常见偏振元件的Mueller矩阵

元件	Mueller矩阵	说明
理想水平偏振片	0.5×[[1,1,0,0],[1,1,0,0],[0,0,0,0],[0,0,0,0]]	只透过水平分量
理想四分之一波片（快轴水平）	[[1,0,0,0],[0,1,0,0],[0,0,0,1],[0,0,-1,0]]	引入90°相位延迟
理想半波片（快轴水平）	[[1,0,0,0],[0,1,0,0],[0,0,-1,0],[0,0,0,-1]]	引入180°相位延迟
旋转器（θ角）	[[1,0,0,0],[0,cos2θ,sin2θ,0],[0,-sin2θ,cos2θ,0],[0,0,0,1]]	旋转偏振方向

4.7 知识结构图：Mueller矩阵与Stokes矢量体系

下面这张图展示了本章的核心逻辑：从Stokes参数出发，经过Mueller矩阵变换，最终得到输出光的偏振态。整个体系围绕「部分偏振光」这个核心展开。

4.8 实战要点总结

聊了这么多，我总结几个关键点：

1. Stokes参数是基础：四个实数，描述任何偏振态。记住S₀是总光强，其他三个是差值。
2. DoP是核心指标：一个数字告诉你光有多「纯」。做实验时先测DoP，心里就有底了。
3. Mueller矩阵是万能工具：4×4实数矩阵，能处理部分偏振光。Jones矩阵搞不定的，它都能搞定。
4. 转换有条件：Jones→Mueller的转换只适用于非退偏系统。如果系统有退偏效应，直接测Mueller矩阵吧。