偏振测量法

1.本发明涉及一种偏振测量和偏振成像的方法和装置。


背景技术：

2.偏振传感在许多研究领域都是至关重要的，其应用范围从显微镜到航空航天技术。测量精度和系统灵敏度的提高始终具有广泛的重要性。传统的偏振测量方法可能很繁琐。
3.偏振传感方法可以分为两类:时间分辨，即用一连串的分析仪以时间复用的方式进行测量，或快照，即不同的分析仪在空间上复用。时间分辨测量可能更容易实现，但快照方法对具有快速变化的输入的应用场景来说是至关重要。这两种方法中的标准途径都直接或间接地与一个核心测量方程有关：s＝inv(a)
·
i，其中s是待测量的斯托克斯矢量，i是在检测器上记录的强度矢量。矩阵a被称为仪器矩阵，由系统配置决定。为了提高精度和灵敏度，已经进行了许多尝试来将a推向一个最佳矩阵，因为它决定了误差传播的特性，从而影响测量精度。对系统误差放大的评估可以用a的条件数(cn)来进行。用于偏振传感的条件数的理论最小值已经在理论和实验上得到广泛研究和利用。
4.改进偏振传感技术是人们所希望的。


技术实现要素：

5.根据第一方面，提供了一种旋光仪，包括:
6.全庞加莱发生器，所述全庞加莱发生器被配置成接收具有未知偏振态的入射光束，并从所述入射光束产生全庞加莱光束；
7.偏振器，所述偏振器被配置成从由所述全庞加莱发生器产生的全庞加莱光束中选择本征态；
8.检测器，所述检测器被配置成检测由所述偏振器选择的本征态的强度空间分布；
9.处理器，所述处理器被配置成根据来自所述检测器的输出来确定所述入射光束的偏振态。
10.所述全庞加莱发生器可以包括渐变折射率(grin)透镜。
11.所述检测器包括检测器元件阵列，所述检测器元件阵列被配置成测量来自偏振器的光束的强度横向分布。例如，检测器元件阵列可以是用于确定图像的摄像机(包括二维像素阵列，在该二维像素阵列上对强度进行采样)。
12.所述处理器可以被配置成确定所述强度横向分布中的一个或多个最大强度位置。
13.所述处理器可以被配置成执行机器学习算法，所述机器学习算法已经被训练来确定所述一个或多个最大强度位置。
14.所述机器学习算法可以包括卷积神经网络。
15.可以存在多于一个的所述最大强度位置，并且所述处理器可以被配置成基于中心对称约束来改进对所述最大强度位置的估计。
16.所述处理器可以被配置成从所述一个或多个最大强度位置确定所述入射光束的偏振态。
17.从所述一个或多个最大强度位置确定偏振态可以包括使用预定查找表(或类似物)，所述预定查找表将所述一个或多个最大强度位置与入射光束的偏振态相关联。
18.所述处理器可以被配置成根据由所述检测器确定的强度空间分布的对比度水平来确定去偏振化的量。
19.根据第二方面，提供了一种偏振成像仪，包括:
20.全庞加莱发生器阵列，所述全庞加莱发生器阵列被配置成在多个不同的横向位置对具有未知偏振态的入射光束进行采样，并由此产生全庞加莱光束阵列；
21.偏振器，所述偏振器被配置成从由所述全庞加莱发生器阵列产生的全庞加莱光束阵列中的每个全庞加莱光束中选择本征态；
22.检测器，所述检测器被配置成检测由所述偏振器选择的每个本征态的强度空间分布；和
23.处理器，所述处理器被配置成根据来自所述检测器的输出来确定所述入射光束在所采样的每个横向位置处的偏振态。
24.每个全庞加莱发生器都可以包括渐变折射率透镜。
25.所述检测器可以包括检测器元件阵列，所述检测器元件阵列被配置成测量来自所述偏振器的光束的强度横向分布。
26.所述处理器可以被配置成从所测量的强度横向分布中确定每个本征态中的一个或多个最大强度位置。
27.所述处理器可以被配置成执行机器学习算法，所述机器学习算法已经被训练来确定每个本征态中的所述一个或多个最大强度位置。
28.所述机器学习算法可以包括卷积神经网络。
29.在每个本征态中都可以存在多于一个的最大强度位置，并且所述处理器可以被配置成基于中心对称约束来改进对所述最大强度位置的估计。
30.所述处理器可以被配置成从每个本征态中的所述一个或多个最大强度位置确定所述入射光束在所述多个不同的横向位置中的每个位置处的偏振态。
31.从所述一个或多个最大强度位置确定偏振态可以包括使用预定查找表，所述预定查找表将每个本征态中的所述一个或多个最大强度位置与偏振态相关联。
32.所述处理器可以被配置成根据由所述检测器确定的强度空间分布的对比度水平来确定去偏振化的量。
33.根据第三方面，提供了一种确定光束偏振态的方法，包括:
34.从入射光束产生全庞加莱光束；
35.使用偏振器从所述全庞加莱光束中选择本征态，所述全庞加莱光束由全庞加莱发生器产生；
36.使用检测器确定由所述偏振器选择的本征态的强度空间分布；
37.使用处理器根据来自所述检测器的输出确定所述入射光束的偏振态。
38.根据第四方面，提供了一种执行偏振成像的方法，包括:
39.使用全庞加莱发生器阵列在多个不同的横向位置对具有未知偏振态的入射光束
进行采样，并由此产生全庞加莱光束阵列；
40.从由所述全庞加莱发生器阵列产生的全庞加莱光束阵列中的每个全庞加莱光束中选择本征态；
41.检测由偏振器选择的每个本征态的强度空间分布；和
42.根据来自检测器的输出来确定所述入射光束在所采样的每个横向位置处的偏振态。
43.每个全庞加莱发生器都可以包括渐变折射率透镜。
44.确定所述入射光束在所采样的每个横向位置处的偏振态可以包括使用处理器从测量到的强度横向分布确定一个或每个本征态中的一个或多个最大强度位置。
45.所述处理器可以被配置成执行机器学习算法，所述机器学习算法已经被训练来确定一个或每个本征态中的所述一个或多个最大强度位置。
46.每个方面的特征(包括可选特征)都可以与任何其他方面的特征相结合。例如，参考第一和第二方面描述的特征可以用在根据第三或第四方面的方法中。
附图说明
47.将仅通过示例的方式，参考附图来描述示例性实施例，其中：
48.图1示出了根据实施例的旋光仪的框图；
49.图2示出了根据实施例的偏振成像仪的示意图；
50.图3示出了由线性延迟器阵列组成的全庞加莱发生器的示例；
51.图4示出了由双衰减器阵列组成的全庞加莱发生器的示例；
52.图5示出了具有不同阶数的全庞加莱发生器，可以包括渐变折射率透镜；
53.图6展示了如何将入射光场的偏振态映射到光强度的空间分布上；
54.图7展示了如何从光强度的空间分布(如图6所示)来确定偏振态；
55.图8是采用卷积神经网络从强度分布确定输入偏振态的处理流水线框图；
56.图9是示出了像素数和理论系统灵敏度之间关系的曲线图；
57.图10示出了一种测试装置，其中偏振态发生器向偏振态分析器提供光；
58.图11示出了一组来自庞加莱球的采样点，显示了与基础真实情况(理论上获得的)相比较的实验数据；
59.图12示出了从图11的采样点中随机选择的子集得到的误差图；
60.图13示出了垂直于空间变化半波片阵列的线性垂直偏振入射光场产生的偏振态分布；
61.图14示出了入射光场和空间变化半波片阵列之间不对准的影响；
62.图15针对图14所示的情况将根据实施例获得的结果与现有技术的结果进行了比较；和
63.图16示出了根据实施例可以从强度分布的对比度水平来确定偏振的程度。
具体实施方式
64.参考图1，示出了根据实施例的旋光仪10的框图，包括:全庞加莱发生器110、偏振器130、检测器170和处理器250。
65.旋光仪10接收具有未知偏振态(sop)的入射光束100。根据本文使用的定义，全庞加莱发生器(fpg)110将能够从任何均匀的输入偏振态产生全庞加莱光束，因此fpg 110的输出是全庞加莱光束(fpb)120，其将包括所有偏振态。如wo2020/120943中所述，渐变折射率(grin)透镜可以用作fpg 110，但也可以使用其他类型的fpg。全庞加莱光束120(来自特定的fpg)中偏振态的具体分布将取决于入射光束100的偏振态。
66.偏振器130从全庞加莱光束120中选择偏振态，所选择出来的偏振态可以称为全庞加莱光束的本征态。由于全庞加莱光束120中偏振态的分布取决于入射光束100的偏振态，这有效地将全庞加莱光束120中偏振态的空间变化映射到偏振器130之后的光束135的强度空间变化。
67.检测器170被配置成检测并输出偏振器130之后的光束135的强度空间分布140。强度空间分布140对入射光束100的输入偏振态进行编码。
68.处理器250从检测器170接收强度空间分布140，并从强度空间分布140确定入射光束100的偏振态。下面将更全面地解释如何实现这一过程的例子。
69.图2示出了根据实施例的偏振成像仪20，包括:fpg阵列118、偏振器130、检测器170和处理器250。
70.偏振成像仪20的工作原理与旋光仪10类似，不同之处在于具有一个由多个fpg 110组成的阵列118(在本例中是一个二维阵列)。检测器170被配置成检测来自每个fpg 110的(由偏振器130选择的)本征态的强度分布。实现上述检测的一种方式是使用由像素二维子阵列组成的超像素，使得每个超像素确定阵列中分别对应于图像中不同空间位置的各个fpg的偏振态。示出的示例性实施例具有光源261，光源261经由偏振态发生器260以透射模式照射样本280(例如，如下所示)，但是这不是必需的。
71.目前有两种类型的系统可以生成全庞加莱光束(fpb)。第一种类型具有将特定sop(或有限范围的sop)转换为fpb的功能。一个典型的系统配置是基于两个液晶空间光调制器(slm)或使用来自单个slm的多次往返通过的系统。在这样的几何结构下，由于slm具有均匀分布的慢/快轴方向，因此它具有强烈的偏振依赖性。它可以用来生成fpb，但它不是根据本文使用的定义的fpg，因为它不能从任意入射sop产生fpb。例如，如果入射的sop是线性的并且与第一个slm的快轴方向对准在同一方向，那么这种情况下的通道的调制将失去所有功能。因此，仅利用第二个slm(或第二个通道)引入的一个自由度，不能产生任意的sop。
72.根据本文使用的定义，fpg可以包括线性延迟器组件，该组件包含如图3所示的快轴方向(θ从0
°
到180
°
)和延迟值(δ从0
°
到180
°
)的所有组合。这种类型的fpg的一个例子是渐变折射率透镜。
73.另一种类型的fpg包括如图4所示的混合双衰减器阵列，其包括所有本征矢量的可能性(由范围从0
°
到180
°
的传输轴方向θ
′
定义，本征矢量椭圆率b/a从1到+∞)。
74.本文的fpg并不限于这两大类型，原则上也可以由其他机制产生。
75.图5示出了阶数大于1的fpg 110是可能的(例如阶数为2的fpg 112和阶数为3的fpg 113)。二阶fpg产生包括两个区域的输出光束，每个区域都包括sop的全庞加莱球。如图5所示，grin透镜115可以用作二阶fpg，因为grin透镜包括在快轴方向117上的两个完整变化。
76.图6概念性地示出了根据实施例的偏振测量法是如何工作的。其中示出了具有两
种不同sop的入射光场100：线性45
°
偏振101和椭圆偏振102。入射光场100被fpg 110(例如grin透镜)转换为fpb 121、fpb 122。fpb 121、fpb 122具有不同的偏振态分布。偏振器130(例如右手圆偏振器)从fpb 121、fpb 122中选择本征态，由此产生强度分布141、142，这些强度分布141、142取决于入射光束100的sop。
77.在一些实施例中，可以使用图像处理算法将检测到的强度分布141、142与入射光束100的sop直接关联起来。
78.图7描绘了一种从所选择的本征态的强度分布140确定sop的方法，包括确定由偏振器130选定的强度分布140中至少一个最大强度位置。从图6的初始sops 101、102获得的强度分布141、142被示出为图7的该过程的输入。
79.对于阶数为2的fpb(例如本例中使用的grin透镜)，将会有两个最大强度位置150。对于阶数为1的fpb，将会存在单个最大强度位置(以此类推)。在强度分布140中存在一个以上的最大强度位置时，原则上由其中一个位置就足以确定输入的sop，但是确定一个以上的最大强度位置150可用于减少误差(否则可能由噪声和其他测量不确定性造成误差)。
80.如图7中示意性所示，映射图125可以用于从每个最大强度位置150确定相应的sop 160。图中显示了该映射图125的图示，但是这也可以采用查找表来实施和/或采用函数近似来实施，例如分段拟合(例如具有合适插值的查找表)。在这种情况下，基于所示的映射图125，正确地示出了所确定的偏振。映射图125将会由特定的fpg 110和由偏振器130选择的本征态来定义。
81.在某些实施例中，可以使用强度分布140的所有点来确定至少一个最大强度点150的准确位置。可以用一系列技术来确定最大强度点的位置150。在一个非常简单的例子中，可以使用移动平均法对强度分布140进行平滑处理，并且将强度分布140的最大值确定为最大强度点的位置150。
82.确定至少一个最大强度位置150的更稳健的方法是使用图像处理机器学习算法。卷积神经网络(cnn)是一种合适类型的机器学习算法。可将强度分布140提供给一个cnn，由cnn确定概率图，该概率图定义了每个位置包括最大强度位置150的概率(例如，从0-1)。该概率图还可以被其他算法使用从而确定至少一个最大强度位置150(例如，在grin透镜fpg的情况下，基于中心对称约束)。
83.图8用一个例子说明了这种方法。输入强度分布140(由检测器测量的)包括一个384
×
384像素的图像(当然其他分辨率也是可以的)。强度分布140输入到一个cnn 251，该cnn 251已被训练成从来自用于产生输入强度分布的系统的测量图中识别出至少一个最大强度位置150。cnn 251遵循编码器-解码器结构，其中编码器对输入进行下采样以提取更深层次的特征，解码器对特征图进行上采样以整合来自不同尺度的编码器的信息。在图8所示的具体示例中(不应理解为限制性的，因为可以使用其他超参数)，编码器包括5层，每层包括一个卷积层(例如2dconv)后接relu(整流线性单元)层。解码器包括5层，每层包括一个上采样器和一个卷积层，但最后一层除外，其中最后一层包括softmax(或argmax)层，用于对概率分布进行归一化处理。
84.输出概率图255(也可称为热图)可进一步被处理，以细化所述至少一个最大强度位置150(例如，通过施加中心对称约束)。最大强度位置150可以与查找表125(或类似物)一起使用，以由其确定输入sop。
85.为了训练上述示例的cnn 251，使用57877对模拟/实验图像来生成一个训练集。模拟图像是通过grin透镜延迟模型计算出来的基础真实数据。实验图像是使用图10所示的系统在sop输入已知的情况下获得的。数据是通过在庞加莱球上的均匀采样产生的，以尽可能覆盖更大的参数范围。从模拟图像中直接找到最亮点的位置，然后用高斯分布来表示其周围的局部区域，以模拟预期的网络输出热图。然后，使用成对的噪声强度图像和相应的热图(一一对应)来训练网络。为了增加训练集的规模以及模拟真实世界应用中的数据条件，训练数据通过对比度和亮度变化进行了增强。
86.上述示例的cnn 251采用随机梯度下降(sgd)优化器进行训练，使用反向传播计算梯度，批次大小设置为4，学习率为0.001，动量为0.9。由于明亮区域只占图像的一小部分，因此采用加权l-2损失函数(公式1)来处理“不平衡分类”问题:
[0087][0088]
其中n是像素总数，vi是第i个像素的预测值，并且v
i*
是第i个像素的基础真实值。wi是第i个像素的权重，如果v
i*
》0，则将其设置为50，否则为1。λ＝0.0005是正则化矩阵a的系数，其中a＝[a0,a1,a2,
…
,ak]是网络中所有参数的集合。该网络在pc(操作系统：ubuntu 16.04；cpu：i7-4770；gpu：nvida gtx 1080ti)上进行了5个历时的训练，并在一小时内收敛。
[0089]
使用机器学习识别强度分布中的最大强度位置有以下几个优点:(1)训练集的准备简单明了，并且很容易覆盖足够的域；(2)在普通台式机gpu上查找sop仅需30毫秒，可以实现实时在线sop检测；(3)网络对于来自图像采集系统的时间/空间噪声具有鲁棒性。
[0090]
根据示例方法，确定出了最大强度位置概率图255，其中，图像分辨率(像素数为n
×
n)与系统的偏振分辨率(灵敏度s
p
)之间存在内在联系。
[0091]
该硬件参数可用于表示系统的最大灵敏度(定义为可检测到的最小sop变化)，前提是其他噪声源被最小化，从而指导cnn在最佳有效数据集方面的训练过程。该灵敏度的计算公式为：
[0092][0093]
其中ds是斯托克斯矢量的维度，表示有效像素数(对于基于grin透镜的fpg，存在一个圆形区域)。k是一个常数。由于grin透镜的拓扑阶η为2，因此实际上只需要一半数量的像素就可以确定s
p
。这里假定采样深度足够，并且系统的非线性较低。如图9所示，根据上述公式，如果将系统误差和随机误差最小化，就可以绘制出s
p
和分辨率为n
×
n的强度分布图之间的理论关系图。对于由383
×
384像素组成的检测器，其灵敏度略低于0.01。对于s
p
，可以使用更高的相机像素分辨率来增强灵敏度s
p
。
[0094]
在其他实施例中，cnn并不是确定了有助于确定至少一个最大强度位置150的概率图255，而是cnn可以被训练为简单地直接从输入强度分布140确定输入sop。这可能是一个不太灵活的方法，因为cnn将对所选本征态的强度分布140与输入sop之间的映射125进行编码(因此cnn将为特定的pbg 110和偏振器130量身定制)，但其结果可能更精确。
[0095]
图10示出了用于训练示例性实施例的偏振态发生器(psg)260。psg 260能够产生任意的sop，它包括光源261、偏振器262、四分之一波片263、空间光调制器(slm)264和波片
265。光源261可以包括led(例如3w，633nm，δλ＝20nm)。偏振器262(例如thorlabs，lpvis050)产生相对于slm 264的慢轴(调制)方向成角度45
°
的线性偏振光。为了产生任意的sop，使用单个slm 264并借助反射实现了两次通过。波片265是四分之一波片，经过两次透射，作为一个半波片来使用。因此，slm 264和波片265共同构成了一个空间变化半波片180。可以基于由slm 264施加的编码而对来自psg的输出偏振态进行选择。
[0096]
偏振态分析器(psa)15从psg 260接收具有任意sop的光，并检测出适合处理的强度分布140，以根据实施例确定输入的sop。psa 15包括一个grin透镜形式的fpg 110(例如femto科技有限公司的g-b161157-s1484，数值孔径na＝0.1，节距＝2)，其后是固定圆偏振器130(例如thorlabs，cp1l633)和检测器(例如thorlabs，dcc3240n)。图10还示出了阶数为2的fpg和grin透镜115之间的联系。在grin透镜115中，延迟器116采用圆形对称布置，而不是图3和图4所示的概念性笛卡尔布置。
[0097]
图11展示了本文所述方法的可行性。在庞加莱球200上示出了三条随机选择的曲线。使用偏振态发生器(psg)从这些曲线产生了900个sop，并使用上述的示例性实施例确定了它们的偏振态。每条曲线的理论数据点215和实验数据点211、221、231都示出在庞加莱球200上，以及其中一个点的示例性误差220的图示。900个采样点的平均误差δψ为
±
0.18(非常低)。
[0098]
图12示出了200个随机采样点(来自图11所示三条曲线上的900个sop)的s1,s2,s3和欧几里德距离误差。在整个庞加莱球上实现了卓越的测量精度，性能稳定。
[0099]
图13至图15示出了根据实施例的旋光仪的示例性应用。空间变化半波片阵列可以用于在受激发射损耗(sted)显微镜中产生矢量光束或损耗光束。在这些应用中，微小的偏振误差可能是灾难性的。图13示出了垂直于空间变化半波片阵列180的线性垂直偏振入射光场105，阵列180的整体位置轴181的取向为45
°
。阵列180所产生的输出183沿y轴应该具有线性水平偏振182。图14示出了阵列180围绕x轴倾斜3
°
的情况184，这导致沿y轴的输出偏振态183的空间分布偏离了线性水平sop。
[0100]
根据本文所述的示例性实施例，在取样区域186中沿着箭头185上的200个点(沿y轴)对输出183中的sop进行取样分析。结果在图15中示出，图中比较了根据实施例获得的结果191和从现有技术的点斯托克斯旋光仪获得的结果192。图中提供了最佳拟合线193和194，分别对应于本发明实施例的测量结果和现有技术的测量结果。这些曲线可以与基础真实(理论)曲线190进行比较。很明显，根据本发明实施例对sop的测量比现有技术的方法更准确、更灵敏，正如所预期的。发明人进行了更详细的统计分析，进一步支持了这一结论。
[0101]
图16展示了根据实施例的去偏振化测量。去偏振化是许多技术和应用中的重要参数。该参数也可以从fpg旋光仪10中的偏振器130选择的本征态的强度分布140额外提取。图16示出了在不同的去偏振化水平(分别为0％、20％和60％)下从庞加莱球300、320、340中选择的几个随机输入sop 102的典型强度分布140/例如由输入sop 102a导致的强度分布140a，以此类推。
[0102]
与每个庞加莱球对应的输入光场的偏振部分的sop保持不变。强度分布图140的对比度水平与目标光束的去偏振化程度成正比。因此，输入光场的dop(偏振程度，即是去偏振化程度的倒数)可以根据简单的计算方法，从强度分布140上的最亮点和最暗点的归一化强度值(i
max
和i
min
)计算出来,即：dop＝(i
max-i
min
)/(i
max
+i
min
)。这是根据本发明实施例的旋光
仪的另一个优点，它能够以简单的方式确定去偏振化程度。
[0103]
尽管所附权利要求书针对的是特征的特定组合，但是应当理解，本发明的公开范围还包括本文明确或隐含公开的任何新颖特征或特征的任何新颖组合，或其任何概括，无论其是否涉及与任何权利要求中目前要求保护的方案相同的发明，也无论其是否缓解了与本发明所解决的技术问题相同的任何或所有技术问题。
[0104]
在不同实施例的上下文中描述的特征也可以在单个实施例中组合提供。相反，为了简洁起见而在单个实施例的上下文中描述的各个特征也可以单独提供或以任何合适的子组合提供。
[0105]
在具体实施方式的说明中提供的示例旨在提供本发明的示例，而不是限制本发明要求保护的范围，本发明的范围应当参照所附的权利要求书来确定。

技术特征：
1.一种旋光仪，包括：全庞加莱发生器，所述全庞加莱发生器被配置成接收具有未知偏振态的入射光束，并从所述入射光束产生全庞加莱光束；偏振器，所述偏振器被配置成从由所述全庞加莱发生器产生的全庞加莱光束中选择本征态；检测器，所述检测器被配置成检测由所述偏振器选择的本征态的强度空间分布；处理器，所述处理器被配置成根据来自所述检测器的输出来确定所述入射光束的偏振态。2.根据权利要求1所述的旋光仪，其中，所述全庞加莱发生器包括渐变折射率(grin)透镜。3.根据权利要求2所述的旋光仪，其中，所述检测器包括检测器元件阵列，所述检测器元件阵列被配置成测量来自偏振器的光束的强度横向分布。4.根据权利要求3所述的旋光仪，其中，所述处理器被配置成确定所述强度横向分布中的一个或多个最大强度位置。5.根据权利要求4所述的旋光仪，其中，所述处理器被配置成执行机器学习算法，所述机器学习算法已经被训练来确定所述一个或多个最大强度位置。6.根据权利要求5所述的旋光仪，其中，所述机器学习算法包括卷积神经网络。7.根据权利要求4-6中任一项所述的旋光仪，其中，存在多于一个的所述最大强度位置，并且所述处理器被配置成基于中心对称约束来改进对所述最大强度位置的估计。8.根据权利要求4-7中任一项所述的旋光仪，其中，所述处理器被配置成从所述一个或多个最大强度位置确定所述入射光束的偏振态。9.根据权利要求8所述的旋光仪，其中，从所述一个或多个最大强度位置确定偏振态包括使用预定查找表，所述预定查找表将所述一个或多个最大强度位置与入射光束的偏振态相关联。10.根据前述权利要求中任一项所述的旋光仪，其中，所述处理器被配置成根据由所述检测器确定的强度空间分布的对比度水平来确定去偏振化的量。11.一种偏振成像仪，包括：全庞加莱发生器阵列，所述全庞加莱发生器阵列被配置成在多个不同的横向位置对具有未知偏振态的入射光束进行采样，并由此产生全庞加莱光束阵列；偏振器，所述偏振器被配置成从由所述全庞加莱发生器阵列产生的全庞加莱光束阵列中的每个全庞加莱光束中选择本征态；检测器，所述检测器被配置成检测由所述偏振器选择的每个本征态的强度空间分布；和处理器，所述处理器被配置成根据来自所述检测器的输出来确定所述入射光束在所采样的每个横向位置处的偏振态。12.根据权利要求11所述的偏振成像仪，其中，每个全庞加莱发生器都包括渐变折射率透镜。13.根据权利要求12所述的偏振成像仪，其中，所述检测器包括检测器元件阵列，所述检测器元件阵列被配置成测量来自所述偏振器的光束的强度横向分布。
14.根据权利要求13所述的偏振成像仪，其中，所述处理器被配置成从所测量的强度横向分布中确定每个本征态中的一个或多个最大强度位置。15.根据权利要求14所述的偏振成像仪，其中，所述处理器被配置成执行机器学习算法，所述机器学习算法已经被训练来确定每个本征态中的所述一个或多个最大强度位置。16.根据权利要求15所述的偏振成像仪，其中，所述机器学习算法包括卷积神经网络。17.根据权利要求14-16中任一项所述的偏振成像仪，其中，在每个本征态中都存在多于一个的最大强度位置，并且所述处理器被配置成基于中心对称约束来改进对所述最大强度位置的估计。18.根据权利要求14-17中任一项所述的偏振成像仪，其中，所述处理器被配置成从每个本征态中的所述一个或多个最大强度位置确定所述入射光束在所述多个不同的横向位置中的每个位置处的偏振态。19.根据权利要求18所述的偏振成像仪，其中，从所述一个或多个最大强度位置确定偏振态包括使用预定查找表，所述预定查找表将每个本征态中的所述一个或多个最大强度位置与偏振态相关联。20.根据权利要求11-19中任一项所述的偏振成像仪，其中，所述处理器被配置成根据由所述检测器确定的强度空间分布的对比度水平来确定去偏振化的量。21.一种确定光束偏振态的方法，包括:从入射光束产生全庞加莱光束；使用偏振器从所述全庞加莱光束中选择本征态，所述全庞加莱光束由全庞加莱发生器产生；使用检测器确定由所述偏振器选择的本征态的强度空间分布；使用处理器根据来自所述检测器的输出确定所述入射光束的偏振态。22.一种执行偏振成像的方法，包括:使用全庞加莱发生器阵列在多个不同的横向位置对具有未知偏振态的入射光束进行采样，并由此产生全庞加莱光束阵列；从由所述全庞加莱发生器阵列产生的全庞加莱光束阵列中的每个全庞加莱光束中选择本征态；检测由偏振器选择的每个本征态的强度空间分布；和根据来自检测器的输出来确定所述入射光束在所采样的每个横向位置处的偏振态。23.根据权利要求21或22所述的方法，其中，每个全庞加莱发生器都包括渐变折射率透镜。24.根据权利要求22或23所述的方法，其中，确定所述入射光束在所采样的每个横向位置处的偏振态包括使用处理器从测量到的强度横向分布确定一个或每个本征态中的一个或多个最大强度位置。25.根据权利要求24所述的方法，其中，所述处理器被配置成执行机器学习算法，所述机器学习算法已经被训练来确定一个或每个本征态中的所述一个或多个最大强度位置。

技术总结
公开了一种旋光仪(10)。该旋光仪(10)包括:全庞加莱发生器(110)，被配置成接收具有未知偏振态的入射光束，并从所述入射光束产生全庞加莱光束；偏振器(130)，被配置成从由所述全庞加莱发生器(110)产生的全庞加莱光束中选择本征态；检测器(170),被配置成检测由所述偏振器选择的本征态的强度空间分布；以及处理器(250)，被配置成根据来自检测器(170)的输出来确定所述入射光束的偏振态。确定所述入射光束的偏振态。确定所述入射光束的偏振态。


技术研发人员：何超 马丁
受保护的技术使用者：牛津大学创新有限公司
技术研发日：2021.12.14
技术公布日：2023/9/23