企业官网建设流程全解析

光学散射这个方向，很多人一听就觉得是实验室里摇试管、调激光的活儿，跟写代码关系不大。其实真不是。我最早接触散射仿真，是因为要验证一个成像系统的抗干扰能力，当时搭一套实物光路动辄几万块，调一次准直就得半天，后来索性用Python把整个散射过程在内存里跑了一遍，才发现仿真这条路子有多香。这篇东西就是把我自己从零搭这套仿真时踩过的坑、想明白的原理、以及最后能跑通的代码，原原本本讲一遍。核心就三件事：用NumPy把散射过程离散化、把记忆效应这个听起来玄乎的概念用矩阵运算表达出来、再把它可视化出来看看到底长什么样。适合已经会一点Python、想往计算成像或者光学仿真方向靠的朋友，也适合做信号处理、通信仿真的同学拿来当参考，因为散射介质对光的作用，本质上和信号经过一个随机信道是一回事。

1. 整体设计思路与方案选型

1.1 为什么选Python加NumPy而不是专业光学软件

先说选型。市面上做光学仿真的工具有不少，Zemax、LightTools、COMSOL这些都能做，为什么我最后还是回到Python加NumPy？原因很实在。专业软件强在几何光路和有限元，但散射介质这种统计性的、需要大量蒙特卡洛重复实验的场景，用它们反而笨重。你想想，我要模拟光穿过一层厚散射介质，每次散射方向都是随机的，需要跑几千上万次取统计平均，专业软件点一次仿真可能就要几分钟，跑一万次根本不现实。

NumPy的优势在这里就体现出来了。它的核心是ndarray，底层是C实现的连续内存块，做矩阵运算和向量化操作极快。散射过程里最耗时的部分是什么？是大量粒子的相位累加和随机采样。这些操作如果写成Python循环，慢得让人想砸键盘，但用NumPy的向量化写法，把一万个光子当成一个数组一次性处理，速度能差出几百倍。我实测过，同样模拟一万个光子穿过十层散射介质，纯Python循环要跑将近四十秒，NumPy向量化之后不到零点三秒。

还有一个原因是可控性。用专业软件，你看到的是它封装好的结果，中间过程是个黑箱。但做研究或者做项目，你往往需要知道每一步发生了什么，需要能改参数、能插自己的算法。NumPy给你的是最底层的数组操作，你想怎么改就怎么改，想加什么中间输出就加什么，这种自由度是封装软件给不了的。

提示：如果你的仿真涉及复杂几何边界或者需要精确的电磁场求解，那还是老老实实用专业软件。NumPy适合的是统计性、大批量、需要反复迭代的场景，别拿它去硬啃它不擅长的活儿。

1.2 散射与记忆效应的物理图像先建立起来

在动手写代码之前，得先把物理图像搞清楚，不然代码写出来也是瞎跑。散射这件事，通俗讲就是光在介质里走，不断撞上折射率不均匀的地方，方向被掰来掰去。你可以想象一个弹珠台，光就是那颗弹珠，介质里的散射颗粒就是那些钉子，弹珠每撞一次钉子就换个方向，撞得多了，出来的方向就完全随机了。

记忆效应是散射里一个特别有意思的性质。它的意思是，如果你改变入射光的角度，透射出来的散斑图案不会完全变掉，而是整体平移一段距离。这个平移量和入射角的变化量成正比。为什么会有这个效应？直观理解是这样的：光在介质里走了很多条路径，每条路径都对应一个出射方向。当你稍微倾斜入射光，所有路径的入射端都跟着倾斜，但出射端因为介质很厚、路径很长，受到的影响被平均掉了，结果就是整个散斑图案像一个整体一样平移。这个性质在成像里有大用，因为你可以通过测量散斑的平移量反推入射角的变化，相当于透过散射介质看到了后面的东西。

记忆效应的范围是有限的。入射角变化太大，散斑就不再是简单平移，而是彻底变样了。这个范围叫记忆效应角，通常只有几毫弧度。仿真的时候，这个角度范围是我们重点要观察的对象。

1.3 整体仿真框架的搭建逻辑

整个仿真我分成四块来搭。第一块是介质建模，就是生成一个随机的折射率分布或者散射颗粒分布，这是散射的源头。第二块是光传播，用相位屏或者蒙特卡洛的方法让光在介质里一步步走。第三块是散斑生成，把出射的光场叠加起来得到强度分布。第四块是记忆效应验证，改变入射角，看散斑怎么平移。

这四块之间是流水线关系，前一块的输出是后一块的输入。我建议一开始不要把四块全写完再调试，那样出了问题很难定位。正确的做法是先写介质建模，单独跑一下看看生成的随机场对不对；再写传播，用均匀介质验证一下光会不会正常走直线；然后加散射，看散斑有没有出来；最后才做记忆效应。这样每一步都有验证，出问题能快速定位到是哪一块的毛病。

框架设计上还有一个关键决策：用相位屏法还是蒙特卡洛法。相位屏法是把厚介质切成很多薄片，每片对光施加一个随机相位，光在片间自由传播。蒙特卡洛法是直接追踪每个光子的随机行走路径。我选的是相位屏法，原因是它和NumPy的数组运算天然契合，每一片就是一个二维相位矩阵，光场也是一个二维复矩阵，两者相乘就是一次散射，写起来干净利落。蒙特卡洛法虽然物理上更直观，但每个光子独立追踪，向量化不好做，速度上吃亏。

2. 核心细节解析与实操要点

2.1 散射介质的随机相位屏怎么生成

相位屏是这套仿真的基石，它的质量直接决定仿真结果靠不靠谱。一张相位屏本质上是一个二维随机相位分布，每个像素上的相位值在负π到正π之间随机取值。但这里有个坑：如果你直接用均匀随机数生成，得到的相位屏是白噪声，空间上完全没有关联，这跟真实散射介质不符。真实介质的折射率起伏是有空间相关性的，相邻位置的折射率不会突变。

所以生成相位屏的时候，得先产生一个相关长度不为零的随机场。我的做法是先生成高斯白噪声，然后用高斯核做卷积，卷积核的宽度就对应相关长度。相关长度越小，相位屏越“碎”，散射越强；相关长度越大，相位屏越平滑，散射越弱。这个参数是调节散射强度的主要旋钮。

具体操作上，用NumPy生成高斯白噪声很简单，np.random.randn就行。卷积用scipy.ndimage.gaussian_filter最方便，但如果你不想引入scipy依赖，也可以用NumPy的FFT自己做频域滤波。我两种都试过，FFT方法更快但代码稍复杂，gaussian_filter更直观。下面这段是核心代码：

import numpy as np def generate_phase_screen(size, correlation_length, phase_scale): # 生成高斯白噪声 noise = np.random.randn(size, size) # 频域滤波实现空间相关 fy = np.fft.fftfreq(size) fx = np.fft.fftfreq(size) FX, FY = np.meshgrid(fx, fy) # 高斯型功率谱 spectrum = np.exp(-(FX**2 + FY**2) * (correlation_length**2)) filtered = np.fft.ifft2(np.fft.fft2(noise) * spectrum).real # 归一化到目标相位范围 filtered = filtered / np.std(filtered) * phase_scale return filtered

这里phase_scale控制相位起伏的幅度，值越大散射越强。correlation_length控制空间相关长度，注意它是归一化频率下的值，实际物理尺寸要乘以像素间距。

注意：相位屏的尺寸要足够大，至少是相关长度的十倍以上，否则统计性质不稳定，每次跑出来的结果差异会很大。我一般用512乘512起步，要求高的时候上1024。

2.2 光场传播的角谱法实现细节

光在相位屏之间怎么走，这是传播环节要解决的问题。我用的角谱法，它的思路是把光场做二维傅里叶变换到频域，在频域里乘以一个传播相位因子，再变换回来。这个相位因子是exp(i * kz * sqrt(1 - (λfx)^2 - (λfy)^2))，其中kz是波数在传播方向的分量，λ是波长，fx和fy是空间频率。

角谱法的好处是精度高，而且天然适合NumPy，因为核心操作就是FFT和逐元素乘法。但有个细节要注意：当空间频率超过1/λ的时候，sqrt里面会变成负数，对应倏逝波，这些分量在传播中会指数衰减。仿真里通常直接把它们置零，因为远距离传播后倏逝波贡献可以忽略。

传播距离的选择也有讲究。距离太短，光还没怎么散射就出去了，散斑不明显；距离太长，计算量大而且可能超出相位屏的有效范围。我的经验是传播距离取介质厚度的十分之一到五分之一比较合适，这样既有足够的散射次数，又不至于让光场跑出计算窗口。

def propagate(field, wavelength, pixel_size, distance): ny, nx = field.shape fx = np.fft.fftfreq(nx, d=pixel_size) fy = np.fft.fftfreq(ny, d=pixel_size) FX, FY = np.meshgrid(fx, fy) # 传播相位因子 argument = 1 - (wavelength * FX)**2 - (wavelength * FY)**2 argument = np.maximum(argument, 0) # 倏逝波置零 transfer = np.exp(1j * 2 * np.pi * distance / wavelength * np.sqrt(argument)) return np.fft.ifft2(np.fft.fft2(field) * transfer)

这段代码里np.maximum(argument, 0)就是处理倏逝波的关键，把负值截断到零，对应的传播因子变成1，相当于不传播。

2.3 记忆效应仿真的关键参数设置

记忆效应能不能仿真出来，参数设置是决定性的。核心参数有三个：入射角变化量、介质厚度、以及散斑的采样分辨率。

入射角变化量必须落在记忆效应角范围内。记忆效应角大致等于波长除以介质厚度。举个例子，波长五百纳米，介质厚度一毫米，那记忆效应角大约是零点五毫弧度。仿真的时候入射角变化量要取在这个范围以内，比如取零点一毫弧度，才能看到清晰的平移。如果取了一毫弧度，超出范围，散斑就乱了，你会以为仿真错了，其实是参数超了。

介质厚度的影响是反直觉的。厚度越大，记忆效应角越小，但散斑平移的灵敏度越高。也就是说，厚介质虽然角度范围窄，但在范围内一点点角度变化就能引起明显的平移。薄介质角度范围宽，但平移量小，不容易观察。我一般先用中等厚度比如零点五毫米做验证，确认效应出来了再调。

散斑采样分辨率要足够高，否则平移量小于一个像素就看不出来了。平移量等于入射角变化量乘以介质厚度再除以像素尺寸。假设入射角变化零点一毫弧度，介质厚度零点五毫米，那平移量是五十纳米，如果像素尺寸是五百纳米，平移量只有零点一个像素，根本看不出来。所以要么增大角度变化，要么减小像素尺寸，要么增大厚度。我通常把像素尺寸设到一百纳米量级，这样平移量能到半个像素以上，肉眼可见。

2.4 散斑强度计算与归一化处理

光场从介质出来后，得到的是一个复数矩阵，代表电场。散斑是强度分布，也就是电场模的平方。这一步本身简单，np.abs(field)**2就完事了。但归一化有讲究。

散斑的统计性质是负指数分布，也就是说强度为零的概率最大，强度越大概率越小。如果你不做归一化，不同参数下的散斑强度量级可能差好几个数量级，没法直接比较。我的做法是把散斑强度除以它的平均值，这样归一化后的散斑平均值恒为一，不同参数下的结果就能放在一起对比了。

还有一个细节是散斑的对比度。理想散斑的对比度应该接近一，也就是强度的标准差除以平均值约等于一。如果你的仿真结果对比度远小于一，说明散斑被平均掉了，可能是相位屏相关长度太大或者传播距离太短，散射不够充分。这时候要调小相关长度或者增加传播距离。

def compute_speckle(field): intensity = np.abs(field)**2 normalized = intensity / np.mean(intensity) contrast = np.std(normalized) / np.mean(normalized) return normalized, contrast

对比度这个指标很有用，它相当于一个自检工具，告诉你仿真参数是不是合理。我每次跑完都会看一眼对比度，低于零点八就说明散射不够，得调参数。

3. 完整实操流程与核心环节实现

3.1 环境准备与依赖安装

先把环境弄干净。我强烈建议用虚拟环境，不要往系统Python里直接装，不然版本冲突能折腾死人。用conda或者venv都行，我个人习惯conda，因为科学计算的包它管得比较好。

conda create -n scattering python=3.10 conda activate scattering conda install numpy matplotlib

NumPy和Matplotlib就够了，不需要scipy，前面相位屏生成我用的是FFT方法，避开了scipy依赖。Matplotlib用来画图，看散斑和记忆效应曲线。

如果你用PyCharm或者VSCode，记得把解释器切到这个虚拟环境。我见过太多人装了包但IDE里显示找不到，就是因为解释器没切对。PyCharm里在设置里找Project Interpreter，VSCode里按Ctrl+Shift+P搜Python: Select Interpreter，选到虚拟环境里的python就行。

提示：如果你遇到ModuleNotFoundError: No module named 'numpy'，九成是解释器选错了，不是没装。先在终端里python -c "import numpy; print(numpy.__version__)"确认一下，能打印出版本号就说明装好了，问题在IDE配置。

3.2 单层散射的完整代码实现

先从一个相位屏开始，把整个流程跑通。单层散射的代码结构是这样的：生成相位屏、生成入射光场、光场乘相位屏、传播一段距离、计算散斑。

入射光场我用高斯光束，因为它最接近实际激光器的输出。高斯光束的表达式是exp(-(x^2+y^2)/w^2)，w是束腰半径。束腰要选得比相位屏小一些，不然光场边缘被截断会产生衍射条纹，干扰散斑观察。

import numpy as np import matplotlib.pyplot as plt def gaussian_beam(size, waist, pixel_size): coords = (np.arange(size) - size/2) * pixel_size X, Y = np.meshgrid(coords, coords) return np.exp(-(X**2 + Y**2) / waist**2) def single_layer_scattering(size=512, wavelength=500e-9, pixel_size=200e-9, correlation_length=8, phase_scale=2.0, distance=0.5e-3, waist=20e-6): # 生成相位屏 phase_screen = generate_phase_screen(size, correlation_length, phase_scale) # 生成入射光场 field = gaussian_beam(size, waist, pixel_size) # 施加散射相位 field = field * np.exp(1j * phase_screen) # 传播 field = propagate(field, wavelength, pixel_size, distance) # 计算散斑 speckle, contrast = compute_speckle(field) return speckle, contrast, phase_screen speckle, contrast, phase_screen = single_layer_scattering() print(f"散斑对比度: {contrast:.3f}") fig, axes = plt.subplots(1, 3, figsize=(15, 5)) axes[0].imshow(phase_screen, cmap='twilight') axes[0].set_title('相位屏') axes[1].imshow(np.abs(speckle), cmap='hot') axes[1].set_title('散斑强度') axes[2].imshow(speckle, cmap='hot') axes[2].set_title('归一化散斑') plt.tight_layout() plt.show()

跑完这段，你应该能看到三张图：相位屏是彩色的随机分布，散斑是密密麻麻的亮暗斑点。如果散斑对比度在零点九以上，说明参数合理。如果散斑看起来一片模糊没有颗粒感，那就是散射不够，把phase_scale调大或者correlation_length调小。

3.3 多层散射叠加与厚度控制

单层散射的散斑还不够“成熟”，真实厚介质需要多层叠加。多层叠加的逻辑很简单，就是循环：每层生成一个相位屏，光场乘上去，然后传播一段距离，进入下一层。层数乘以单层厚度就是总厚度。

这里有个效率问题。如果层数很多，比如一百层，每层都做一次FFT传播，计算量不小。我的优化做法是：如果层间距远小于相位屏的相关长度，可以把几层的相位合并成一层，减少传播次数。但合并会损失一些物理真实性，因为光在层间的衍射被忽略了。折中方案是层间距取相关长度的两到三倍，这样衍射效应能体现出来，层数又不会太多。

def multi_layer_scattering(num_layers=10, layer_thickness=50e-6, **kwargs): size = kwargs.get('size', 512) wavelength = kwargs.get('wavelength', 500e-9) pixel_size = kwargs.get('pixel_size', 200e-9) correlation_length = kwargs.get('correlation_length', 8) phase_scale = kwargs.get('phase_scale', 2.0) waist = kwargs.get('waist', 20e-6) field = gaussian_beam(size, waist, pixel_size) for i in range(num_layers): phase_screen = generate_phase_screen(size, correlation_length, phase_scale) field = field * np.exp(1j * phase_screen) field = propagate(field, wavelength, pixel_size, layer_thickness) speckle, contrast = compute_speckle(field) return speckle, contrast

跑多层的时候注意观察对比度随层数的变化。层数少的时候对比度低，随着层数增加对比度会上升，到十层左右基本饱和。这个饱和行为本身就是多重散射的一个特征，说明光已经经历了足够多的随机相位调制，散斑统计性质稳定了。

3.4 记忆效应的验证与散斑平移测量

记忆效应验证是这套仿真的重头戏。做法是：先跑一次基准散斑，然后给入射光加一个小的角度倾斜，再跑一次，看两次散斑是不是平移关系。

给光场加角度倾斜在频域里做最方便。角度倾斜对应频域里的一个线性相位斜坡，也就是在傅里叶变换后的光场上乘以exp(i * 2π * fx * shift)，其中shift和倾斜角成正比。或者更直接地在空域里乘以exp(i * k * sin(θ) * x)，k是波数，θ是倾斜角。

def tilt_beam(field, wavelength, pixel_size, angle): size = field.shape[0] coords = (np.arange(size) - size/2) * pixel_size X, Y = np.meshgrid(coords, coords) k = 2 * np.pi / wavelength tilt_phase = k * np.sin(angle) * X return field * np.exp(1j * tilt_phase) def memory_effect_demo(angle=0.1e-3, **kwargs): # 基准散斑 speckle_ref, _ = multi_layer_scattering(**kwargs) # 倾斜后的散斑 size = kwargs.get('size', 512) wavelength = kwargs.get('wavelength', 500e-9) pixel_size = kwargs.get('pixel_size', 200e-9) waist = kwargs.get('waist', 20e-6) field = gaussian_beam(size, waist, pixel_size) field = tilt_beam(field, wavelength, pixel_size, angle) # 用倾斜后的光场跑多层散射 num_layers = kwargs.get('num_layers', 10) layer_thickness = kwargs.get('layer_thickness', 50e-6) correlation_length = kwargs.get('correlation_length', 8) phase_scale = kwargs.get('phase_scale', 2.0) for i in range(num_layers): phase_screen = generate_phase_screen(size, correlation_length, phase_scale) field = field * np.exp(1j * phase_screen) field = propagate(field, wavelength, pixel_size, layer_thickness) speckle_tilt, _ = compute_speckle(field) return speckle_ref, speckle_tilt

测量平移量用互相关。把两个散斑做二维互相关，峰值位置就是平移量。NumPy里用FFT做互相关很快：

def measure_shift(speckle1, speckle2): f1 = np.fft.fft2(speckle1 - np.mean(speckle1)) f2 = np.fft.fft2(speckle2 - np.mean(speckle2)) cross = np.fft.ifft2(f1 * np.conj(f2)).real peak = np.unravel_index(np.argmax(cross), cross.shape) ny, nx = cross.shape shift_y = peak[0] if peak[0] < ny//2 else peak[0] - ny shift_x = peak[1] if peak[1] < nx//2 else peak[1] - nx return shift_x, shift_y

理论平移量是angle * thickness / pixel_size。比如角度零点一毫弧度，总厚度零点五毫米，像素尺寸两百纳米，理论平移量是零点二五像素。实测如果接近这个值，说明记忆效应仿真成功。如果实测平移量远小于理论值或者根本找不到峰，那就要检查角度是不是超了记忆效应角，或者像素尺寸是不是太大分辨不出来。

注意：互相关之前一定要减去均值，否则零频分量会淹没平移峰。这个坑我踩过，当时找了半天以为记忆效应没出来，其实是没减均值。

4. 常见问题与排查技巧实录

4.1 散斑出不来或者一片模糊怎么办

这是最常见的问题。散斑出不来，八成是散射不够强。排查顺序是这样的：先看相位屏的相位范围，如果相位值都在零点几弧度以内，那散射太弱了，把phase_scale调到二以上。再看相关长度，如果相关长度设得太大比如五十像素，相位屏太光滑，散射也不够，调到十像素以内。最后看传播距离，如果传播距离太短，光还没来得及衍射就被下一层相位屏调制了，散斑也出不来，把层间距调大。

还有一个隐蔽的原因是光场束腰太大，超出了相位屏的有效区域。相位屏边缘的统计性质不稳定，如果光场照到边缘，散斑质量会下降。把束腰调到相位屏尺寸的四分之一以内比较稳妥。

4.2 记忆效应平移量对不上理论值

平移量对不上，先确认角度有没有超记忆效应角。记忆效应角约等于波长除以总厚度。波长五百纳米，总厚度五毫米的话，记忆效应角只有零点一毫弧度。如果你设了零点五毫弧度，那肯定超了，散斑不是平移而是彻底变样，互相关找不到峰。

如果角度没超但平移量偏小，检查像素尺寸。平移量小于半个像素的时候，互相关的峰值会被离散化误差影响，测出来偏小。解决办法是减小像素尺寸，或者增大角度变化量，或者增大总厚度。三个参数动一个就行，我一般优先增大总厚度，因为物理上更合理。

如果平移量偏大，那可能是总厚度设大了，或者角度设大了。重新算一下理论值，跟实测对比，差得不多就说明仿真没问题，差得多再查代码。

4.3 仿真速度太慢的优化思路

速度慢通常是因为数组太大或者层数太多。优化从三个方向入手。第一，降低分辨率。五百一十二乘五百一十二够用了，没必要上两千零四十八。分辨率降一半，速度提升四倍。第二，减少层数。十层通常够，二十层以上收益递减。第三，用单精度浮点。NumPy默认是双精度，改成np.float32和np.complex64能省一半内存，速度也快一些，精度对散斑仿真完全够。

还有一个技巧是预生成所有相位屏。如果要做参数扫描，相位屏不变只变入射角，那相位屏生成一次存起来反复用，省掉重复生成的时间。相位屏生成虽然不慢，但层数多了累积起来也可观。

4.4 结果可复现性的保证

随机仿真最头疼的就是结果不可复现。今天跑出来一个样，明天跑出来另一个样，没法对比。解决办法是固定随机种子。在生成相位屏之前调用np.random.seed(42)，这样每次跑出来的相位屏都一样。但要注意，如果你在循环里多次调用随机函数，种子只设一次就行，设在最外面。

如果要做统计研究，需要多组独立样本，那就用不同的种子跑多次，然后对结果做统计平均。我一般跑二十组，取平均散斑和平均对比度，这样结果稳定。

提示：固定种子只保证同一台机器同一版本NumPy的结果一致。换机器或者换NumPy版本，随机数生成器的实现可能变，结果会有差异。如果要求严格可复现，把生成的相位屏存成npy文件，下次直接加载。

5. 参数扫描与结果分析进阶

5.1 散射强度对散斑对比度的影响

把phase_scale从零点五扫到五，步长零点五，每个值跑十次取平均对比度，画一条曲线。你会看到对比度从低往高走，到二左右基本饱和。这条曲线告诉你散射强度到多少就够了，再大也是浪费计算量。我实测下来，phase_scale到二点五以后对比度就上不去了，稳定在零点九五左右。

这个扫描还有个用途是标定。如果你有一个实验测得的散斑对比度，可以通过扫描找到对应的phase_scale，让你的仿真参数和实验对上。这是仿真和实验结合的关键一步。

5.2 介质厚度与记忆效应角的定量关系

固定波长和像素尺寸，把总厚度从零点二毫米扫到两毫米，每个厚度下测记忆效应角。记忆效应角的测法是：固定一个小的角度变化，测平移量，然后逐渐增大角度直到平移关系破坏，那个临界角度就是记忆效应角。更省事的做法是直接算波长除以厚度，仿真验证一下实测值和理论值差多少。

我扫下来的结果是，厚度零点五毫米时记忆效应角约一毫弧度，厚度一毫米时约零点五毫弧度，厚度两毫米时约零点二五毫弧度，和理论值吻合得很好。这个关系说明记忆效应角完全由厚度决定，跟散射强度关系不大，这一点在仿真里得到了验证。

5.3 散斑自相关与记忆效应的联系

散斑自相关函数和记忆效应有深刻联系。散斑自相关的宽度对应散斑颗粒的平均尺寸，而记忆效应角本质上等于散斑自相关宽度对应的角度。你可以把散斑做自相关，量一下半高全宽，然后换算成角度，应该和记忆效应角一致。这个验证能帮你确认仿真自洽。

def speckle_autocorrelation(speckle): f = np.fft.fft2(speckle - np.mean(speckle)) ac = np.fft.ifft2(f * np.conj(f)).real ac = np.fft.fftshift(ac) ac /= ac.max() return ac

自相关图中心是一个亮斑，往外衰减。亮斑的宽度就是散斑颗粒尺寸。如果自相关图是各向同性的圆斑，说明散斑统计性质良好；如果是椭圆或者有方向性，说明相位屏的相关长度设得各向异性了，检查一下生成相位屏的代码。

6. 从仿真到实际应用的延伸思考

6.1 这套仿真能用来做什么

最直接的用途是验证成像算法。透过散射介质成像的算法很多，比如基于记忆效应的重建、基于传输矩阵的重建，这些算法在真实实验上验证成本很高，但在这套仿真上可以先跑通。你可以把仿真生成的散斑当成输入，喂给你的重建算法，看能不能恢复出原始图像。仿真里原始图像是已知的，重建结果好不好一目了然。

另一个用途是优化系统参数。比如你要设计一个透过散射介质成像的系统，需要知道介质厚度、数值孔径、探测器像素尺寸这些参数怎么选。仿真里改参数跑一遍，看散斑质量和记忆效应范围，比做实物实验快得多也便宜得多。

6.2 和通信仿真、信号处理的相通之处

散射介质对光的作用，和无线信号经过多径信道是一回事。散斑就是多径叠加的结果，记忆效应就是信道相关性。如果你做通信仿真，这套代码稍加改动就能用。把光场换成信号，相位屏换成信道响应，传播换成卷积，散斑换成接收信号功率，整个框架是通的。

我有个做通信的朋友，把散射仿真的思路搬过去做信道建模，效果很好。他说最大的启发是相位屏的多层叠加结构，对应信道的多径时延结构，层间距对应时延差，相位屏强度对应路径增益。这种跨领域的迁移，是仿真思维的价值所在。

6.3 后续可以扩展的方向

这套仿真还能往几个方向扩。一是加偏振，把标量光场换成琼斯矢量，相位屏换成偏振相关的传输矩阵，可以研究偏振记忆效应。二是加非线性，相位屏的相位和光强相关，可以研究非线性散射。三是加时间维度，让相位屏随时间变化，可以研究动态散射和散斑去相关。

每个方向都不难，核心框架不用动，改几个函数就行。我建议先把基础版本跑熟，理解每一步在干什么，再往上加东西。基础不牢，加得越多越乱。

最后分享一个我自己的习惯：每次改完代码，先跑一个最小可复现的例子，确认基本功能没坏，再跑完整仿真。这个习惯帮我省了很多时间，因为大部分bug都是改代码时引入的，最小例子能快速定位。另外，把每次仿真的参数和结果存成文件，命名带上日期和参数，过一个月回头看还能对上号，不然一堆结果文件根本分不清哪个是哪个。