光子的吸收可以让分子的电子从ground state to an excited state,这个过程叫做激发态excitation。激发态也可以由其他的机制产生,比方说机械的或化学作用。当一个电子被提升到激发态的时候,有几种可能的结果:被激发的电子relax到基态,可以发出光子或热量
is defined as the probability of photon absorption in a medium per unit path length.
indicates the absorbing capability, is related to its geometric scross-sectional area
。吸收截面并不是物理的面积,有一个吸收效率。吸收截面=几何界面面积x吸收效率。
在介质中包含很多的absorbers with number density
,吸收系数可以视为单位体积吸收的总横截面积:
.【这里不同的absorber被理解为是独立的】
根据吸收系数的定义,光的在仅吸收介质中的传播系数的衰减如下:
I是光强度,x是光传播方向的距离。上述公式就是指光在(x,x+dx)区间被吸收的百分比,这是与吸收系数成正比。这里的负号是因为随着x的增加,dx是减小的,因为dI是一个复数。我们可以把上面的公式整合,得到著名的Beer定律:
这里
是初始光强度。比尔定律实际上是使用于曲折tortuous path。透射率transmittance可以被定义为:
透射率代表着通过x距离的传播后,依然存活的光的百分比。
任何大小的球形粒子的光散射都可以用Mie理论来精确的模拟。如果球形粒子比波长小得多,那么可以简化为更简单的Rayleigh理论。在包含许多随机分布的scatters的散射介质中,光子通常会遇到多个散射时间。如果散射体是稀疏分布的(其中粒子之间的平均距离远远大于散射体的大小和波长),则认为介质是松散排列loosely packed。在这种情况下,散射时间被视为是独立的。因为单散射理论适用于每一个散射事件。
另外一种排列是densely packed密集排列。在这种情况下,散射事件是coupled的,从而单散射理论不适用。我们目前只考虑松散排列的。连续独立散射事件和单个耦合散射事件是完全不同的
is defined as the probability of photon scattering in a medium per unit path length.
对于单个散射体,散射截面
表示散射能力。和反射一样,散射截面等于几何散射截面与散射效率的乘积。对于number density 为
的很多散射体介质,散射系数可以可以计算为:
通过比尔定律,一个光子传播x距离,不发生散射的概率为:
我的理解是如下:
当光子与物质相互作用时,它可能会被吸收或散射。吸收或散射的概率取决于光子的能量和物质的特性。
吸收发生在光子将其能量转移到原子或分子时,导致电子移动到更高的能级或从原子中被排出。然后,光子被吸收,其能量被转化为吸收材料的内部能量。吸收的概率取决于光子的能量和吸收材料的电子结构。
散射发生在光子与原子或分子相互作用而不被吸收时,但改变其方向和/或波长。散射有两种类型:弹性和非弹性。弹性散射(也称为瑞利散射)发生在光子在相互作用过程中没有失去能量并仅改变其方向。非弹性散射(也称为拉曼散射)发生在光子在相互作用过程中失去能量,通常是散射材料的内部能量。散射的概率取决于散射材料的大小、形状和组成,以及光子的能量和波长。
总之,吸收和散射是光子与物质相互作用时的两种可能结果。吸收会导致光子将其能量转移到材料上,而散射会导致光子改变其方向和/或波长而不被吸收。吸收或散射的概率取决于光子的能量和物质的特性。
埋个坑把,之后有需要再补充
<<偏医学的专题>>
医学图像重建 | Radon变换,滤波反投影算法,中心切片定理
功能连接矩阵 | 双向LSTM深度时间组学习针对轻度认知障碍
ICA | 用RNN-ICA探索功能核磁内在网络模型的时空动力学
WBIR | DeepSTAPLE:UDA任务下学习多模态配准质量
<<AlphaFold2专题>>
alphaFold2 | 模型细节之Evoformer(四)
alphaFold2 | 补充Evoformer之outer productor mean(五)
<<StyleGAN2专题>>
生成专题1 | 图像生成评价指标 Inception Score (IS)
<<蛋白质分子结构相关>>
NLP | 简单学习一下NLP中的transformer的pytorch代码
DTI特征工程 | iDTI-ESBoost | 2017 | REP
DTI | Drug-target interaction基础认识
<<CVPR目录>>
第一弹CVPR 2021 | 多分辨率蒸馏的异常检测 VIT Vision Transformer | 先从PyTorch代码了解
preprint版本 | 何凯明大神新作MAE | CVPR2022最佳论文候选
简单的结构 | MLP-Mixer: An all-MLP Architecture for Vision | CVPR2021
域迁移DA |Addressing Domain Shift for Segmentation | CVPR2018
医学图像配准 | SYMnet 对称微分同胚配准CNN(SOTA) | CVPR2020
光流 | flownet | CVPR2015 | 论文+pytorch代码
图像分割 | Context Prior CPNet | CVPR2020
自监督图像论文复现 | BYOL(pytorch)| 2020
自监督SOTA框架 | BYOL(优雅而简洁) | 2020
笔记 | 吴恩达新书《Machine Learning Yearning》
图片质量评估论文 | 无监督SER-FIQ | CVPR2020
图像质量评估论文 | Deep-IQA | IEEETIP2018
图像质量评估论文 | rank-IQA | ICCV2017
注意力论文解读(1) | Non-local Neural Network | CVPR2018 | 已复现
卷积网络可解释性复现 | Grad-CAM | ICCV | 2017
轮廓检测论文解读 | Richer Convolutional Features| CVPR | 2017
轮廓检测论文解读 | 整体嵌套边缘检测HED | CVPR | 2015
卷积涨点论文复现 | Asymmetric Conv ACNet | ICCV | 2019
pytorch实现 | Deformable ConvNet 可变卷积(下) | CVPR | 2017
图像处理论文详解 | Deformable Convolutional Networks (上)| CVPR | 2017
<<小白学PyTorch>>
扩展之Tensorflow2.0 | 21 Keras的API详解(下)池化、Normalization层
扩展之Tensorflow2.0 | 21 Keras的API详解(上)卷积、激活、初始化、正则
扩展之Tensorflow2.0 | 20 TF2的eager模式与求导
扩展之Tensorflow2.0 | 19 TF2模型的存储与载入
扩展之Tensorflow2.0 | 18 TF2构建自定义模型
扩展之Tensorflow2.0 | 17 TFrec文件的创建与读取
扩展之Tensorflow2.0 | 16 TF2读取图片的方法
扩展之Tensorflow2.0 | 15 TF2实现一个简单的服装分类任务
小白学PyTorch | 14 tensorboardX可视化教程
小白学PyTorch | 13 EfficientNet详解及PyTorch实现
小白学PyTorch | 12 SENet详解及PyTorch实现
小白学PyTorch | 11 MobileNet详解及PyTorch实现
小白学PyTorch | 9 tensor数据结构与存储结构
小白学PyTorch | 7 最新版本torchvision.transforms常用API翻译与讲解
小白学PyTorch | 6 模型的构建访问遍历存储(附代码)
小白学PyTorch | 5 torchvision预训练模型与数据集全览
小白学PyTorch | 3 浅谈Dataset和Dataloader
<<小样本分割>>
<<图网络>>
图网络 | Graph Attention Networks | ICLR 2018 | 代码讲解
<<图像质量评估>>
图片质量评估论文 | 无监督SER-FIQ | CVPR2020
图像质量评估论文 | Deep-IQA | IEEETIP2018
图像质量评估论文 | rank-IQA | ICCV2017
<<图像轮廓检测>>
轮廓检测论文解读 | Richer Convolutional Features| CVPR | 2017
轮廓检测论文解读 | 整体嵌套边缘检测HED | CVPR | 2015
<<光流与配准>>
医学图像配准 | SYMnet 对称微分同胚配准CNN(SOTA) | CVPR2020
光流 | flownet | CVPR2015 | 论文+pytorch代码
医学图像配准 | Voxelmorph 微分同胚 | MICCAI2019
<<DA域迁移>>
域迁移DA |Addressing Domain Shift for Segmentation | CVPR2018
self-training | 域迁移 | source-free的域迁移(第一篇)
self-training | MICCAI2021 | BN层的source free的迁移
<<医学图像AI>>
医学图像 | DualGAN与儿科超声心动图分割 | MICCA
医学AI论文解读 | 超声心动图在临床中的自动化检测 | Circulation | 2018 | 中英双语
<<小白学图像(网络结构)>>
卷积网络可解释性复现 | Grad-CAM | ICCV | 2017
孪生网络入门(下) Siamese Net分类服装MNIST数据集(pytorch)
3D卷积入门 | 多论文笔记 | R2D C3D P3D MCx R(2+1)D
小白学目标检测 | RCNN, SPPNet, Fast, Faster
小白学图像 | BatchNormalization详解与比较
小白学图像 | Group Normalization详解+PyTorch代码
<<小白学机器学习>>
小白学SVM | SVM优化推导 + 拉格朗日 + hingeLoss
小白学LGB | LightGBM = GOSS + histogram + EFB
机器学习不得不知道的提升技巧:SWA与pseudo-label
五分钟理解:BCELoss 和 BCEWithLogitsLoss的区别
<<小白面经>>