从针孔到透镜：相机模型与去畸变技术全解析

1. 从针孔到透镜：相机成像的进化史

记得我第一次拆解老式胶片相机时，发现它的结构简单得令人惊讶——就是一个带小孔的暗箱。这种针孔相机模型至今仍是计算机视觉领域的基石，但现代相机早已不是那个简陋的暗盒。我们手机里的摄像头，其实经历了从物理小孔到复杂透镜组的跨越式发展。

为什么需要透镜？试过用针孔相机拍照的人都知道，要获得清晰图像需要极长的曝光时间。我在实验室做过对比：相同光照下，针孔相机需要30秒曝光，而加上透镜组后仅需1/100秒。透镜通过折射汇聚更多光线，但代价是引入了畸变这个"不速之客"。就像透过鱼缸看物体，直线会变成曲线，这就是我们接下来要解决的难题。

2. 针孔相机模型：三维到二维的魔法

2.1 小孔成像的数学表达

中学物理课的小孔成像实验，其实藏着计算机视觉的核心密码。当我在黑板上推导这个模型时，发现它用简单的相似三角形就解释了三维世界到二维图像的转换：

实际物体高度/像高 = 物距/像距

但这个理想模型需要三个关键假设：

1. 孔径无限小（实际做不到）
2. 成像平面无限大（显然不可能）
3. 环境绝对黑暗（现实中总有杂光）

在代码中，我们用3×4的投影矩阵表示这个过程：

import numpy as np
def pinhole_project(world_points, K, R, t):
    """
    world_points: Nx3的物体坐标
    K: 3x3内参矩阵
    R: 3x3旋转矩阵
    t: 3x1平移向量
    """
    camera_coords = R @ world_points.T + t.reshape(3,1)
    image_points = K @ camera_coords
    image_points = image_points[:2] / image_points[2] # 齐