Czujniki obrazu zbierają światło rozproszone z obiektów w scenie i tworzą dwuwymiarowy (2D) obraz. W oku czujniki te składają się z dwóch rodzajów komórek: około 100 milionów pręcików, które są wrażliwe na światło w szerokim zakresie długości fal, oraz 5 milionów czopków. Czopki, które są niezbędne do widzenia kolorów, są trzech głównych typów, z których każdy jest wrażliwy na inny zestaw długości fal. W kamerach obraz tworzony jest na płaszczyźnie obrazu. W kamerach filmowych płaszczyzna obrazu pokryta jest halogenkami srebra. W aparatach cyfrowych płaszczyzna obrazu jest podzielona na siatkę kilku milionów pikseli. Całą płaszczyznę obrazu nazywamy czujnikiem, ale każdy piksel jest oddzielnym, malutkim czujnikiem — zwykle urządzeniem ze sprzężeniem ładunkowym (CCD) lub komplementarnym półprzewodnikiem z tlenku metalu (CMOS). Każdy foton docierający do czujnika wytwarza efekt elektryczny, którego siła zależy od długości fali fotonu. Sygnał wyjściowy czujnika jest sumą wszystkich tych efektów w pewnym oknie czasowym, co oznacza, że czujniki obrazu zgłaszają średnią ważoną natężenia światła docierającego do czujnika. Średnia dotyczy długości fali, kierunku, z którego mogą dotrzeć fotony, czasu i obszaru czujnika. Aby zobaczyć zogniskowany obraz, musimy upewnić się, że wszystkie fotony docierające do czujnika pochodzą z mniej więcej tego samego miejsca na obiekcie na świecie. Najprostszym sposobem utworzenia wyostrzonego obrazu jest oglądanie nieruchomych obiektów za pomocą kamery otworkowej, która składa się z otworu otworkowego O z przodu pudełka i płaszczyzny obrazu z tyłu pudełka.
Otwór nazywa się otworem. Jeśli otworek jest wystarczająco mały, każdy mały czujnik w płaszczyźnie obrazu będzie widział tylko fotony pochodzące z mniej więcej tego samego miejsca na obiekcie, a więc obraz jest zogniskowany. Możemy również tworzyć zogniskowane obrazy poruszających się obiektów za pomocą kamery otworkowej, o ile obiekt porusza się tylko na niewielką odległość w oknie czasowym czujników. W przeciwnym razie obraz poruszającego się obiektu jest rozmyty, efekt znany jako rozmycie ruchu. Jednym ze sposobów manipulowania oknem czasowym jest otwieranie i zamykanie otworka. Kamery otworkowe ułatwiają zrozumienie geometrycznego modelu zachowania kamery (który jest bardziej skomplikowany – ale podobny – w przypadku większości innych urządzeń do obrazowania). Użyjemy trójwymiarowego (3D) układu współrzędnych z początkiem w O i rozważymy punkt P’ na scenie o współrzędnych (X,Y,Z). P jest rzutowany na punkt P’ na płaszczyźnie obrazu o współrzędnych (x,y,z). Jeśli f jest ogniskową — odległość od otworka do obrazu płaszczyzna-to z podobnych trójkątów możemy wyprowadzić następujące równania:
Te równania definiują proces tworzenia obrazu znany jako projekcja perspektywiczna. Zauważ, że Z w mianowniku oznacza, że im dalej znajduje się obiekt, tym mniejszy będzie jego obraz. Zwróć też uwagę, że znaki minusa oznaczają, że obraz jest odwrócony, zarówno w lewo-prawo, jak i góra-dół, w porównaniu ze sceną. Obrazowanie perspektywiczne ma szereg efektów geometrycznych. Odległe przedmioty wyglądają na małe. Równoległe linie zbiegają się do punktu na horyzoncie. Można opisać linię na scenie w kierunku (U,V,W) i przechodzącą przez punkt (X0,Y0,Z0) jako zbiór punktów (X0+ λU ,Y0+ λV ,Z0+ λW), w zakresie od -∞ do +∞. Różne wybory (X0,Y0,Z0) dają różne linie równoległe do siebie. Rzut punktu Pλ z tej prostej na płaszczyznę obrazu jest określony wzorem
Jak λ -> +∞ lub λ -> -∞, to staje się P∞ = ( fU/W; fV/W), jeśli W ≠ 0. Oznacza to, że dwie równoległe linie opuszczające różne punkty w przestrzeni będą się zbiegać na obrazie — dla dużego , punkty obrazu są prawie równe tak samo, niezależnie od wartości (X0,Y0 ,Z0) (ponownie, pomyśl o torach kolejowych). P∞ nazywamy punktem zbiegu związanym z rodziną linii prostych z kierunkiem (U;V;W). Linie o tym samym kierunku mają ten sam punkt zbiegu.