第三章 ABCD矩阵理论：平移、折射、反射与系统合成
做光学设计的人，手里都得有几把“快刀”。
ABCD矩阵，就是我工具箱里最趁手的那一把。它把光线追迹变成了矩阵乘法，说白了，就是让复杂的光路计算变得像搭积木一样简单。我个人习惯，拿到一个系统，第一件事就是把它拆成几个基本矩阵的乘积。
这一章，咱们就把平移、折射、反射这三块“积木”讲透，再聊聊怎么把它们拼起来。
3.1 光线用什么表示？——光线矢量
在矩阵光学里，一根光线不再是一条线，而是一个向量。我通常用 列向量 来表示它：
[ y ]
光线 = [ θ ]- y：光线在参考平面上的高度（离光轴的距离）。
- θ：光线与光轴的夹角（弧度制，近轴近似下 sinθ ≈ θ）。
你想想看，光线从一个平面传播到另一个平面，或者经过一个光学面，它的 y 和 θ 都会变。ABCD矩阵就是描述这种变化的“黑箱”。
核心公式：
[ y2 ] = [ A B ] * [ y1 ]
[ θ2 ] [ C D ] [ θ1 ]输出 = 系统矩阵 × 输入。就这么简单。
3.2 三大基本矩阵
所有复杂的光学系统，归根结底就是这三种操作的组合。我在项目中遇到过不少新手，总想用复杂的公式去算，其实拆成矩阵，一目了然。
3.2.1 平移矩阵 (Translation Matrix)
光线在均匀介质中走一段距离，不发生折射或反射。它的矩阵形式是：
M_trans(d) = [ 1 d ]
[ 0 1 ]其中 d 是光线在介质中传播的距离。如果介质折射率是 n，那 d 要换成 d/n，这叫“约化距离”。
物理意义： 光线走了一段路，高度 y 会变（因为有个倾角 θ），但倾角 θ 不变。
我的小技巧： 写代码时，我习惯把平移距离 d 和折射率 n 分开传参，而不是直接传 d/n。这样代码可读性更高，也方便后面处理不同介质。
3.2.2 折射矩阵 (Refraction Matrix)
光线经过一个球面（或平面）时，会发生折射。这个矩阵描述的就是光线在界面处的“偏折”。
M_refr(R, n1, n2) = [ 1 0 ]
[ (n1-n2)/(R*n2) n1/n2 ]- R：曲率半径。凸面朝左为正，凹面朝左为负。平面时 R = ∞，此时 C = 0。
- n1：入射介质折射率。
- n2：出射介质折射率。
物理意义： 光线经过折射面，高度 y 不变（就在界面上），但倾角 θ 会变。
符号规则要记牢！ 我曾经因为搞错 R 的符号，算出来的像距差了十万八千里。记住：光线从左向右传播，凸面迎着光线，R 为正。
3.2.3 反射矩阵 (Reflection Matrix)
对于反射镜，原理类似，但折射率会变号。反射矩阵是：
M_refl(R) = [ 1 0 ]
[ -2/R 1 ]这里 R 是反射镜的曲率半径。凹面镜 R 为负，凸面镜 R 为正（按光线从左向右传播的惯例）。
物理意义： 反射前后，光线高度不变，但倾角变化是折射的两倍（因为反射角等于入射角，且方向反转）。
3.3 系统矩阵合成——搭积木的艺术
一个复杂系统，就是多个基本矩阵的乘积。顺序是 从右往左 乘。
比如，光线先平移 d1，再经过折射面 R，再平移 d2：
M_system = M_trans(d2) * M_refr(R, n1, n2) * M_trans(d1)为什么是反的？因为矩阵乘法不满足交换律。第一个作用的矩阵，要写在最右边。我刚开始学的时候也老搞反，后来养成了一个习惯：“从光线出发的方向，依次左乘”。
系统矩阵的威力：
一旦你算出了整个系统的 ABCD 矩阵，所有的一阶光学参数就都出来了：
- 焦距 f：f = -1 / C
- 主平面位置：可以从 A、D 和 f 推导
- 成像关系：物像共轭时，B = 0
3.4 知识结构总览
下面这张图，是我自己总结的 ABCD 矩阵知识体系。每次做新系统，我都会在心里过一遍这个流程。
3.5 实战：一个薄透镜的矩阵表示
薄透镜可以看作是两个折射面的组合，中间距离为0。我们来推导一下它的矩阵。
假设透镜折射率为 n，前后曲率半径分别为 R1 和 R2，周围介质为空气 (n=1)。
# 第一个面 (从空气到透镜)
M1 = [ 1, 0 ]
[ (1-n)/(R1*n), 1/n ]
# 平移 (厚度为0，忽略)
M2 = [ 1, 0 ]
[ 0, 1 ]
# 第二个面 (从透镜到空气)
M3 = [ 1, 0 ]
[ (n-1)/(R2*1), n/1 ]
# 系统矩阵 (M3 * M2 * M1)
M_lens = M3 * M1算出来你会发现，薄透镜的矩阵是：
M_lens = [ 1, 0 ]
[ -1/f, 1 ]其中 1/f = (n-1) * (1/R1 - 1/R2)，就是透镜制造者公式。你看，矩阵方法自动推导出了这个经典公式。
代码实现建议： 我一般用 Python 的 NumPy 库来处理矩阵运算。定义一个函数，输入是基本参数列表，输出是系统矩阵。这样调试起来非常方便。
import numpy as np
def translation(d, n=1):
return np.array([[1, d/n], [0, 1]])
def refraction(R, n1, n2):
return np.array([[1, 0], [(n1-n2)/(R*n2), n1/n2]])
# 合成一个系统
M = translation(50) @ refraction(100, 1, 1.5) @ translation(30)
print(M)3.6 避坑指南
做矩阵光学计算，有几个坑我踩过，写出来给大家提个醒：
- 矩阵乘法顺序： 永远记住，第一个作用的矩阵在最右边。写代码时，我习惯从右往左写，或者用
@运算符从左往右乘，但心里要清楚顺序。 - 符号约定： 不同教材对 R 的符号定义可能不同。我建议你选定一套，从头用到尾。我个人用“光线从左向右，凸面朝左为正”。
- 单位统一： 长度用 mm，角度用 rad。混用单位是新手最容易犯的错误。
- 近轴近似失效： 当光线角度很大（比如 > 10°）或者高度很高时，ABCD 矩阵的精度会下降。这时候需要用真实光线追迹。
我曾经犯过的错： 有一次计算一个多透镜系统，怎么算像差都不对。查了两天，最后发现是中间一个空气间隔的折射率我写成了 1.5（玻璃的折射率）。平移矩阵里的 d/n，n 一定要用介质的实际折射率，空气就是 1.0，别想当然。
3.7 小结
ABCD 矩阵理论，说白了就是把几何光学变成了线性代数。你只要记住三个基本矩阵（平移、折射、反射），掌握从右向左的乘法顺序，再复杂的系统也能一步步算出来。
这一章的内容，是后面所有计算的基础。我建议你亲手写几行代码，把薄透镜、双胶合透镜的矩阵算一遍。代码跑通了，概念也就真正理解了。