残留方格的最小总和是在传统方法的目标函数。然而，坐标图像之间的统计属性和相应的三维空间中的坐标被致命地忽略。该溶液的精度不足够大，而且它只能用于低精度摄影。在这项研究中，我们使用一个近似最大似然估计法（AMLE），并考虑残差的一阶误差传播（周和邓，2011年）来计算转换参数。另外，更简单的迭代算法被应用。
3.2变换参数解决方案基于角法
由于每个点带来了两个方程，用i来代表点数，让：
那么我们的控制方程：
是观测值。假定观测是彼此独立的，
和
据误差传播法，A1的方差，i可以表示为：
是观测协方差矩阵。根
9
其中，
带S是由相机拍摄规模确定的等效误差的因素。因为在摄
影的空间坐标误差以毫米和图像测量坐标通常表示是像素，所需要的像素错误转化为毫米。
这是一个半线性错误 - 在变量（EIV）模型参数估计问题（Muhlich 和 Meste，2001年）。在传统的问题可以表示为即，
忽略剩余的权重，
是单位矩阵，该AMLE问题是一个普遍的最小二乘问题，并要确定的
。考虑各种方法相对复杂，
估计的参数是对应于矩阵的最小特征值的特征向量
我们使用一种迭代加权总最小二乘法（WTLS）。其精度可以比传统的方法大10％，而且，将有一个显著影响时的控制点的观测精度相差很大。
改进后的表达式如下：
其中：
问题的参数的解决方案是对应于矩阵S的下值分解的最小特征值，而S被参数确定。具体迭代过程描述如下：
1.让解决方案通过传统的方法来计算初始值; 2.使用初始值根据公式（15）计算S；
10
3.执行在S奇异值分解;该解决方案是对应于最小特征值的特征向量; 4.与欧几里得范数进行比较的初始值的的解决方案中，如果差小于1?10?5，则计算停止阈值;如果不继续做迭代。
用这种方法我们可以得到所有公式（10）的11个参数。我们希望有的点的三维坐标，可以从不同的角度同一个地方的照片与两个不同的CCD摄像机，然后使用该方法来计算两个图像的11个参数，从而获得通过耦合方程的三维坐标。如显示在下面的原始和派生方程：
其中，（ui，vi）是从一个CCD摄像头，Lj目标点的图像坐标（J =1，2，...，11）是第i个图象的解决透视变换参数。
从式（16）明显的看出，根据图像坐标的对应点，可以容易地获得的三维坐标。此外，我们可以从三个或更多个摄像机获得较高的测量精度。如果我们从两个或多个位置捕捉显著图像，并至少有六个非共面的控制点，一个单一的相机也可以具有类似的效果。
3.3实验结果
为了验证结果，两个模型实验如图4。他们在不同的位置，由Microvision公司（MV-1394）提供的一台相机捕获。该图像是640×400像素。河流模型中的河流是由河床地形演变冲积蜿蜒的河流实验研究而建造的。该实验是在小规模的水盆中进行的尺寸为4米×1.5米×0.3米（长×宽×深）。盆充满沙子上至厚度为10厘米。这些图像显示了稳定的弧形范围由流形。这个保护范围面积约2平方米，图像已与失真校正和歪斜校正完成。控制点是图像的热点。
11
图4 在不同位置拍摄的两幅图像 （a）从角度1，（b）从角度2
图5示出所测量的地形轮廓（小时）。一种光纤液位测量仪（IH型）在测量中被使用。通过该方法计算出的地形轮廓示于图6.双线性插值算法所示。 两幅图像在不同位置从1角捕获;从2角以分散的数据插值并应用。从两个图像，我们可以看到，这两个图像的地形变化趋势是基本相同。它们几乎完全匹配于所述控制区域，只有该区域以外的一些错误。
我们从控制区域中选择了10个控制点，即（xi，yi）（i = 1,2，...，10）。让hi第i个点插值测量高程值，h1i是用10个控制点的第i个点计算的高程值，
h2i可以使用八个控制点的第i个点计算的高程值，并h3i是使用六个控制点的第i个点计算的高程值。表1表示的是对于仰角从不同的方向的坐标混淆矩阵。
12