Hej Alex,

Ja, die Bildkoordinaten eines Bildes werden miteinander korreliert sein.

Mir ist schon klar, dass es komplex ist. Soweit ich weiß geht man im Bildverband auch davon aus, dass sich diese "Restsystematiken" aufheben, wenn man viele Bilder aus unterschiedlichen Perspektiven generiert. Ich wollte es nur erwähnen haben, weil Du die Kovarianzmatrix der Ellipsenmittelpunkte ja als stochastisches Modell verwendest, diese aber eben nicht alle Unsicherheiten abbildet. Hier könnte man also a-priori noch eine zusätzliche Unsicherheit annehmen.

Schätzt Ihr die Parameter der inneren Orientierung in-situ mit?

Ja.

Ich fragte, weil Du die Diskrepanz im funktionalen Modell gesehen hast. Die Orientierung ist ja ein Modellansatz im funktionalen Modell.

Ich werde mir das zeitnah anschauen und bei Fragen gerne nochmal auf Dich zurückkommen.

Kein Problem.

Vielleicht noch ein Hinweis. Aus der Gleichung:

sigma2L1 = (v' * P * Qll_1 * P * v) / trace(R * Qll_1 * P);

siehst Du, dass die Verbesserungsanteile (v' * P * Qll_1 * P * v) der Komponente (hier von L1) mit der Redundanz der Komponente trace(R * Qll_1 * P) verrechnet wird. Deine Sorge, dass die Maßstäbe nur geringe Variationen aufweisen werden, und somit (praktisch) keinen Beitrag am geschätzten globalen Varianzfaktor (und somit auch an der geschätzten Varianzkomponente) besitzen, kannst Du direkt beurteilen, da trace(R * Qll_1 * P) Dir ein Maß für die Überbestimmung gibt. Wenn diese Redundanz der Maßstäbe also sehr klein ist, dann ist die Zuverlässigkeit _dieser_ Varianzkomponente auch gering. Hier kannst Du also abwägen, ob Du die geschätzte Komponente nicht zugunsten Deiner a-priori Abschätzung verwirfst.

Viel Erfolg
Micha

--
applied-geodesy.org - OpenSource Least-Squares Adjustment Software for Geodetic Sciences

Tags:
Varianzkomponentenschätzung, Kovarianzmatrix, Photogrammetrie, Bündelblockausgleichung