| 摘要 | 第1-7页 |
| ABSTRACT | 第7-12页 |
| 第1章 绪论 | 第12-16页 |
| ·引言 | 第12-13页 |
| ·国内外研究现状 | 第13-14页 |
| ·基于图像的地理位置识别 | 第13页 |
| ·完备的地理位置信息标注 | 第13-14页 |
| ·具有地理位置区分性的特征选择 | 第14页 |
| ·本文的结构安排和创新点 | 第14-16页 |
| 第2章 基于二维图像到三维模型匹配的视觉定位 | 第16-56页 |
| ·背景介绍 | 第16-17页 |
| ·基于地理信息和视觉信息的联合图像聚类 | 第17-22页 |
| ·带地理信息标注的图像聚类 | 第17-19页 |
| ·基于地理信息的图像聚类 | 第19-21页 |
| ·基于视觉信息的聚类 | 第21-22页 |
| ·从多视角图像重建三维场景模型 | 第22-26页 |
| ·大规模三维场景模型数据库检索 | 第26-33页 |
| ·通过二维图像到三维模型匹配的图像定位 | 第33-38页 |
| ·匹配模型的投票选择 | 第33-34页 |
| ·查询图像相机参数的估计 | 第34-36页 |
| ·从三维模型坐标系变换到真实世界坐标系 | 第36-38页 |
| ·基于二维到三维的移动定位系统 | 第38-43页 |
| ·系统框架 | 第38-40页 |
| ·移动应用程序 | 第40-43页 |
| ·实验分析 | 第43-54页 |
| ·实验数据库 | 第43-44页 |
| ·系统性能客观评估 | 第44-52页 |
| ·易用性主观评估 | 第52-54页 |
| ·总结 | 第54-56页 |
| 第3章 大规模图像的地理位置标注优化 | 第56-76页 |
| ·背景介绍 | 第56-57页 |
| ·相关工作 | 第57-60页 |
| ·具有地理位置区分性的视觉特征学习 | 第58-59页 |
| ·图像场景分析技术 | 第59-60页 |
| ·具有地理位置区分性的视觉词汇码本生成 | 第60-63页 |
| ·图像场景分析技术 | 第63-65页 |
| ·实验分析 | 第65-73页 |
| ·Google Street View街景图像数据库 | 第66-67页 |
| ·加入地理位置区分性的视觉词汇码本的地理位置标注 | 第67-71页 |
| ·加入图像场景分析的图像地理位置标注 | 第71-73页 |
| ·总结 | 第73-76页 |
| 第4章 基于互联网数据的图像修复 | 第76-102页 |
| ·背景介绍 | 第76-77页 |
| ·相关工作 | 第77-81页 |
| ·基于模型的图像修补方法 | 第77-79页 |
| ·数据驱动的图像修补算法 | 第79-81页 |
| ·基于结构信息传播的图像修复算法 | 第81-96页 |
| ·系统概述 | 第81页 |
| ·参考图像检索 | 第81-82页 |
| ·增强的图像配准 | 第82-84页 |
| ·基于结构信息传播的图像修补算法 | 第84-96页 |
| ·实验分析 | 第96-100页 |
| ·总结 | 第100-102页 |
| 第5章 总结与展望 | 第102-106页 |
| ·本文工作总结 | 第102-104页 |
| ·未来工作展望 | 第104-106页 |
| 参考文献 | 第106-110页 |
| 致谢 | 第110-112页 |
| 在读期间发表的学术论文与取得的其他研究成果 | 第112页 |