基于局部相似度的三维点云属性压缩方法

计算;推算;计数设备的制造及其应用技术1.本发明属于图像处理技术领域，具体涉及到三维点云的颜色属性的压缩方法。背景技术：2.三维点云数据因其高效率、高精度、易于采集等众多优势成为最具代表性的三维数据之一，已广泛应用于自动驾驶、医疗卫生、军事国防、文化遗产、地形勘探、工业零件生产、虚拟现实和增强现实的内容创建与通信场景等诸多领域。人们可以通过多目相机、深度传感器、激光雷达扫描仪等进行3d场景的感知与捕捉，然而，巨大的数据量导致点云存储与传输受限，因此点云压缩编码技术成为计算机视觉领域的研究热点。3.为了解决点云存储与传输的应用瓶颈，动态图像专家组(moving picture expert group，mpeg)建立了开放的点云压缩标准体系，并发布了基于几何的压缩(geometry-based point cloud compression,g-pcc)测试模型。点云的属性压缩方法主要包括三类：基于变换的属性压缩方法、基于预测的属性压缩方法、和基于映射的属性压缩方法。基于预测的方法均适用于稠密和稀疏点云的压缩，能有效地降低属性信息的冗余。4.压缩后的点云属性失真程度决定着人眼对三维点云的视觉感知效果，失真程度越低，人眼观测到的三维效果就越逼真。近年来，基于预测的属性压缩已取得了众多的研究成果，但其压缩的率失真性能仍有待提高。技术实现要素：5.本发明所要解决的技术问题在于克服上述现有技术的缺点，提供一种基于局部相似度的三维点云属性压缩方法。6.解决上述技术问题所采用的技术方案是由下述步骤组成：7.(1)输入点云数据8.在点云pi∈{p1,p2,...,pn}中，每个点pi均包含位置信息pi(x,y,z)及颜色属性信息pi(r,g,b)，其中，n为有限的正整数，x、y、z分别代表三维坐标，r、g、b分别表示红色、绿色、蓝色。9.(2)八叉树排序10.建立点云包围盒，将点云空间逐层划分成2w×2w×2w个子立方体，按下式确定每个子立方体边长2w：[0011]2w＝max(bx,by,bz)ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(1)[0012]其中，w是划分次数，w的大小由包围盒的边长决定，bx,by,bz分别表示包围盒的边长，在划分过程中，包含点云数据的子立方体标记为1，无点云数据的子立方体标记为0，被标记为1的占用节点可继续向下划分，直至每个子立方体内的点数最多为m，m为预设的值。[0013](3)生成预测点[0014]按式(2)分别确定m个近邻点pj,j∈{1,2,...,m}与当前点pi的欧式距离d(pi,pj)：[0015][0016]其中，(xi,yi,zi)为点pi的三维坐标，(xj,yj,zj)为点pj的三维坐标，取距离pi最近的k个点作为其k近邻点，将k个近邻点作为候选的预测点，其中，k＜m，k、m为有限的正整数。[0017](4)确定点所在平面间的法向量夹角[0018]按式(3)确定点pi所在平面与点pj所在平面的法向量夹角θ(pi,pj)：[0019][0020]其中，vi和vj分别为点pi和点pj的法向量，j∈{1,2,...,k}，||·||表示模。[0021](5)确定近邻点的相似度[0022]按式(4)确定近邻点pj相对于点pi的相似度sj：[0023][0024]其中，α表示角度权重因子，β表示距离权重因子，α+β为1，且α＞β。[0025](6)确定属性预测值[0026]按式(5)确定k个近邻点中的相似度最大值：[0027]smax＝max(sj)ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(5)[0028]其中，j∈{1,2,...,k}，按式(6)确定点pi的属性预测值[0029][0030]其中，为点pj的实际属性值，为相似度最大的近邻点的实际属性值，且t为相似度阈值。[0031](7)确定属性预测残差[0032]按式(7)确定属性预测残差ρ～i：[0033][0034]对预测残差进行编码实现点云的属性压缩。[0035]本发明的(3)生成预测点步骤为：[0036]按式(2)分别确定m个近邻点pj,j∈{1,2,...,m}与当前点pi的欧式距离d(pi,pj)：[0037][0038]其中，(xi,yi,zi)为点pi的三维坐标，(xj,yj,zj)为点pj的三维坐标，取距离pi最近的k个点作为其k近邻点，将k个近邻点作为候选的预测点，其中，k＜m，k值取为3～5，m值取为20～30。[0039]本发明的(6)确定属性预测值步骤为：[0040]按式(5)确定k个近邻点中的相似度最大值：[0041]smax＝max(sj)ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(5)[0042]其中，j∈{1,2,...,k}，按式(6)确定点pi的属性预测值[0043][0044]其中，为点pj的实际属性值，为相似度最大的近邻点的实际属性值，且t为相似度阈值，d为点云的平均距离。[0045]本发明的(7)确定属性预测残差步骤为：[0046]按式(7)确定属性预测残差[0047][0048]属性残差的量化参数包括r1～r5五个量化等级，具体量化值分别为46、40、34、28、22。[0049]本发明的(2)八叉树排序步骤为：[0050]建立点云包围盒，将点云空间逐层划分成2w×2w×2w个子立方体，按下式确定每个子立方体边长2w：[0051]2w＝max(bx,by,bz)ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(1)[0052]其中，w是划分次数，w的大小由包围盒的边长决定，bx,by,bz分别表示包围盒的边长，在划分过程中，包含点云数据的子立方体标记为1，无点云数据的子立方体标记为0，被标记为1的占用节点可继续向下划分，直至每个子立方体内的点数最多为m，m为预设的值，m取值为1～100。[0053]本发明的有益效果是：[0054]充分利用了点云表面的凹凸变化，将近邻点之间的欧式距离和法线夹角作为特征因素构建相似度模型，并规定了两种预测模式，根据相似度值的大小判定最终的预测模式。经仿真对比实验表明，本发明有效地改善了压缩过程中的颜色属性失真程度，具有压缩效率高、重建质量高、易于实现等特点，有利于点云的存储和传输，可用于有色点云的压缩编码。附图说明[0055]图1是本发明实施例1的实施流程图。[0056]图2是本发明实施例1的输入点云facade_00009_vox12示意图。[0057]图3是本发明实施例1在量化级别r1下重建的facade_00009_vox12点云示意图。[0058]图4是本发明实施例1在量化级别r2下重建的facade_00009_vox12点云示意图。[0059]图5是本发明实施例1在量化级别r3下重建的facade_00009_vox12点云示意图。[0060]图6是本发明实施例1在量化级别r4下重建的facade_00009_vox12点云示意图。[0061]图7是本发明实施例1在量化级别r5下重建的facade_00009vox12点云示意图。[0062]图8是本发明实施例1的方法与g-pcc属性预测压缩方法对facade_00009_vox12进行压缩的亮度率失真对比曲线。[0063]具体实施方法[0064]下面结合附图和实施例对本发明进一步的详细说明，但本发明不限于下述的实施方式。[0065]实施例1[0066]本实施例的基于局部相似度的三维点云属性压缩方法由下述步骤组成(参见图1)：[0067](1)输入点云数据[0068]在点云pi∈{p1,p2,...,pn}中，每个点pi均包含位置信息pi(x,y,z)及颜色属性信息pi(r,g,b)，其中，n为有限的正整数，x、y、z分别代表三维坐标，r、g、b分别表示红色、绿色、蓝色。[0069](2)八叉树排序[0070]建立点云包围盒，将点云空间逐层划分成2w×2w×2w个子立方体，按下式确定每个子立方体边长2w：[0071]2w＝max(bx,by,bz)ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(1)[0072]其中，w是划分次数，w的大小由包围盒的边长决定，bx,by,bz分别表示包围盒的边长，在划分过程中，包含点云数据的子立方体标记为1，无点云数据的子立方体标记为0，被标记为1的占用节点可继续向下划分，直至每个子立方体内的点数最多为m,m为预设的值，m取值为1～100，本实施例的m取值为50。[0073](3)生成预测点[0074]按式(2)分别确定m个近邻点pj,j∈{1,2,...,m}与当前点pi的欧式距离d(pi,pj)：[0075][0076]其中，(xi,yi,zi)为点pi的三维坐标，(xj,yj,zj)为点pj的三维坐标，取距离pi最近的k个点作为其k近邻点，将k个近邻点作为候选的预测点，其中，k＜m，k、m为有限的正整数，k值取为3～5，m值取为20～30，本实施例的k值取为4，m值取为25。[0077](4)确定点所在平面间的法向量夹角[0078]按式(3)确定点pi所在平面与点pj所在平面的法向量夹角θ(pi,pj)：[0079][0080]其中，vi和vj分别为点pi和点pj的法向量，j∈{1,2,...,k}，||·||表示模。[0081](5)确定近邻点的相似度[0082]按式(4)确定近邻点pj相对于点pi的相似度sj：[0083][0084]其中，α表示角度权重因子，β表示距离权重因子，α+β为1，且α＞β，本例实施的α取值为0.825，β的取值为0.175。[0085](6)确定属性预测值[0086]按式(5)确定k个近邻点中的相似度最大值：[0087]smax＝max(sj)ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(5)[0088]其中，j∈{1,2,...,k}，按式(6)确定点pi的属性预测值[0089][0090]其中，为点pj的实际属性值，为相似度最大的近邻点的实际属性值，且d为点云的平均距离，t为相似度阈值，α取值、β取值与(5)步骤相同。[0091](7)确定属性预测残差[0092]按式(7)确定属性预测残差[0093][0094]对预测残差进行编码实现点云的属性压缩。属性残差的量化参数包括r1～r5五个量化等级，具体量化值分别为46、40、34、28、22。[0095]完成基于局部相似度的三维点云属性压缩方法。[0096]实施例2[0097]本实施例的基于局部相似度的三维点云属性压缩方法由下述步骤组成：[0098](1)输入点云数据[0099]该步骤与实施例1相同。[0100](2)八叉树排序[0101]建立点云包围盒，将点云空间逐层划分成2w×2w×2w个子立方体，按下式确定每个子立方体边长2w：[0102]2w＝max(bx,by,bz)ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(1)[0103]其中，w是划分次数，w的大小由包围盒的边长决定，bx,by,bz分别表示包围盒的边长，在划分过程中，包含点云数据的子立方体标记为1，无点云数据的子立方体标记为0，被标记为1的占用节点可继续向下划分，直至每个子立方体内的点数最多为m，m为预设的值，m取值为1～100，本实施例的m取值为1。[0104](3)生成预测点[0105]按式(2)分别确定m个近邻点pj,j∈{1,2,...,m}与当前点pi的欧式距离d(pi,pj)：[0106][0107]其中，(xi,yi,zi)为点pi的三维坐标，(xj,yj,zj)为点pj的三维坐标，取距离pi最近的k个点作为其k近邻点，将k个近邻点作为候选的预测点，其中，k＜m，k、m为有限的正整数，k值取为3～5，m值取为20～30，本实施例的k值取为3，m值取为20。[0108](4)确定点所在平面间的法向量夹角[0109]该步骤与实施例1相同。[0110](5)确定近邻点的相似度[0111]按式(4)确定近邻点pj相对于点pi的相似度sj：[0112][0113]其中，α表示角度权重因子，β表示距离权重因子，α+β为1，且α＞β，本例实施的α取值为0.694，β的取值为0.306。[0114]其他步骤与实施例1相同。完成基于局部相似度的三维点云属性压缩方法。[0115]实施例3[0116]本实施例的基于局部相似度的三维点云属性压缩方法由下述步骤组成：[0117](1)输入点云数据[0118]该步骤与实施例1相同。[0119](2)八叉树排序[0120]建立点云包围盒，将点云空间逐层划分成2w×2w×2w个子立方体，按下式确定每个子立方体边长2w：[0121]2w＝max(bx,by,bz)ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(1)[0122]其中，w是划分次数，w的大小由包围盒的边长决定，bx,by,bz分别表示包围盒的边长，在划分过程中，包含点云数据的子立方体标记为1，无点云数据的子立方体标记为0，被标记为1的占用节点可继续向下划分，直至每个子立方体内的点数最多为m,m为预设的值，m取值为1～100，本实施例的m取值为100。[0123](3)生成预测点[0124]按式(2)分别确定m个近邻点pj,j∈{1,2,...,m}与当前点pi的欧式距离d(pi,pj)：[0125][0126]其中，(xi,yi,zi)为点pi的三维坐标，(xj,yj,zj)为点pj的三维坐标，取距离pi最近的k个点作为其k近邻点，将k个近邻点作为候选的预测点，其中，k＜m，k、m为有限的正整数，k值取为3～5，m值取为20～30，本实施例的k值取为5，m值取为30。[0127](4)确定点所在平面间的法向量夹角[0128]该步骤与实施例1相同。[0129](5)确定近邻点的相似度[0130]按式(4)确定近邻点pj相对于点pi的相似度sj：[0131][0132]其中，α表示角度权重因子，β表示距离权重因子，α+β为1，且α＞β，本例实施的α取值为0.547，β的取值为0.453。[0133]其他步骤与实施例1相同。完成基于局部相似度的三维点云属性压缩方法。[0134]为了证明本发明的有益效果，发明人采用本发明实施例1的基于局部相似度的三维点云压缩方法与g-pcc基于预测的属性压缩方法(以下简称为g-pcc pred)进行了对比实验，实验情况如下：[0135]图2为mpeg提供的标准点云facade_00009_vox12，该点云具有丰富的纹理变化，包含1596085个点，每个点都包括位置信息(x,y,z)及颜色属性信息(r,g,b)。按实施例1方法进行了属性压缩测试，用客观评估方式及主观视觉重建效果进行评估。y为颜色的亮度指标，评估指标包括：y的峰值信噪比(以下简称为y-psnr)、比特率(以下简称为bitrate)、bd-psnr，客观评估结果见表1、图8，主观评估结果见图3～7。[0136]表1点云facade_00009_vox12压缩结果[0137][0138]表1所示为不同量化参属下对点云facade_00009_vox12进行压缩的压缩性能指标，在不同量化参数下，本发明方法均有效地提高了重建点云y通道的psnr值，图8是实施例1的亮度属性压缩率失真曲线图，相比于g-pcc pred压缩方法，bd-psnr为0.55db。r1～r5五个量化等级的压缩效果见图3～7，由图3～7可以看出，随着量化等级的提升，重建点云越接近于原始点云，保留了较多的颜色信息。本发明方法有效地保留了点云的颜色信息，提高了压缩质量，具有较好的率失真性能。[0139]综上，实验结果表明，本发明与g-pcc pred压缩方法相比，有效改善了压缩过程中的颜色属性失真程度，具有压缩效率高、重建质量高、易于实现等特点，有利于点云的存储和传输，可用于有色点云的压缩编码。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!