CN109979008A - 一种基于属性的点云条带划分方法 - Google Patents
一种基于属性的点云条带划分方法 Download PDFInfo
- Publication number
- CN109979008A CN109979008A CN201910280533.2A CN201910280533A CN109979008A CN 109979008 A CN109979008 A CN 109979008A CN 201910280533 A CN201910280533 A CN 201910280533A CN 109979008 A CN109979008 A CN 109979008A
- Authority
- CN
- China
- Prior art keywords
- cloud
- attribute
- point cloud
- band
- partial points
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000006835 compression Effects 0.000 claims abstract description 17
- 238000007906 compression Methods 0.000 claims abstract description 17
- 230000001174 ascending effect Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 2
- 238000002310 reflectometry Methods 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000009825 accumulation Methods 0.000 abstract description 3
- 238000009792 diffusion process Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
- G06T9/001—Model-based coding, e.g. wire frame
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F7/00—Methods or arrangements for processing data by operating upon the order or content of the data handled
- G06F7/22—Arrangements for sorting or merging computer data on continuous record carriers, e.g. tape, drum, disc
- G06F7/24—Sorting, i.e. extracting data from one or more carriers, rearranging the data in numerical or other ordered sequence, and rerecording the sorted data on the original carrier or on a different carrier or set of carriers sorting methods in general
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/10—Constructive solid geometry [CSG] using solid primitives, e.g. cylinders, cubes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
- G06T9/40—Tree coding, e.g. quadtree, octree
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- Image Generation (AREA)
- Compression Of Band Width Or Redundancy In Fax (AREA)
Abstract
本发明公布了一种基于属性的点云条带划分方法。该方法首先对点云进行一定深度的空间划分,得到多个局部点云;然后对各个局部点云内的属性值进行排序,在此基础上进行进一步的点云条带划分,以得到几何开销低、点数均匀的点云条带;本发明通过综合利用点云的空间位置和属性信息,在条带划分中尽可能地令属性相近、空间位置相关的点聚集在一个条带内,便于充分利用相邻点之间属性信息的冗余,改善点云属性压缩的性能;同时,各条带之间独立编码,支持随机访问,提高编码效率,并防止编码错误的累积和扩散,增强***的容错性。
Description
技术领域
本发明属于点云数据处理技术领域,涉及点云数据分割和压缩方法,尤其涉及一种基于属性的点云条带划分方法。
背景技术
三维点云是现实世界数字化的重要表现形式。随着三维扫描设备(激光、雷达等)的快速发展,点云的精度、分辨率更高。高精度点云广泛应用于地理信息***、城市数字化地图的构建和自由视点广播等,在如智慧城市、无人驾驶、文物保护等众多热门研究中起技术支撑作用。点云是三维扫描设备对物体表面采样所获取的,一帧点云的点数一般是百万级别,大型点云内的点数甚至高达千万,其中每个点包含几何信息和颜色、纹理等属性信息,数据量十分庞大。三维点云庞大的数据量给数据存储、传输等带来巨大挑战,所以为了支持点云的并行处理,并提升***容错性,将点云划分成一系列可独立处理的点云条带十分必要。
目前点云条带的划分技术的研究并不常见,仍处于探索阶段。而传统视频编码中条带的划分,主要分为两种:
1)对视频图像的均匀条带划分:对单帧图像进行均匀划分,得到的条带几何尺寸相同。
2)对视频图像的不均匀条带划分:对单帧图像进行非均匀划分,得到的条带几何尺寸不相同。
发明内容
为了缓解点云传输和存储的压力,在考虑计算编码性能和复杂度的条件下,本发明提供一种基于属性的点云条带划分方法。
本发明提供的技术方案是,首先对点云进行一定深度的空间划分,得到多个局部点云;然后对各个局部点云内的属性值进行排序,在此基础上进行进一步的点云条带划分,以得到几何开销低、点数均匀的点云条带。本发明通过综合利用点云的空间位置和属性信息,在条带划分中尽可能地令属性相近、空间位置相关的点聚集在一个条带内,便于充分利用相邻点之间属性信息的冗余,改善点云属性压缩的性能;同时,各条带之间独立编码,支持随机访问,提高编码效率,并防止编码错误的累积和扩散,增强***的容错性。
本发明主要包括如下步骤:
1)点云初步划分获得局部点云:
读入待处理的点云,首先对点云的几何空间进行初步的划分,然后通过排序得到一组有先后顺序的局部点云;
2)基于属性排序的条带划分:
遍历所有的局部点云,在各个局部点云内对属性值进行排序。以两种常用的属性类型颜色和反射率为例,但不限于这两种属性:
若点云的属性类型是颜色值,对颜色分量值进行升序排序,再根据条带个数的设置对当前局部点云进行点数均匀的划分;若点云的属性类型是分辨率,对分辨率值进行升序排序,再根据条带个数的设置对当前局部点云进行点数均匀的划分;若点云中同时含有颜色和分辨率两种属性,则以颜色亮度分量值作为代表进行升序排序;
经过以上步骤,可以得到点数均匀的、属性接近的点云条带。
上述步骤1)中采用二叉树对点云空间进行初步划分:设待处理的点云共有N个点,二叉树设定的划分深度为d,经过对点云d次划分后,得到2d个局部点云;然后对所有的局部点云,按照广度遍历的顺序进行编号
上述步骤1)中点云二叉树划分方法的细节是,根据几何信息对点云进行空间划分,每次选择点云位置坐标中分布方差最大的坐标轴作为划分轴,选取坐标大小是中位值的点作为划分点,迭代划分直至达到设定的二叉树深度,划分后得到点数几乎相等的局部点云。
上述步骤2)中对颜色的亮度分量进行升序,但不限于亮度分量。假设局部点云b(i)中颜色值为R(n)、G(n)、B(n),亮度分量的计算公式如下:
Y(n)=round(0.2126*R(n)+0.7152*G(n)+0.0722*B(n)) (式1)。
上述步骤2)中对局部点云进行再划分的细节:假设给定当前点云条带划分数为Num,经过步骤1)可以得到2d个局部点云,为保证每个局部点云内点数均匀,则每个局部点云进行再划分的条带数num为:
num-ceil(Num/2d) (式2)。
本发明提供一种基于属性的点云条带划分方法,具有以下技术优势:
(一)综合利用点云的空间位置和属性信息,将一帧点云划分成多个条带结构,尽可能地令属性相近、空间位置相关的点聚集在一个条带内,便于充分利用相邻点之间属性信息的冗余,改善点云属性压缩的性能。
(二)各条带之间独立编码,支持随机访问,提高编码效率,并防止编码错误的累积和扩散,增强***的容错性。
下面结合附图,通过实施例进一步描述本发明,但不以任何方式限制本发明的范围。
附图说明
图1是本发明方法的流程框图。
图2a和b是点云条带划分的示例图,其中:
图2a完整点云longdress_vox10_1300.ply;
图2b该点云基于属性排序划分成16个点云条带。
图3a和b是点云条带划分的示例图,其中:
图3(a)完整点云Ford_01_vox1mm-0100.ply;
图3(b)该点云基于属性排序划分成4个点云条带。
图4是自适应条带划分前后测试集的压缩性能变化图表。
具体实施方式
本发明针对点云数据,提出一种新的基于属性的点云条带划分方法,综合利用点云的空间位置和颜色信息,将一帧点云划分成多个属性接近的条带,各条带可独立编解码,提高点云属性的压缩性能。
实例一:
以下针对MPEG点云压缩工作组中的官方点云数据集longdress_vox10_1300.ply,采用本发明方法进行点云条带划分,图1是本发明方法的流程框图,如图1所示,具体实施步骤为:
(1)点云初步划分获得局部点云:
在点云longdress_vox10_1300.ply中,共有857966个点,KD树划分深度d设为2,经过划分后共有2^d=4个局部点云,4个局部点云d(1),d(2),d(3)和d(4)的点数分别为214492,214492,214491和214491。
(2)基于属性排序的条带划分:
在点云longdress_vox10_1300.ply中,属性类型为颜色。该帧点云的条带数设为16,局部点云有4个,所以每个局部点云会被再划分为4个条带。
在再划分之前,对各个局部点云内所有点按照颜色色度分量值进行升序排序。然后以点数均匀的原则,将每个局部点云再划分为4个条带。
图2是点云条带划分的示例图,其中:图2(a)完整点云longdress_vox10_1300.ply;图2(b)该点云基于属性排序划分成16个点云条带。在这16个条带中,横向排列的4个为一组,在空间上的包围盒相同,组成一个局部点云;纵向排列的4个为一列,在空间上的包围盒等于原点云的包围盒。通过空间几何划分和局部属性排序再划分的方式,可以有效地控制包围盒的几何开销,同时增强局部属性相关性。循环所有局部点云,如图2所示,点云longdress_vox10_1300.ply被划分为16个条带,其中第12个和第16个点数为53622,其他14个条带点数均为53623。
实例二:
以下针对MPEG点云压缩工作组中的官方点云数据集Ford_01_vox1mm-0100.ply,采用本发明方法进行点云条带划分,具体实施步骤为:
(1)点云初步划分获得局部点云:
在点云Ford_01_vox1mm-0100.ply中,共有80265个点,KD树划分深度d设为1,经过划分后共有2^d=2个局部点云,2个局部点云d(1)和d(2)的点数分别为40133和40132。
(2)基于属性排序的条带划分:
在点云Ford_01_vox1mm-0100.ply中,属性类型为分辨率。该帧点云的条带数设为4,局部点云有2个,所以每个局部点云会被再划分为2个条带。
在再划分之前,对各个局部点云内所有点按照分辨率属性值进行升序排序。然后以点数均匀的原则,将每个局部点云再划分,最终得到的4个条带的点数分别为20067,20066,20066和20066。
图3是点云条带划分的示例图,其中:图3(a)完整点云Ford_01_vox1mm-0100.ply;图3(b)该点云基于属性排序划分成4个点云条带。在这4个条带中,横向排列的2个为一组,在空间上的包围盒相同,组成一个局部点云;纵向排列的2个为一列,在空间上的包围盒等于原点云的包围盒。通过空间几何划分和局部属性排序再划分的方式,可以有效地控制包围盒的几何开销,同时增强局部属性相关性。
该发明提出的自适应条带划分方法,不仅为当前点云压缩的方法提供了并行处理的解决方法,同时对一些数据集的压缩性能也有改善。在遵照MPEG的官方实验要求下,在几何无损压缩、属性近无损压缩的条件下,以第一类数据集Cat1-A、第二类数据集Cat3-fused和第三类数据集Cat3-frame为测试集,测试自适应条带划分前后测试集的压缩性能变化。图4是自适应条带划分前后测试集的压缩性能变化图表,如图4所示,可以看出在第一类数据集和第二类数据集上获得了一定的性能增益,其中在第二类数据集Cat3-fused上性能最大能达到18.1%。
需要注意的是,公布实施例的目的在于帮助进一步理解本发明,但是本领域的技术人员可以理解:在不脱离本发明及所附权利要求的精神和范围内,各种替换和修改都是可能的。因此,本发明不应局限于实施例所公开的内容,本发明要求保护的范围以权利要求书界定的范围为准。
Claims (5)
1.一种基于属性的点云条带划分方法,该方法首先对点云进行一定深度的空间划分,得到多个局部点云;然后对各个局部点云内的属性值进行排序,在此基础上进行进一步的点云条带划分,以得到几何开销低、点数均匀的点云条带;包括如下步骤:
1)点云初步划分获得局部点云:
读入待处理的点云,首先对点云的几何空间进行初步的划分,然后通过排序得到一组有先后顺序的局部点云;
2)基于属性排序的条带划分:
遍历所有的局部点云,在各个局部点云内对属性值进行排序。以两种常用的属性类型颜色和反射率为例,但不限于这两种属性:
若点云的属性类型是颜色值,对颜色分量值进行升序排序,再根据条带个数的设置对当前局部点云进行点数均匀的划分;若点云的属性类型是分辨率,对分辨率值进行升序排序,再根据条带个数的设置对当前局部点云进行点数均匀的划分;若点云中同时含有颜色和分辨率两种属性,则以颜色亮度分量值作为代表进行升序排序;
经过以上步骤,可以得到点数均匀的、属性接近的点云条带。
2.如权利要求1所述的基于属性的点云条带划分方法,其特征是,步骤1)中采用二叉树对点云空间进行初步划分:设待处理的点云共有N个点,二叉树设定的划分深度为d,经过对点云d次划分后,得到2d个局部点云;然后对所有的局部点云,按照广度遍历的顺序进行编号
3.如权利要求1所述的基于属性的点云属性压缩方法,其特征是,步骤1)中点云二叉树划分方法的细节:根据几何信息对点云进行空间划分,每次选择点云位置坐标中分布方差最大的坐标轴作为划分轴,选取坐标大小是中位值的点作为划分点,迭代划分直至达到设定的二叉树深度,划分后得到点数几乎相等的局部点云。
4.如权利要求1所述的基于属性的点云属性压缩方法,其特征是,步骤2)中对颜色的亮度分量进行升序,但不限于亮度分量;假设局部点云b(i)中颜色值为R(n)、G(n)、B(n),则亮度分量的计算公式如下:
Y(n)=round(0.2126*R(n)+0.7152*G(n)+0.0722*B(n)) (式1)。
5.如权利要求1所述的基于属性的点云属性压缩方法,其特征是,步骤2)中对局部点云进行再划分的细节:假设给定当前点云条带划分数为Num,经过步骤1)可以得到2d个局部点云,为保证每个局部点云内点数均匀,则每个局部点云进行再划分的条带数num为:
num=ceil(Num/2d) (式2)。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910280533.2A CN109979008B (zh) | 2019-04-09 | 2019-04-09 | 一种基于属性的点云条带划分方法 |
US17/265,927 US12039762B2 (en) | 2019-04-09 | 2019-04-12 | Attribute-based point cloud strip division method |
PCT/CN2019/082393 WO2020206671A1 (zh) | 2019-04-09 | 2019-04-12 | 一种基于属性的点云条带划分方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910280533.2A CN109979008B (zh) | 2019-04-09 | 2019-04-09 | 一种基于属性的点云条带划分方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109979008A true CN109979008A (zh) | 2019-07-05 |
CN109979008B CN109979008B (zh) | 2023-04-07 |
Family
ID=67083674
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910280533.2A Active CN109979008B (zh) | 2019-04-09 | 2019-04-09 | 一种基于属性的点云条带划分方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US12039762B2 (zh) |
CN (1) | CN109979008B (zh) |
WO (1) | WO2020206671A1 (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111340899A (zh) * | 2020-02-14 | 2020-06-26 | 福州大学 | 一种彩色点云的压缩采样及重构方法 |
WO2021108970A1 (zh) * | 2019-12-02 | 2021-06-10 | Oppo广东移动通信有限公司 | 点云处理方法、编码器、解码器及存储介质 |
CN113395506A (zh) * | 2021-06-16 | 2021-09-14 | 北京大学深圳研究生院 | 一种基于分段的点云邻居搜索方法、编码方法、解码方法及设备 |
WO2022116118A1 (zh) * | 2020-12-03 | 2022-06-09 | Oppo广东移动通信有限公司 | 预测方法、编码器、解码器以及存储介质 |
CN114631325A (zh) * | 2019-09-27 | 2022-06-14 | Vid拓展公司 | 基于视频的点云流 |
CN115379188A (zh) * | 2022-08-18 | 2022-11-22 | 腾讯科技(深圳)有限公司 | 点云数据处理方法、装置、设备及存储介质 |
WO2022258063A1 (zh) * | 2021-06-11 | 2022-12-15 | 鹏城实验室 | 点云属性编码方法、装置、解码方法、装置及相关设备 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021215811A1 (ko) * | 2020-04-24 | 2021-10-28 | 엘지전자 주식회사 | 포인트 클라우드 데이터 송신 장치, 포인트 클라우드 데이터 송신 방법, 포인트 클라우드 데이터 수신 장치 및 포인트 클라우드 데이터 수신 방법 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140125671A1 (en) * | 2010-09-16 | 2014-05-08 | Borys Vorobyov | System and Method for Detailed Automated Feature Extraction from Data Having Spatial Coordinates |
CN107239794A (zh) * | 2017-05-18 | 2017-10-10 | 深圳市速腾聚创科技有限公司 | 点云数据分割方法和终端 |
CN108632621A (zh) * | 2018-05-09 | 2018-10-09 | 北京大学深圳研究生院 | 一种基于层次划分的点云属性压缩方法 |
CN108732586A (zh) * | 2018-05-31 | 2018-11-02 | 山东理工大学 | 一种超大地面三维激光扫描原始点云空间规则化方法 |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9165383B1 (en) * | 2011-11-21 | 2015-10-20 | Exelis, Inc. | Point cloud visualization using bi-modal color schemes based on 4D lidar datasets |
CN103701466A (zh) * | 2012-09-28 | 2014-04-02 | 上海市政工程设计研究总院(集团)有限公司 | 基于特征保留的散乱点云压缩算法 |
CN103077549B (zh) * | 2012-10-24 | 2016-12-21 | 华南理工大学 | 一种基于kd树的实时大规模地形可视化实现方法 |
CN103247041B (zh) * | 2013-05-16 | 2016-02-10 | 北京建筑工程学院 | 一种基于局部采样的多几何特征点云数据的分割方法 |
CN103645480B (zh) * | 2013-12-04 | 2015-11-18 | 北京理工大学 | 基于激光雷达和图像数据融合的地形地貌特征构建方法 |
CN106780509A (zh) | 2016-12-01 | 2017-05-31 | 山东交通学院 | 融合多维特征的建筑物点云层次聚类分割方法 |
CN106846425B (zh) * | 2017-01-11 | 2020-05-19 | 东南大学 | 一种基于八叉树的散乱点云压缩方法 |
EP3407607A1 (en) | 2017-05-24 | 2018-11-28 | Thomson Licensing | Method and device for encoding and reconstructing a point cloud |
CN108241871A (zh) * | 2017-12-27 | 2018-07-03 | 华北水利水电大学 | 基于多特征的激光点云与影像融合数据分类方法 |
CN108257173A (zh) | 2017-12-29 | 2018-07-06 | 上海物景智能科技有限公司 | 一种图像信息中的物体分离方法及装置及*** |
CN108335335B (zh) | 2018-02-11 | 2019-06-21 | 北京大学深圳研究生院 | 一种基于增强图变换的点云属性压缩方法 |
CN108470374B (zh) * | 2018-04-08 | 2022-03-25 | 中煤航测遥感集团有限公司 | 海量点云数据处理方法及装置 |
CN108765571A (zh) * | 2018-05-29 | 2018-11-06 | 大连九州创智科技有限公司 | 一种大型料堆点云补全方法 |
CN109345619B (zh) * | 2018-08-10 | 2023-05-16 | 华北电力大学(保定) | 基于类八叉树编码的海量点云空间管理方法 |
US11503367B2 (en) * | 2019-03-20 | 2022-11-15 | Tencent America LLC | Techniques and apparatus for weighted-median prediction for point-cloud attribute coding |
US11475604B2 (en) * | 2019-03-26 | 2022-10-18 | Tencent America LLC | Method and apparatus for adaptive point cloud attribute coding |
CN114762334B (zh) * | 2020-01-07 | 2024-06-18 | Lg电子株式会社 | 点云数据发送装置、点云数据发送方法、点云数据接收装置和点云数据接收方法 |
-
2019
- 2019-04-09 CN CN201910280533.2A patent/CN109979008B/zh active Active
- 2019-04-12 WO PCT/CN2019/082393 patent/WO2020206671A1/zh active Application Filing
- 2019-04-12 US US17/265,927 patent/US12039762B2/en active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140125671A1 (en) * | 2010-09-16 | 2014-05-08 | Borys Vorobyov | System and Method for Detailed Automated Feature Extraction from Data Having Spatial Coordinates |
CN107239794A (zh) * | 2017-05-18 | 2017-10-10 | 深圳市速腾聚创科技有限公司 | 点云数据分割方法和终端 |
CN108632621A (zh) * | 2018-05-09 | 2018-10-09 | 北京大学深圳研究生院 | 一种基于层次划分的点云属性压缩方法 |
CN108732586A (zh) * | 2018-05-31 | 2018-11-02 | 山东理工大学 | 一种超大地面三维激光扫描原始点云空间规则化方法 |
Non-Patent Citations (3)
Title |
---|
万刚等编著: "《无人机测绘技术及应用》", 31 December 2015, 测绘出版社 * |
王勋编著: "《数据可视分析》", 31 December 2018, 西北工业大学出版社 * |
王贵叶等: "激光雷达点云辅助的高分影像分水岭分割方法", 《测绘科学》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114631325A (zh) * | 2019-09-27 | 2022-06-14 | Vid拓展公司 | 基于视频的点云流 |
WO2021108970A1 (zh) * | 2019-12-02 | 2021-06-10 | Oppo广东移动通信有限公司 | 点云处理方法、编码器、解码器及存储介质 |
CN111340899A (zh) * | 2020-02-14 | 2020-06-26 | 福州大学 | 一种彩色点云的压缩采样及重构方法 |
CN111340899B (zh) * | 2020-02-14 | 2022-09-06 | 福州大学 | 一种彩色点云的压缩采样及重构方法 |
WO2022116118A1 (zh) * | 2020-12-03 | 2022-06-09 | Oppo广东移动通信有限公司 | 预测方法、编码器、解码器以及存储介质 |
WO2022258063A1 (zh) * | 2021-06-11 | 2022-12-15 | 鹏城实验室 | 点云属性编码方法、装置、解码方法、装置及相关设备 |
CN113395506A (zh) * | 2021-06-16 | 2021-09-14 | 北京大学深圳研究生院 | 一种基于分段的点云邻居搜索方法、编码方法、解码方法及设备 |
CN115379188A (zh) * | 2022-08-18 | 2022-11-22 | 腾讯科技(深圳)有限公司 | 点云数据处理方法、装置、设备及存储介质 |
CN115379188B (zh) * | 2022-08-18 | 2023-05-26 | 腾讯科技(深圳)有限公司 | 点云数据处理方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
US12039762B2 (en) | 2024-07-16 |
US20210295568A1 (en) | 2021-09-23 |
CN109979008B (zh) | 2023-04-07 |
WO2020206671A1 (zh) | 2020-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109979008A (zh) | 一种基于属性的点云条带划分方法 | |
US10552989B2 (en) | Point cloud attribute compression method based on KD tree and optimized graph transformation | |
KR101165534B1 (ko) | 수관 식물점 그룹에 대해 시뮬레이트된 나무 줄기 및 나무 가지를 제공하는 지리공간 모델링 시스템 | |
CN107564087B (zh) | 一种基于屏幕的三维线状符号渲染方法 | |
CN109993839A (zh) | 一种自适应的点云条带划分方法 | |
CN110321443B (zh) | 三维实景模型数据库构建方法、装置及数据服务*** | |
Hwa et al. | Adaptive 4-8 texture hierarchies | |
CN103810729B (zh) | 一种基于等高线的光栅图像矢量化方法 | |
CN109949693B (zh) | 一种地图绘制方法、装置、计算设备及存储介质 | |
CN101719154A (zh) | 一种基于栅格结构的空间索引建立方法和*** | |
CN110935171A (zh) | 一种实景三维模型在游戏引擎中加载优化及单体化的方法 | |
CN104504742A (zh) | 一种基于电子沙盘***的三维军标标绘方法 | |
CN114049462B (zh) | 一种三维模型单体化方法及装置 | |
CN108986024A (zh) | 一种基于网格的激光点云规则排列处理方法 | |
CN102903139A (zh) | 一种等值线加速渲染方法 | |
US8289326B2 (en) | Image analogy filters for terrain modeling | |
CN110737744A (zh) | 一种土地利用分类专题图纹理符号的制作方法 | |
Andújar et al. | Inexpensive reconstruction and rendering of realistic roadside landscapes | |
CN104866549B (zh) | 一种适于多智能体仿真的地形环境数据库*** | |
CN117274527B (zh) | 一种发电机设备三维可视化模型数据集构建方法 | |
CN107993242A (zh) | 基于机载LiDAR点云数据缺失区域边界提取方法 | |
CN109934903B (zh) | 高光信息提取方法、***、计算机设备及存储介质 | |
CN115952252A (zh) | 数据处理方法、装置、电子设备和介质 | |
CN113240786B (zh) | 一种视频点云渲染方法、装置、电子设备及存储介质 | |
CN108801457A (zh) | 基于编码采样板设计以及二次能量约束校正的三维图谱获取及重建方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |