CN113096199B - 一种基于莫顿码的点云属性预测方法、装置和介质 - Google Patents
一种基于莫顿码的点云属性预测方法、装置和介质 Download PDFInfo
- Publication number
- CN113096199B CN113096199B CN202110268312.0A CN202110268312A CN113096199B CN 113096199 B CN113096199 B CN 113096199B CN 202110268312 A CN202110268312 A CN 202110268312A CN 113096199 B CN113096199 B CN 113096199B
- Authority
- CN
- China
- Prior art keywords
- value
- target point
- point
- attribute
- morton
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 76
- 230000006870 function Effects 0.000 description 7
- 230000006835 compression Effects 0.000 description 6
- 238000007906 compression Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于莫顿码的点云属性预测方法、装置和介质，方法包括：获取点云数据的几何坐标，并对所述几何坐标进行莫顿排序；根据所述莫顿排序的结果，通过预设的搜索范围搜索共面共线点；计算所述共面共线点的权重值和；根据所述权重值和的数值大小，采用第一预测方法和第二预测方法预测目标点的目标属性值；其中，所述第二预测方法基于莫顿码来实现。本发明能够提高属性预测的准确度，可广泛应用于点云数据处理技术领域。
Description
技术领域
本发明涉及点云数据处理技术领域，尤其是一种基于莫顿码的点云属性预测方法、装置和介质。
背景技术
点云(Point Cloud)是三维物体或场景的一种表现形式，是由空间中一组无规则分布、表达三维物体或场景空间结构和表面属性的离散点集所构成的。点云中的点除了几何坐标还包括了一些附加属性，比如颜色，反射率等。各个点之间没有指定的空间连接或顺序关系。点云数据按照获取的途径主要分为三类：1.静态点云：物体是静止的，获取点云的设备也是静止的。2.动态点云：物体是运动的，获取点云的设备是静止的。3动态获取点云：获取点云的设备是运动的。点云数据在自动驾驶，高精度地图，虚拟现实等方面应用广泛，但由于点云数据往往是由数万个点到数亿个三维点，以及相对应的属性信息组成，对后续的存储、处理、传输显示都带来了严峻的挑战，对于目前的存储资源和传输带宽都难以承受，因此高效压缩技术对于存储和传输点云数据是必不可少的。目前主流方案分别为基于视频编码的点云压缩(V-PCC)是和基于几何的点云压缩(G-PCC)。基于视频的点云压缩方法主要是将点云数据从三维空间投影到二维空间，然后使用传统的视频压缩方法对二维图像进行压缩。基于几何的点云压缩方法针对属性信息首先对点云数据的几何信息进行莫顿码编码排序，首先利用当前点的莫顿码得到该邻域中莫顿码值最小的块，将该块作为基准块，利用基准块来查找与当前待编码点共面、共线的已编码邻居点。
发明内容
有鉴于此，本发明实施例提供一种基于莫顿码的点云属性预测方法、装置和介质，以提高属性预测的准确度。
本发明的一方面提供了一种基于莫顿码的点云属性预测方法，包括：
获取点云数据的几何坐标，并对所述几何坐标进行莫顿排序；
根据所述莫顿排序的结果，通过预设的搜索范围搜索共面共线点；
计算所述共面共线点的权重值和；
根据所述权重值和的数值大小，采用第一预测方法和第二预测方法预测目标点的目标属性值；
其中，所述第二预测方法基于莫顿码来实现。
可选地，所述根据所述权重值和的数值大小，采用第一预测方法和第二预测方法预测目标点的属性值，具体为：
判断所述权重值和的数值是否大于4，若是，则采用所述第一预测方法预测所述目标点的属性值；反之，则采用所述第二方法预测所述目标点的属性值。
可选地，所述采用所述第二方法预测所述目标点的目标属性值，包括：
从所述点云数据中选定当前的目标点，确定所述目标点的几何坐标和莫顿排序；
根据所述目标点的几何坐标和所述莫顿排序，从所述点云数据中确定3个与所述目标点的曼哈顿距离最小的已编码点；
计算所述已编码点的第一权重值和原始属性值；
根据所述第一权重值和所述原始属性值，计算所述目标点的属性补偿值；
计算所述属性补偿值的第二权重值；
根据所述第一权重值、所述原始属性值、所述第二权重值以及所述属性补偿值，计算得到所述目标点的目标属性值。
可选地，所述曼哈顿距离的计算公式为：
dj＝|xi-xij|+|yi-yij|+|zi-zij|
其中，dj表示曼哈顿距离；(xi,yi,zi)表示所述目标点的几何坐标；(xij,yij,zij)表示所述已编码点的几何坐标。
可选地，所述第一权重值的计算公式为：
其中，wij代表第一权重值；(xi,yi,zi)表示所述目标点的几何坐标；(xij,yij,zij)表示所述已编码点的几何坐标；θ代表预设参数。
可选地，所述属性补偿值的计算公式为：
其中，
代表所述目标点的属性补偿值；
代表第i行第j列的已编码点的原始属性值；wij代表所述第一权重值。
可选地，所述采用所述第一预测方法预测所述目标点的属性值，包括：
从所述点云数据中选定当前的目标点，确定所述目标点的几何坐标和莫顿排序；
根据所述目标点的几何坐标和所述莫顿排序，从所述点云数据中确定3个与所述目标点的曼哈顿距离最小的已编码点；
计算所述已编码点的第一权重值和原始属性值；
根据所述第一权重值和所述原始属性值，计算所述目标点的属性值。
本发明实施例还提供了一种基于莫顿码的点云属性预测装置，包括：
莫顿排序模块，用于获取点云数据的几何坐标，并对所述几何坐标进行莫顿排序；
搜索模块，用于根据所述莫顿排序的结果，通过预设的搜索范围搜索共面共线点；
计算模块，用于计算所述共面共线点的权重值和；
预测模块，用于根据所述权重值和的数值大小，采用第一预测方法和第二预测方法预测目标点的目标属性值；
其中，所述第二预测方法基于莫顿码来实现。
本发明实施例还提供了一种电子设备，包括处理器以及存储器；
所述存储器用于存储程序；
所述处理器执行所述程序实现如前面所述的方法。
本发明实施例还提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如前面所述的方法。
本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。
本发明的实施例获取点云数据的几何坐标，并对所述几何坐标进行莫顿排序；根据所述莫顿排序的结果，通过预设的搜索范围搜索共面共线点；计算所述共面共线点的权重值和；根据所述权重值和的数值大小，采用第一预测方法和第二预测方法预测目标点的目标属性值；其中，所述第二预测方法基于莫顿码来实现。本发明能够提高属性预测的准确度。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的点云属性预测方法的整体步骤流程图；
图2为本发明实施例提供的面与共线点之间的莫顿码关系示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
针对现有技术的问题，本发明实施例提供了一种基于莫顿码的点云属性预测方法、装置和介质，其中，一种基于莫顿码的点云属性预测方法，包括：
获取点云数据的几何坐标，并对所述几何坐标进行莫顿排序；
根据所述莫顿排序的结果，通过预设的搜索范围搜索共面共线点；
计算所述共面共线点的权重值和；
根据所述权重值和的数值大小，采用第一预测方法和第二预测方法预测目标点的目标属性值；
其中，所述第二预测方法基于莫顿码来实现。
可选地，所述根据所述权重值和的数值大小，采用第一预测方法和第二预测方法预测目标点的属性值，具体为：
判断所述权重值和的数值是否大于4，若是，则采用所述第一预测方法预测所述目标点的属性值；反之，则采用所述第二方法预测所述目标点的属性值。
可选地，所述采用所述第二方法预测所述目标点的目标属性值，包括：
从所述点云数据中选定当前的目标点，确定所述目标点的几何坐标和莫顿排序；
根据所述目标点的几何坐标和所述莫顿排序，从所述点云数据中确定3个与所述目标点的曼哈顿距离最小的已编码点；
计算所述已编码点的第一权重值和原始属性值；
根据所述第一权重值和所述原始属性值，计算所述目标点的属性补偿值；
计算所述属性补偿值的第二权重值；
根据所述第一权重值、所述原始属性值、所述第二权重值以及所述属性补偿值，计算得到所述目标点的目标属性值。
可选地，所述曼哈顿距离的计算公式为：
dj＝|xi-xij|+|yi-yij|+|zi-zij|
其中，dj表示曼哈顿距离；(xi,yi,zi)表示所述目标点的几何坐标；(xij,yij,zij)表示所述已编码点的几何坐标。
可选地，所述第一权重值的计算公式为：
其中，wij代表第一权重值；(xi,yi,zi)表示所述目标点的几何坐标；(xij,yij,zij)表示所述已编码点的几何坐标；θ代表预设参数。
可选地，所述属性补偿值的计算公式为：
其中，
代表所述目标点的属性补偿值；
代表第i行第j列的已编码点的原始属性值；wij代表所述第一权重值。
可选地，所述采用所述第一预测方法预测所述目标点的属性值，包括：
从所述点云数据中选定当前的目标点，确定所述目标点的几何坐标和莫顿排序；
根据所述目标点的几何坐标和所述莫顿排序，从所述点云数据中确定3个与所述目标点的曼哈顿距离最小的已编码点；
计算所述已编码点的第一权重值和原始属性值；
根据所述第一权重值和所述原始属性值，计算所述目标点的属性值。
本发明实施例还提供了一种基于莫顿码的点云属性预测装置，包括：
莫顿排序模块，用于获取点云数据的几何坐标，并对所述几何坐标进行莫顿排序；
搜索模块，用于根据所述莫顿排序的结果，通过预设的搜索范围搜索共面共线点；
计算模块，用于计算所述共面共线点的权重值和；
预测模块，用于根据所述权重值和的数值大小，采用第一预测方法和第二预测方法预测目标点的目标属性值；
其中，所述第二预测方法基于莫顿码来实现。
本发明实施例还提供了一种电子设备，包括处理器以及存储器；
所述存储器用于存储程序；
所述处理器执行所述程序实现如前面所述的方法。
本发明实施例还提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如前面所述的方法。
本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法
下面结合说明书附图，对本发明的点云属性预测方法的实现过程进行详细描述：
首先，本发明利用当前点的莫顿码得到空间领域中莫顿码值最小的点作为基准块，利用基准块来搜索与当前待编码点共面、共线的已编解码的6个邻居点，当前点为如图2所示的编码为7的块，共面点为编码3,5,6的块，共线点为编码1,2,4的块。图2中，左侧坐标轴的图代表面，右侧坐标轴的图代表共线，利用这6个邻居点来预测当前待编码点的属性。如果查找到共面的已编解码的邻居点，则将共面的邻居点的权重分配为2；继续在已编解码的点中查找与当前待编码点共线的邻居点，如果在已解码点集中查找到共线的邻居点，则对共线的邻居点的权重分配为1，最终利用查找到的邻居点进行加权平均对当前待编码点进行属性预测；如果没有查找到与待编码点共面和共线的已编解码邻居点，则利用当前待编码点的前一个莫顿码对应的点进行属性预测。
但是，共面和共线的点并不一定都存在。导致没有足够的点来对当前点进行准确的属性预测，导致对当前点的属性值进行预测时候产生较大的loss。
因此，参照图1所示的流程图，本发明首先对点云数据根据其几何坐标(xi,yi,zi)进行莫顿排序，然后在搜索范围内根据图1所示来确定是否存在共面共线点，倘若存在，则计算共面共线点权重值的和。如果权重值大于4则认为所找的点能够比较准确的预测出当前点的属性值。倘若权重值小于4，则记录下查找到的当前点的共线共面点的数量sumNumber以及属性预测值
并结合新的方法找已编码点来对当前点的属性预测值进行补偿。具体方法如下：
设当前点的几何坐标为(xi,yi,zi)，莫顿序为N，则在[N-searchRange,N-1]的范围内根据公式(1)搜索3个与当前点几何坐标曼哈顿距离最近的已编码点，已编码点的几何坐标为(xij,yij,zij)j＝1,2,…,k，searchRange一般设为128。
dj＝|xi-xij|+|yi-yij|+|zi-zij|#(1)
3个已编码点的权重值为：
设每个邻居点的属性值为
则当前点的属性补偿值
其中，属性值代表点云的颜色或者反射率之类的信息，是点云数据的一个部分。
随后通过公式(4)(5)来计算采用查找共面共线点得出的属性预测值
所占的权重，以及通过查找距离最近点所得出的属性预测补偿值
的权重。
weight2＝1-weight2#(5)
得出权重值weight1和weight2后，通过公式(6)得出当前点的最终属性预测值Ai：
最后，如图1所示，对点云数据进行残差预测，即计算点云属性真实值与属性预测值的差值；接着进行量化，即将残差值除以一个整数并取整；以及进行编码，即采用各种编码方法将残差值编码成01比特流。
综上所述，本发明充分利用点云数据的空间和距离信息来预测压缩点云的属性值，能够提高属性预测的准确度。
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行***、装置或设备(如基于计算机的***、包括处理器的***或其他可以从指令执行***、装置或设备取指令并执行指令的***)使用，或结合这些指令执行***、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行***、装置或设备或结合这些指令执行***、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (7)
1.一种基于莫顿码的点云属性预测方法，其特征在于，包括：
获取点云数据的几何坐标，并对所述几何坐标进行莫顿排序；
根据所述莫顿排序的结果，通过预设的搜索范围搜索共面共线点；
计算所述共面共线点的权重值和；
根据所述权重值和的数值大小，采用第一预测方法和第二预测方法预测目标点的目标属性值；
其中，所述第二预测方法基于莫顿码来实现；
所述根据所述权重值和的数值大小，采用第一预测方法和第二预测方法预测目标点的属性值，具体为：
判断所述权重值和的数值是否大于4，若是，则采用所述第一预测方法预测所述目标点的属性值；反之，则采用所述第二方法预测所述目标点的属性值；
所述采用第二预测 方法预测所述目标点的目标属性值，包括：
从所述点云数据中选定当前的目标点，确定所述目标点的几何坐标和莫顿排序；
根据所述目标点的几何坐标和所述莫顿排序，从所述点云数据中确定3个与所述目标点的曼哈顿距离最小的已编码点；
计算所述已编码点的第一权重值和原始属性值；
根据所述第一权重值和所述原始属性值，计算所述目标点的属性补偿值；
计算所述属性补偿值的第二权重值；
根据所述第一权重值、所述原始属性值、所述第二权重值以及所述属性补偿值，计算得到所述目标点的目标属性值。
2.根据权利要求1所述的一种基于莫顿码的点云属性预测方法，其特征在于，所述曼哈顿距离的计算公式为：
dj＝|xi-xij|+|yi-yij|+|zi-zij|
其中，dj表示曼哈顿距离；(xi,yi,zi)表示所述目标点的几何坐标；(xij,yij,zij)表示所述已编码点的几何坐标。
3.根据权利要求1所述的一种基于莫顿码的点云属性预测方法，其特征在于，所述第一权重值的计算公式为：
其中，wij代表第一权重值；(xi,yi,zi)表示所述目标点的几何坐标；(xij,yij,zih)表示所述已编码点的几何坐标；θ代表预设参数。
4.根据权利要求1所述的一种基于莫顿码的点云属性预测方法，其特征在于，所述属性补偿值的计算公式为：
其中，
代表所述目标点的属性补偿值；
代表第i行第j列的已编码点的原始属性值；wij代表所述第一权重值。
5.根据权利要求1所述的一种基于莫顿码的点云属性预测方法，其特征在于，所述采用所述第一预测方法预测所述目标点的属性值，包括：
从所述点云数据中选定当前的目标点，确定所述目标点的几何坐标和莫顿排序；
根据所述目标点的几何坐标和所述莫顿排序，从所述点云数据中确定3个与所述目标点的曼哈顿距离最小的已编码点；
计算所述已编码点的第一权重值和原始属性值；
根据所述第一权重值和所述原始属性值，计算所述目标点的属性值。
6.一种电子设备，其特征在于，包括处理器以及存储器；
所述存储器用于存储程序；
所述处理器执行所述程序实现如权利要求1-5中任一项所述的方法。
7.一种计算机可读存储介质，其特征在于，所述存储介质存储有程序，所述程序被处理器执行实现如权利要求1-5中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110268312.0A CN113096199B (zh) | 2021-03-12 | 2021-03-12 | 一种基于莫顿码的点云属性预测方法、装置和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110268312.0A CN113096199B (zh) | 2021-03-12 | 2021-03-12 | 一种基于莫顿码的点云属性预测方法、装置和介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113096199A CN113096199A (zh) | 2021-07-09 |
| CN113096199B true CN113096199B (zh) | 2023-01-03 |
Family
ID=76667788
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110268312.0A Active CN113096199B (zh) | 2021-03-12 | 2021-03-12 | 一种基于莫顿码的点云属性预测方法、装置和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113096199B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115914650A (zh) * | 2021-08-24 | 2023-04-04 | 腾讯科技（深圳）有限公司 | 点云编解码方法、编码器、解码器及存储介质 |
Citations (5)
| 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 |
| CN111405284A (zh) * | 2020-03-30 | 2020-07-10 | 北京大学深圳研究生院 | 一种基于点云密度的属性预测方法及设备 |
| CN111405281A (zh) * | 2020-03-30 | 2020-07-10 | 北京大学深圳研究生院 | 一种点云属性信息的编码方法、解码方法、存储介质及终端设备 |
| CN112218079A (zh) * | 2020-08-24 | 2021-01-12 | 北京大学深圳研究生院 | 一种基于空间顺序的点云分层方法、点云预测方法及设备 |
| CN112449754A (zh) * | 2019-07-04 | 2021-03-05 | 深圳市大疆创新科技有限公司 | 一种数据编码、数据解码方法、设备及存储介质 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11166048B2 (en) * | 2018-10-02 | 2021-11-02 | Tencent America LLC | Method and apparatus for video coding |
| US10853973B2 (en) * | 2018-10-03 | 2020-12-01 | Apple Inc. | Point cloud compression using fixed-point numbers |
| CN109889840B (zh) * | 2019-03-20 | 2022-11-22 | 北京大学深圳研究生院 | 点云编码和解码的方法、编码设备和解码设备 |
-
2021
- 2021-03-12 CN CN202110268312.0A patent/CN113096199B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112449754A (zh) * | 2019-07-04 | 2021-03-05 | 深圳市大疆创新科技有限公司 | 一种数据编码、数据解码方法、设备及存储介质 |
| 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 |
| CN111405284A (zh) * | 2020-03-30 | 2020-07-10 | 北京大学深圳研究生院 | 一种基于点云密度的属性预测方法及设备 |
| CN111405281A (zh) * | 2020-03-30 | 2020-07-10 | 北京大学深圳研究生院 | 一种点云属性信息的编码方法、解码方法、存储介质及终端设备 |
| CN112218079A (zh) * | 2020-08-24 | 2021-01-12 | 北京大学深圳研究生院 | 一种基于空间顺序的点云分层方法、点云预测方法及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113096199A (zh) | 2021-07-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20220005230A1 (en) | Point Cloud Encoding and Decoding Methods, Encoding Device and Decoding Device | |
| CN113096198B (zh) | 一种双向点云属性预测压缩方法，装置，设备及介质 | |
| CN111405284B (zh) | 一种基于点云密度的属性预测方法及设备 | |
| CN113096200B (zh) | 一种基于法向量的点云属性压缩方法、装置、设备及介质 | |
| CN109712071B (zh) | 基于航迹约束的无人机图像拼接与定位方法 | |
| CN113160068B (zh) | 基于图像的点云补全方法及*** | |
| CN112801047B (zh) | 缺陷检测方法、装置、电子设备及可读存储介质 | |
| CN111476835B (zh) | 多视角图像一致性的无监督深度预测方法、***、装置 | |
| CN109325996B (zh) | 用于生成信息的方法和装置 | |
| US20160239597A1 (en) | Apparatus and method for performing finite element computation | |
| CN107808388B (zh) | 包含运动目标的图像处理方法、装置及电子设备 | |
| CN113793356B (zh) | 车道线检测方法和装置 | |
| CN113096199B (zh) | 一种基于莫顿码的点云属性预测方法、装置和介质 | |
| Navarrete et al. | Compression and registration of 3D point clouds using GMMs | |
| CN115086660B (zh) | 基于点云属性预测的解码、编码方法、解码器及编码器 | |
| Akhyar et al. | A beneficial dual transformation approach for deep learning networks used in steel surface defect detection | |
| CN112995758B (zh) | 点云数据的编码方法、解码方法、存储介质及设备 | |
| CN114598883A (zh) | 点云属性的预测方法、编码器、解码器及存储介质 | |
| CN113704276A (zh) | 地图更新方法、装置、电子设备及计算机可读存储介质 | |
| CN113610856B (zh) | 训练图像分割模型和图像分割的方法和装置 | |
| CN114612572A (zh) | 一种基于深度学习的激光雷达与相机外参标定方法及装置 | |
| Que et al. | Lightweight fully connected network-based fast CU size decision for video-based point cloud compression | |
| CN115086716A (zh) | 点云中邻居点的选择方法、装置及编解码器 | |
| KR101572330B1 (ko) | 동영상의 근복사 검출 방법 및 시스템 | |
| Arranz et al. | Multiresolution energy minimisation framework for stereo matching |
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 |