CN113473153B - 一种点云属性预测方法、编码方法、解码方法及其设备 - Google Patents
一种点云属性预测方法、编码方法、解码方法及其设备 Download PDFInfo
- Publication number
- CN113473153B CN113473153B CN202010239384.8A CN202010239384A CN113473153B CN 113473153 B CN113473153 B CN 113473153B CN 202010239384 A CN202010239384 A CN 202010239384A CN 113473153 B CN113473153 B CN 113473153B
- Authority
- CN
- China
- Prior art keywords
- attribute
- point
- predicted
- current node
- value
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
- H04N19/102—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or selection affected or controlled by the adaptive coding
- H04N19/13—Adaptive entropy coding, e.g. adaptive variable length coding [AVLC] or context adaptive binary arithmetic coding [CABAC]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/50—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding
- H04N19/593—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding involving spatial prediction techniques
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/90—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using coding techniques not provided for in groups H04N19/10-H04N19/85, e.g. fractals
- H04N19/96—Tree coding, e.g. quad-tree coding
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本发明公开了一种点云属性预测方法、编码方法、解码方法及其设备,其中,所述点云属性预测方法,包括步骤:将点云原始坐标加上一个偏移值得到新的坐标值;根据所述新的坐标值确定偏移莫顿顺序;根据所述偏移莫顿顺序确定当前节点的属性预测值。本发明通过采用偏移莫顿顺序来找到与当前节点在物理空间中最近的邻居点,从而确定当前节点的属性预测值,最后根据所述属性预测值进行属性编码或根据所述当前节点的属性预测值以及点云属性码流确定所述当前节点的属性值。本发明提供的点云属性预测方法、编码方法和解码方法能够提升点云的几何信息和属性信息相关性的利用,从而提高点云属性的压缩性能。
Description
技术领域
本发明涉及点云处理技术领域,特别涉及一种点云属性预测方法、编码方法、解码方法及其设备。
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(如激光、雷达等)的快速发展,点云的精度和分辨率变得更高。高精度点云广泛应用于城市数字化地图的构建,在智慧城市、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,其中每个点包含几何信息和颜色、反射率等属性信息,数据量十分庞大。三维点云庞大的数据量给数据存储、传输等带来了巨大挑战,因此对点云进行压缩变得十分重要。
点云压缩主要分为几何压缩和属性压缩,目前由中国AVS(Audio Video codingStandard)点云压缩工作组所提供的测试平台PCEM中描述的点云属性压缩方法主要采用基于莫顿顺序的点云预测方法,即将当前节点云按照点云的位置信息进行莫顿排序,选取当前节点莫顿顺序的前一个点的属性值作为当前节点的属性预测值,最后用当前节点的实际属性值减去属性预测值得到属性残差值。
然而,上述点云预测方法只考虑了莫顿顺序,其存在莫顿顺序的前一个点不能很好的预测当前节点属性值的情况,容易导致属性预测准确度不高,从而降低编码和解码性能。
因此,现有技术还有待于改进和发展。
发明内容
本发明提供一种点云属性预测方法、编码方法、解码方法及其设备,旨在解决现有技术中由于点云在属性编码找到的邻居不够相近影响了属性预测值,从而导致点云属性编码和解码性能较差的问题。
为了解决上述技术问题,本发明所采用的技术方案如下:
一种点云属性预测方法,其中,包括步骤:
将点云原始坐标加上一个偏移值得到新的坐标值;
根据所述新的坐标值确定偏移莫顿顺序;
根据所述偏移莫顿顺序确定当前节点的属性预测值。
所述的点云属性预测方法,其中,所述根据所述偏移莫顿顺序确定当前节点的属性预测值,包括步骤:
根据偏移莫顿顺序向前查找第一个存在的节点作为第一预测点;
将所述第一预测点的属性值作为当前节点的属性预测值;
或者,根据偏移莫顿顺序向前查找K1个存在的节点作为第一预测点,在所述K1个第一预测点找到距离当前节点距离最小的点;
将所述距离最小的点的属性值作为当前节点的属性预测值;
或者,根据偏移莫顿顺序向前查找K1个存在的节点作为第一预测点,将所述K1个第一预测点的属性值加权作为当前节点的属性预测值。
所述的点云属性预测方法,其中,所述根据所述偏移莫顿顺序确定当前节点的属性预测值,包括步骤:
根据偏移莫顿顺序向前查找第一个存在的节点作为第一预测点;
根据点云原始坐标下的原始莫顿顺序向前查找第一个存在的节点作为第二预测点;
计算所述第一预测点到所述当前节点的距离d1;
计算所述第二预测点到所述当前节点的距离d2;
比较所述距离d1和所述距离d2,选择距离小的点作为第三预测点;
将所述第三预测点的属性值作为所述当前节点的属性预测值;
根据偏移莫顿顺序向前查找K1个存在的节点作为第一预测点;根据点
云原始坐标下的原始莫顿顺序向前查找K2个存在的节点作为第二预测点;
计算所述第一预测点和所述第二预测点到所述当前节点的距离,选择距离小的一个点或多个点作为第三预测点;
将所述第三预测点的属性值或属性加权值作为所述当前节点的属性预测值;
或者,根据偏移莫顿顺序向前查找K1个存在的节点作为第一预测点;
根据点云原始坐标下的原始莫顿顺序向前查找K2个存在的节点作为第二预测点;
计算所述第一预测点到所述当前节点的加权距离d1;
计算所述第二预测点到所述当前节点的加权距离d2;
比较所述距离d1和所述距离d2,选择距离小的点作为第三预测点;
将所述第三预测点的属性加权值作为所述当前节点的属性预测值。
所述的点云属性预测方法,其中,所述计算所述第一预测点到所述当前节点的距离的步骤包括:
计算所述当前节点与所述第一预测点的欧式距离作为所述当前节点与所述第一预测点的距离;
或者,计算在X,Y,Z三个方向上所述当前节点与所述第一预测点的坐标差值绝对值的最大值作为所述当前节点与所述第一预测点的距离;
或者,计算在X,Y,Z三个方向上所述当前节点与所述第一预测点坐标的差值的和作为所述当前节点与所述第一预测点的距离。
一种点云属性预测设备,其中,包括处理器、存储器及通信总线;所述存储器上存储有可被所述处理器执行的计算机可读程序;
所述通信总线实现处理器和存储器之间的连接通信;
所述处理器执行所述计算机可读程序时实现如本发明所述的点云属性预测方法中的步骤。
一种点云属性编码方法,其中,包括步骤:
采用本发明所述点云属性预测方法确定当前节点的属性预测值;
根据所述当前节点的属性值与所述当前节点的属性预测值的差值确定所述当前节点的预测残差值;
对所述当前节点的预测残差值进行编码,得到点云码流。
一种点云属性编码设备,其中,包括处理器、存储器及通信总线;所述存储器上存储有可被所述处理器执行的计算机可读程序;
所述通信总线实现处理器和存储器之间的连接通信;
所述处理器执行所述计算机可读程序时实现如本发明所述的点云属性编码方法中的步骤。
一种点云属性解码方法,其中,包括步骤:
对点云属性码流进行解码,得到当前节点的属性残差值;
采用本发明所述点云属性预测方法确定当前节点的属性预测值;
根据所述当前节点的属性预测值与所述属性残差值的和值确定所述当前节点的属性值。
一种点云属性解码设备,其中,包括处理器、存储器及通信总线;所述存储器上存储有可被所述处理器执行的计算机可读程序;
所述通信总线实现处理器和存储器之间的连接通信;
所述处理器执行所述计算机可读程序时实现如本发明所述的点云属性解码方法中的步骤。
有益效果:与现有技术相比,本发明通过采用偏移莫顿顺序来找到与当前节点在物理空间中最近的邻居点,从而确定当前节点的属性预测值,最后根据所述属性预测值进行属性编码或根据所述当前节点的属性预测值以及点云属性码流确定所述当前节点的属性值。本发明提供的点云属性预测方法、编码方法和解码方法能够提升点云的几何信息和属性信息相关性的利用,从而提高点云属性的压缩性能。
附图说明
图1为本发明实施例中八叉树下对点云中节点的原始莫顿顺序示意图。
图2为本发明提供的一种点云属性预测方法较佳实施例的流程图。
图3为本发明实施例中八叉树下对点云中节点的偏移莫顿顺序示意图。
图4为本发明实施例中四叉树下对点云中节点的原始莫顿顺序示意图。
图5为本发明实施例中四叉树下对点云中节点的偏移莫顿顺序示意图。
图6为本发明提供的一种点云属性编码方法较佳实施例的流程图。
图7为本发明提供的一种点云属性编码设备的结构原理图。
图8为本发明提供的一种点云属性解码方法较佳实施例的流程图。
具体实施方式
本发明提供一种点云属性预测方法、编码方法、解码方法及其设备,为使本发明的目的、技术方案及效果更加清楚、明确,以下参照附图并举实施例对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语),具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语,应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样被特定定义,否则不会用理想化或过于正式的含义来解释。
下面结合附图,通过对实施例的描述,对发明内容作进一步说明。
具体来讲,对点云中的各个点进行莫顿排序后的莫顿顺序可具体表示为:将第k个点的位置坐标(Xk,Yk,Zk)表示为:则第k个点对应的莫顿码表示为:或者用八进制数表示每三个比特则第k个点对应的莫顿码可以表示为:图1为三维点云的局部示意图,数字代表三维点云中的莫顿顺序,假设在莫顿顺序为0、2、10、16的位置存在点,为了表达方便把这三个点用字母编号为A、B、C、D。在PCEM编码器的属性编码中,按照所述莫顿顺序点云预测点的查找方式为,查找莫顿顺序前1个点作为当前的预测点。假设当前节点为D(16),按照PCEM的查找方式,则找到莫顿顺序的前1个点C(10)作为D(16)的预测点,这样就会存在一个问题,B(2)是距离D(16)更近的点但是D(16)的预测点却是更远的C(10),使用C(10)的属性值来预测D(16)会影响点云压缩性能。
基于上述技术所存在的问题,本发明提供了一种点云属性预测方法较佳实施例的流程图,如图2所示,其包括步骤:
S1、将点云原始坐标加上一个偏移值得到新的坐标值;
S2、根据所述新的坐标值确定偏移莫顿顺序;
S3、根据所述偏移莫顿顺序确定当前节点的属性预测值。
具体来讲,本实施例通过将点云原始坐标(x,y,z)加上一个固定的偏移值(j1,j2,j3),用新的坐标(x+j1,y+j2,z+j3)生成点云对应的莫顿码,按照莫顿排序得到偏移莫顿顺序,所述偏移值j1、j2、j3的取值为大于等于1。本实施例通过采用所述偏移莫顿顺序来找到与当前节点在物理上最近的邻居点,从而确定当前节点的属性预测值,最后根据所述属性预测值进行属性编码或根据所述当前节点的属性预测值以及点云属性码流确定所述当前节点的属性值,从而提高点云属性的编码和解码性能。
在一些具体的实施方式中,对原点云中的0、2、10、16点加上偏移值(1,1,1),得到偏移后的新点云中的7、21、29、23点,如图3所示,即A、B、C、D在原莫顿顺序下对应是编号0、2、10、16的点,在新的莫顿顺序下对应是编号7、21、29、23的点,这个新的莫顿顺序叫做偏移莫顿顺序。
在一些实施方式中,根据偏移莫顿顺序向前查找第一个存在的节点作为第一预测点;将所述第一预测点的属性值作为当前节点的属性预测值。
作为举例,按偏移莫顿顺序向前找到第一个存在的点的作为预测点,在如图3所示的偏移莫顿顺序中,当前节点D(23)查找偏移莫顿顺序下前1个点作为预测点,找到的预测点是B(21),使用B(21)的作为当前节点D(23)的预测点。
在一些实施方式中,根据偏移莫顿顺序向前查找K1个存在的节点作为第一预测点,在所述K1个第一预测点找到距离当前节点距离最小的点;将所述距离最小的点的属性值作为当前节点的属性预测值。
作为举例,假设K1设为2,在如图3所示的偏移莫顿顺序中,当前节点D(23)查找偏移莫顿顺序下前2个点作为预测点,找到的预测点是B(21)、A(7),当前节点D(23)和B(21)的一阶距离为1,当前节点D(23)和A(7)的一阶距离为2,选择距离较小的B(21)作为当前节点D(23)的预测点。
在一些实施方式中,根据偏移莫顿顺序向前查找K1个存在的节点作为第一预测点,将所述K1个第一预测点的属性值加权作为当前节点的属性预测值。
作为举例,假设K1设为2,在如图3所示的偏移莫顿顺序中,当前节点D(23)查找偏移莫顿顺序下前2个点作为预测点,找到的预测点是B(21)、A(7),使用B(21)和A(7)的属性值的均值作为当前节点D(23)的预测值。
在一些实施方式中,根据偏移莫顿顺序向前查找第一个存在的节点作为第一预测点;根据点云原始坐标下的原始莫顿顺序向前查找第一个存在的节点作为第二预测点;计算所述第一预测点到所述当前节点的距离d1;计算所述第二预测点到所述当前节点的距离d2;比较所述距离d1和所述距离d2,选择距离小的点作为第三预测点;将所述第三预测点的属性值作为所述当前节点的属性预测值。
作为举例,在如图1所示的原始莫顿顺序中查找当前节点D(16)的第一个存在的节点,找到的点是C(10),把C(10)作为预测点1,一阶距离为3。在如图3所示的偏移莫顿顺序查找当前节点D(23)的第一个存在的点,当前节点D(23)查找莫顿顺序下前1个点作为预测点,找到的预测点是B(21),把B(21)作为预测点2,一阶距离为1。对比预测点1和预测点2到当前节点的距离,选择距离较小的预测点2作为当前节点D(23)的预测点,使用预测点2的属性值对当前节点进行属性预测。
在一些实施方式中,根据偏移莫顿顺序向前查找K1个存在的节点作为第一预测点;根据点云原始坐标下的原始莫顿顺序向前查找K2个存在的节点作为第二预测点;计算所述第一预测点和所述第二预测点到所述当前节点的距离,选择距离小的点作为第三预测点;将所述第三预测点的属性值作为所述当前节点的属性预测值。
作为举例,按如图3所示的偏移莫顿顺序向前找到K1个存在的点,按如图1所示原始莫顿顺序向前找到K2个存在的点,从K1+K2中选择与当前点距离最小的点作为预测点。在本实例中设置K1为2、K2为2,在原莫顿顺序中,当前点D(16)查找原莫顿顺序下前2个点作为预测点,找到的预测点是C(10)、B(2)。在偏移莫顿顺序中,当前点D(23)查找偏移莫顿顺序下前2个点作为预测点,找到的预测点是B(21)、A(7)。两个莫顿顺序中找到的点的合集为A、B、C,与当前点D的一阶距离分别为2、1、4,选择距离最小的B作为当前点D的预测点。
在一些实施方式中,根据偏移莫顿顺序向前查找K1个存在的节点作为第一预测点;根据点云原始坐标下的原始莫顿顺序向前查找K2个存在的节点作为第二预测点;计算所述第一预测点到所述当前节点的加权距离d1;计算所述第二预测点到所述当前节点的加权距离d2;比较所述距离d1和所述距离d2,选择距离小的点作为第三预测点;将所述第三预测点的属性加权值作为所述当前节点的属性预测值。
作为举例,按如图3所示的偏移莫顿顺序向前找到K1个存在的点,按如图1所示的原始莫顿顺序向前找到K2个存在的点,分别计算K1个点到当前点的加权距离及K2个点到当前点的加权距离,从中选择距离较小的K1个点或K2个点作为预测点,其属性加权值作为预测值。在本实例中K1设置为2,K2设置为2,距离加权方式为均值。在原莫顿顺序中,当前点D(16)查找原莫顿顺序下前2个点作为预测点,找到的预测点是C(10)、B(2),距离当前点D(16)的一阶距离为4、1,距离的均值为2.5。在偏移莫顿顺序中,当前点D(23)查找偏移莫顿顺序下前2个点作为预测点,找到的预测点是B(21)、A(7)距离当前点D(16)的一阶距离为1、2,距离的均值为1.5。选择加权距离较小的偏移莫顿顺序的B(21)、A(7)作为预测点,B(21)、A(7)的属性加权值作为预测值。
在一些实施方式中,按偏移莫顿顺序向前找到K1个存在的点,按原始莫顿顺序向前找到K2个存在的点,从K1+K2个点选择其中距离最近的KX个点作为预测点,KX个属性加权值作为预测值。在本实例中K1设置为2,K2设置为2,KX设置为2,距离加权方式为均值。在原莫顿顺序中,当前点D(23)查找原莫顿顺序下前2个点作为预测点,找到的预测点是C(10)、B(2)。在偏移莫顿顺序中,当前点D(23)查找偏移莫顿顺序下前2个点作为预测点,找到的预测点是B(21)、A(7)。两个莫顿顺序中找到的点的合集为A、B、C,与当前点D的一阶距离分别为2、1、4,选择一阶距离较小的2个点A、B作为作为当前点D的预测点,A、B的属性加权值作为预测值。
在一些实施方式中,所述计算所述第一预测点到所述当前节点的距离的步骤包括:计算所述当前节点与所述第一预测点的欧式距离作为所述当前节点与所述第一预测点的距离;或者,计算在X,Y,Z三个方向上所述当前节点与所述第一预测点的坐标差值绝对值的最大值作为所述当前节点与所述第一预测点的距离;或者,计算在X,Y,Z三个方向上所述当前节点与所述第一预测点坐标的差值的和作为所述当前节点与所述第一预测点的距离。
在一些实施方式中,在四叉树情况下,在如图4所示的原始莫顿顺序中,该点云共有5个点,分别的莫顿编号8、14、19、24、25,为了表达方便把这些点称为A、B、C、D、E。在原始莫顿顺序中,当前点E(25)找到的前一个莫顿顺序预测点是D(24),D(24)与当前点E(25)的一阶距离为4,D(24)为第一预测点。把图4的点的坐标加上偏移量(1,1)后得到图5的点,形成偏移莫顿顺序,A、B、C、D、E在图5中对应偏移莫顿顺序的编号为25、27、26、30、28的点,接下来从偏移莫顿顺序中查找当前点E(28)的预测点,按照偏移莫顿顺序依次查找B(27),C(26),A(25)找到的前一个莫顿顺序预测点是B(27),与当前点的的一阶距离为1,B(27)作为第二预测点。按照找最近的预测点的原则,选择距离最近的B(27)为当前点的预测点,比在原莫顿顺序中查找到的预测点D(24)要近,因此选择点B作为当前点E的预测点。
在一些实施方式中,还提供一种点云属性预测设备,其中,包括处理器、存储器及通信总线;所述存储器上存储有可被所述处理器执行的计算机可读程序;所述通信总线实现处理器和存储器之间的连接通信;所述处理器执行所述计算机可读程序时实现如本发明所述的点云属性预测方法中的步骤。
在一些实施方式中,还提供一种点云属性编码方法,如图6所示,其包括步骤:
S10、采用所述点云属性预测方法确定当前节点的属性预测值;
S20、根据所述当前节点的属性值与所述当前节点的属性预测值的差值确定所述当前节点的预测残差值;
S30、对所述当前节点的预测残差值进行编码,得到点云码流。
本实施例通过采用偏移莫顿顺序来找到与当前节点在物理上最近的邻居点,从而确定当前节点的属性预测值,最后根据所述属性预测值进行属性编码。本实施例提供的点云属性编码方法能够提升点云的几何信息和属性信息相关性的利用,从而提高点云属性的编码和解码性能。
基于上述点云属性编码方法,本发明还提供一种点云属性编码设备,其中,如图7所示,其包括至少一个处理器(processor)20;显示屏21;以及存储器(memory)22,还可以包括通信接口(Communications Interface)23和总线24。其中,处理器20、显示屏21、存储器22和通信接口23可以通过总线24完成相互间的通信。显示屏21设置为显示初始设置模式中预设的用户引导界面。通信接口23可以传输信息。处理器20可以调用存储器22中的逻辑指令,以执行上述实施例中的方法。
此外,上述的存储器22中的逻辑指令可以通过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。
存储器22作为一种计算机可读存储介质,可设置为存储软件程序、计算机可执行程序,如本公开实施例中的方法对应的程序指令或模块。处理器20通过运行存储在存储器22中的软件程序、指令或模块,从而执行功能应用以及数据处理,即实现上述实施例中的方法。
存储器22可包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序;存储数据区可存储根据电子设备的使用所创建的数据等。此外,存储器22可以包括高速随机存取存储器,还可以包括非易失性存储器。例如,U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等多种可以存储程序代码的介质,也可以是暂态存储介质。
此外,上述存储介质以及点云属性编码设备中的多条指令处理器加载并执行的具体过程在上述方法中已经详细说明,在这里就不再一一陈述。
在一些实施方式中,还提供一种点云属性解码方法,如图8所示,其包括步骤:
S100、对点云属性码流进行解码,得到当前节点的属性残差值;
S200、采用本发明所述点云属性预测方法确定当前节点的属性预测值;
S300、根据所述当前节点的属性预测值与所述属性残差值的和值确定所述当前节点的属性值。
本实施例通过采用偏移莫顿顺序来找到与当前节点在物理上最近的邻居点,从而确定当前节点的属性预测值,最后根据所述当前节点的属性预测值以及点云属性码流确定所述当前节点的属性值。本发明提供的点云属性解码方法能够提升点云的几何信息和属性信息相关性的利用,从而提高点云属性解码性能。
基于上述点云属性解码方法,本发明还提供一种点云属性解码设备,其中,包括处理器、存储器及通信总线;所述存储器上存储有可被所述处理器执行的计算机可读程序;所述通信总线实现处理器和存储器之间的连接通信;所述处理器执行所述计算机可读程序时实现如本发明所述的点云属性解码方法中的步骤。
在一些实施方式中,将本发明提供的点云属性编码方法及解码方法用于点云压缩得到的结果与测试平台PCEM的基准结果进行比较得到的数据如表1-表4所示,使用偏移量为(3,3,3),搜索范围为N=8,M=8:
表1为在有限损几何、有损属性条件下的亮度、色度以及反射率的率失真数据对比表
表2为在无损几何、有损属性条件下的亮度、色度以及反射率的率失真数据对比表
表3为在无损几何、有限损属性条件下的亮度、色度以及反射率的率失真数据对比表
表4为在无损几何、无损属性条件下的亮度、色度以及反射率的率失真数据对比表
从表1-表4中的数据可以看出,相比与测试平台PCEM的基准结果,对于反射率属性,在有限损几何、有损属性条件,无损几何、有损属性条件,无损几何、有限损属性条件下,本发明的端到端率失真分别节约了8.5%、5.0%和5.5%;对于亮度属性,在无损几何、无损属性条件下码流大小为原来的94.7%,在有限损几何、有损属性条件,无损几何、有损属性条件,无损几何、有限损属性条件下,本发明的端到端率失真分别节约了4.9%、3.2%和6.9%,在无损几何、无损属性条件下码流大小为原来的90%;对于色度属性,在有限损几何、有损属性条件,无损几何、有损属性条件,无损几何、有限损属性条件下,本发明的端到端率失真最高分别节约了5.2%、4.0%、6.9%。
综上所述,本发明通过采用偏移莫顿顺序来找到与当前节点在物理空间中最近的邻居点,从而确定当前节点的属性预测值,最后根据所述属性预测值进行属性编码或根据所述当前节点的属性预测值以及点云属性码流确定所述当前节点的属性值。本发明提供的点云属性预测方法、编码方法和解码方法能够提升点云的几何信息和属性信息相关性的利用,从而提高点云属性的压缩性能。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种点云属性预测方法,其特征在于,包括步骤:
将点云原始坐标加上一个偏移值得到新的坐标值;
根据所述新的坐标值确定偏移莫顿顺序;
根据所述偏移莫顿顺序确定当前节点的属性预测值。
2.根据权利要求1所述的点云属性预测方法,其特征在于,所述根据所述偏移莫顿顺序确定当前节点的属性预测值,包括步骤:
根据偏移莫顿顺序向前查找第一个存在的节点作为第一预测点;
将所述第一预测点的属性值作为当前节点的属性预测值;
或者,根据偏移莫顿顺序向前查找K1个存在的节点作为第一预测点,
在所述K1个第一预测点找到距离当前节点距离最小的点;
将所述距离最小的点的属性值作为当前节点的属性预测值;
或者,根据偏移莫顿顺序向前查找K1个存在的节点作为第一预测点,
将所述K1个第一预测点的属性值加权作为当前节点的属性预测值。
3.根据权利要求1所述的点云属性预测方法,其特征在于,所述根据所述偏移莫顿顺序确定当前节点的属性预测值,包括步骤:
根据偏移莫顿顺序向前查找第一个存在的节点作为第一预测点;
根据点云原始坐标下的原始莫顿顺序向前查找第一个存在的节点作为第二预测点;
计算所述第一预测点到所述当前节点的距离d1;
计算所述第二预测点到所述当前节点的距离d2;
比较所述距离d1和所述距离d2,选择距离小的点作为第三预测点;
将所述第三预测点的属性值作为所述当前节点的属性预测值;
或者,根据偏移莫顿顺序向前查找K1个存在的节点作为第一预测点;
根据点云原始坐标下的原始莫顿顺序向前查找K2个存在的节点作为第二预测点;
计算所述第一预测点和所述第二预测点到所述当前节点的距离,选择距离小的一个点或多个点作为第三预测点;
将所述第三预测点的属性值或属性加权值作为所述当前节点的属性预测值;
或者,根据偏移莫顿顺序向前查找K1个存在的节点作为第一预测点;
根据点云原始坐标下的原始莫顿顺序向前查找K2个存在的节点作为第二预测点;
计算所述第一预测点到所述当前节点的加权距离d1;
计算所述第二预测点到所述当前节点的加权距离d2;
比较所述距离d1和所述距离d2,选择距离小的点作为第三预测点;
将所述第三预测点的属性加权值作为所述当前节点的属性预测值。
4.根据权利要求3所述的点云属性预测方法,其特征在于,所述计算所述第一预测点到所述当前节点的距离的步骤包括:
计算所述当前节点与所述第一预测点的欧式距离作为所述当前节点与所述第一预测点的距离;
或者,计算在X,Y,Z三个方向上所述当前节点与所述第一预测点的坐标差值绝对值的最大值作为所述当前节点与所述第一预测点的距离;
或者,计算在X,Y,Z三个方向上所述当前节点与所述第一预测点坐标的差值的和作为所述当前节点与所述第一预测点的距离。
5.一种点云属性预测设备,其特征在于,包括处理器、存储器及通信总线;所述存储器上存储有可被所述处理器执行的计算机可读程序;
所述通信总线实现处理器和存储器之间的连接通信;
所述处理器执行所述计算机可读程序时实现如权利要求1-4任意一项所述的点云属性预测方法中的步骤。
6.一种点云属性编码方法,其特征在于,包括步骤:
采用权利要求1-4任一所述点云属性预测方法确定当前节点的属性预测值;
根据所述当前节点的属性值与所述当前节点的属性预测值的差值确定所述当前节点的预测残差值;
对所述当前节点的预测残差值进行编码,得到点云码流。
7.一种点云属性编码设备,其特征在于,包括处理器、存储器及通信总线;所述存储器上存储有可被所述处理器执行的计算机可读程序;
所述通信总线实现处理器和存储器之间的连接通信;
所述处理器执行所述计算机可读程序时实现如权利要求6所述的点云属性编码方法中的步骤。
8.一种点云属性解码方法,其特征在于,包括步骤:
对点云属性码流进行解码,得到当前节点的属性残差值;
采用权利要求1-4任一所述点云属性预测方法确定当前节点的属性预测值;
根据所述当前节点的属性预测值与所述属性残差值的和值确定所述当前节点的属性值。
9.一种点云属性解码设备,其特征在于,包括处理器、存储器及通信总线;所述存储器上存储有可被所述处理器执行的计算机可读程序;
所述通信总线实现处理器和存储器之间的连接通信;
所述处理器执行所述计算机可读程序时实现如权利要求8所述的点云属性解码方法中的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010239384.8A CN113473153B (zh) | 2020-03-30 | 2020-03-30 | 一种点云属性预测方法、编码方法、解码方法及其设备 |
PCT/CN2021/083396 WO2021197238A1 (zh) | 2020-03-30 | 2021-03-26 | 一种点云属性预测方法、编码方法、解码方法及其设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010239384.8A CN113473153B (zh) | 2020-03-30 | 2020-03-30 | 一种点云属性预测方法、编码方法、解码方法及其设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113473153A CN113473153A (zh) | 2021-10-01 |
CN113473153B true CN113473153B (zh) | 2023-04-25 |
Family
ID=77865096
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010239384.8A Active CN113473153B (zh) | 2020-03-30 | 2020-03-30 | 一种点云属性预测方法、编码方法、解码方法及其设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113473153B (zh) |
WO (1) | WO2021197238A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024011472A1 (zh) * | 2022-07-13 | 2024-01-18 | Oppo广东移动通信有限公司 | 点云编解码方法、编解码器及计算机存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106126919A (zh) * | 2016-06-23 | 2016-11-16 | 武汉大学 | 一种任意类型点集数据之间的精确豪斯多夫距离计算方法 |
CN107111485A (zh) * | 2014-11-14 | 2017-08-29 | 英特尔公司 | 三维莫顿坐标转换处理器、方法、***和指令 |
CN107111489A (zh) * | 2014-11-14 | 2017-08-29 | 英特尔公司 | 莫顿坐标调整处理器、方法、***和指令 |
WO2019076503A1 (en) * | 2017-10-17 | 2019-04-25 | Nokia Technologies Oy | APPARATUS, METHOD AND COMPUTER PROGRAM FOR ENCODING VOLUMETRIC VIDEO |
CN110572655A (zh) * | 2019-09-30 | 2019-12-13 | 北京大学深圳研究生院 | 一种基于邻居权重的参数选取和传递的点云属性编码和解码的方法及设备 |
CN110580250A (zh) * | 2018-06-08 | 2019-12-17 | 虚拟现实软件 | 用于有效可视化的海量点云数据的索引 |
CN110708560A (zh) * | 2018-07-10 | 2020-01-17 | 腾讯美国有限责任公司 | 点云数据处理方法和装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190116372A1 (en) * | 2017-10-16 | 2019-04-18 | Mitsubishi Electric Research Laboratories, Inc. | Systems and Methods for Compressing, Representing and Processing Point Clouds |
US10853447B2 (en) * | 2018-01-19 | 2020-12-01 | 8i Limited | Bezier volume representation of point cloud attributes |
US10911787B2 (en) * | 2018-07-10 | 2021-02-02 | Apple Inc. | Hierarchical point cloud compression |
US11151748B2 (en) * | 2018-07-13 | 2021-10-19 | Electronics And Telecommunications Research Institute | 3D point cloud data encoding/decoding method and apparatus |
CN110418135B (zh) * | 2019-08-05 | 2022-05-27 | 北京大学深圳研究生院 | 一种基于邻居的权重优化的点云帧内预测方法及设备 |
CN112218079B (zh) * | 2020-08-24 | 2022-10-25 | 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 |
-
2020
- 2020-03-30 CN CN202010239384.8A patent/CN113473153B/zh active Active
-
2021
- 2021-03-26 WO PCT/CN2021/083396 patent/WO2021197238A1/zh active Application Filing
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107111485A (zh) * | 2014-11-14 | 2017-08-29 | 英特尔公司 | 三维莫顿坐标转换处理器、方法、***和指令 |
CN107111489A (zh) * | 2014-11-14 | 2017-08-29 | 英特尔公司 | 莫顿坐标调整处理器、方法、***和指令 |
CN106126919A (zh) * | 2016-06-23 | 2016-11-16 | 武汉大学 | 一种任意类型点集数据之间的精确豪斯多夫距离计算方法 |
WO2019076503A1 (en) * | 2017-10-17 | 2019-04-25 | Nokia Technologies Oy | APPARATUS, METHOD AND COMPUTER PROGRAM FOR ENCODING VOLUMETRIC VIDEO |
CN110580250A (zh) * | 2018-06-08 | 2019-12-17 | 虚拟现实软件 | 用于有效可视化的海量点云数据的索引 |
CN110708560A (zh) * | 2018-07-10 | 2020-01-17 | 腾讯美国有限责任公司 | 点云数据处理方法和装置 |
CN110572655A (zh) * | 2019-09-30 | 2019-12-13 | 北京大学深圳研究生院 | 一种基于邻居权重的参数选取和传递的点云属性编码和解码的方法及设备 |
Non-Patent Citations (1)
Title |
---|
Michael Connor 等.Fast construction of k-nearest neighbor graphs for point clouds.《IEEE Transactions on Visualization and Computer Graphics》.2010,第16卷(第4期),第1-11页. * |
Also Published As
Publication number | Publication date |
---|---|
CN113473153A (zh) | 2021-10-01 |
WO2021197238A1 (zh) | 2021-10-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113256746B (zh) | 点云编解码的方法、装置和存储介质 | |
US11409998B2 (en) | Trimming search space for nearest neighbor determinations in point cloud compression | |
CN111145090A (zh) | 一种点云属性编码方法、解码方法、编码设备及解码设备 | |
CN111095929B (zh) | 一种压缩针对点云的属性信息的***、方法及计算机可读介质 | |
CN111242997B (zh) | 一种基于滤波器的点云属性预测方法及设备 | |
US11454710B2 (en) | Point cloud compression using a space filling curve for level of detail generation | |
US10909727B2 (en) | Hierarchical point cloud compression with smoothing | |
US10911787B2 (en) | Hierarchical point cloud compression | |
US11010928B2 (en) | Adaptive distance based point cloud compression | |
US10462485B2 (en) | Point cloud geometry compression | |
CN111405281A (zh) | 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 | |
US20190081638A1 (en) | Hierarchical point cloud compression | |
CN111405284B (zh) | 一种基于点云密度的属性预测方法及设备 | |
KR101565265B1 (ko) | 피쳐 위치 정보의 코딩 | |
CN113014903B (zh) | 点云邻居确定、点云预测、点云编码、点云解码方法及设备 | |
KR20100068468A (ko) | 그리드 기반 피처 구조를 이용한 비주얼 서치 수행의 방법, 장치 및 컴퓨터 프로그램 제품 | |
CN113473153B (zh) | 一种点云属性预测方法、编码方法、解码方法及其设备 | |
CN113395506A (zh) | 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 | |
KR20230074504A (ko) | 포인트 클라우드 인코딩 방법, 포인트 클라우드 디코딩 방법 및 관련 장치 | |
CN115412715B (zh) | 一种点云属性信息的预测编解码方法及装置 | |
CN112948620B (zh) | 图像的索引方法、装置、电子设备及其存储介质 | |
CN117176959A (zh) | 处理方法、处理设备及存储介质 | |
EP3079081A1 (en) | Method and device for coding the coordinates of a set of points | |
GB2540152A (en) | A method, an apparatus and a computer program code for data pressing |
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 |