CN115470259A - 一种点云属性预测方法、装置、终端及存储介质 - Google Patents

一种点云属性预测方法、装置、终端及存储介质 Download PDF

Info

Publication number
CN115470259A
CN115470259A CN202110657405.2A CN202110657405A CN115470259A CN 115470259 A CN115470259 A CN 115470259A CN 202110657405 A CN202110657405 A CN 202110657405A CN 115470259 A CN115470259 A CN 115470259A
Authority
CN
China
Prior art keywords
points
target
point
distance
target neighborhood
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.)
Pending
Application number
CN202110657405.2A
Other languages
English (en)
Inventor
王静
张琦
陈悦汝
李革
高文
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Peng Cheng Laboratory
Original Assignee
Peng Cheng Laboratory
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Peng Cheng Laboratory filed Critical Peng Cheng Laboratory
Priority to CN202110657405.2A priority Critical patent/CN115470259A/zh
Priority to PCT/CN2022/098242 priority patent/WO2022258061A1/zh
Priority to US18/563,146 priority patent/US20240233195A1/en
Publication of CN115470259A publication Critical patent/CN115470259A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Fuzzy Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Probability & Statistics with Applications (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Signal Processing (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种点云属性预测方法、装置、终端及存储介质，所述方法通过第一空间距离筛选出目标数据点对应的目标邻域点，并基于第二空间距离确定各目标邻域点分别对应的优化权重，最后根据各目标邻域点和各目标邻域点分别对应的优化权重，确定所述目标数据点对应的属性预测值。本发明在空间距离的基础上优化了各目标邻域点分别对应的优化权重，可以提升点云的几何信息和属性信息相关性，在进行点云属性预测的时候提供更准确的预测值，从而提高点云属性的编码和解码性能。

Description

一种点云属性预测方法、装置、终端及存储介质
技术领域
本发明涉及点云处理技术领域，尤其涉及的是一种点云属性预测方法、装置、终端及存储介质。
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PCRM中描述的点云属性压缩方法主要采用基于三维空间顺序的点云预测方法，即将当前点云按照点云的位置信息进行空间顺序排序，根据空间顺序选取与当前点曼哈顿距离最小的3个点作为当前点的邻居，将每个邻居与当前点的曼哈顿距离的倒数作为该邻居的权重，将3个邻居的属性重构值的加权平均值作为当前点的属性预测值。最后用当前点的实际属性值减去属性预测值得到属性残差值编入码流。然而基于曼哈顿距离的倒数作为该邻居的权重，没有很好的预测当前点的属性值，因此会导致点云属性预测的准确度不高。
因此，现有技术还有待改进和发展。
发明内容
本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种点云属性预测方法、装置、终端及存储介质，旨在解决现有技术中基于曼哈顿距离的倒数作为该邻居的权重不准确，导致点云属性预测的准确度不高的问题。
本发明解决问题所采用的技术方案如下：
第一方面，本发明实施例提供一种点云属性预测方法，其中，所述方法包括：
根据点云中的点分别与目标数据点之间的第一空间距离对所述点云中的点进行筛选，得到若干目标邻域点；
根据所述若干目标邻域点分别与所述目标数据点之间的第二空间距离，确定所述若干目标邻域点的优化权重；
根据所述若干目标邻域点和所述若干目标邻域点分别对应的优化权重，确定所述目标数据点对应的属性预测值。
在一种实施方式中，所述第一空间距离，包括：
计算两点在N个坐标分量上的差值的大小的P次方的加权和作为所述第一空间距离；
或者，计算两点在N个坐标分量上的差值的大小的加权值的最大值作为所述第一空间距离。
在一种实施方式中，所述第二空间距离，包括：
计算两点在N个坐标分量上的差值的大小的P次方的加权和作为所述第二空间距离；
或者，计算两点在N个坐标分量上的差值的大小的加权值的最大值作为所述第二空间距离。
在一种实施方式中，所述根据点云中的点分别与目标数据点之间的第一空间距离对所述点云中的点进行筛选，得到若干目标邻域点，包括：
按照所述第一空间距离由小到大的顺序，在所述点云中的点中选取出预设数量的点，得到所述若干目标邻域点；
或者，获取预设距离阈值，将所述第一空间距离小于或等于所述预设距离阈值的点作为所述若干目标邻域点；
或者，按照所述第一空间距离由小到大的顺序，在所述点云中的点中选取出预设数量的点及所述第一空间距离与所述预设数量的点的距离相同的点，得到所述若干目标邻域点。
在一种实施方式中，所述根据所述若干目标邻域点分别与所述目标数据点之间的第二空间距离，确定所述若干目标邻域点的优化权重，包括：
根据所述第二空间距离及所述第二空间距离相同的目标邻域点的个数确定所述目标邻域点的优化权重；
和/或，根据所述第二空间距离及属性量化步长确定所述目标邻域点的优化权重；
和/或，根据所述第二空间距离的指数幂确定所述目标邻域点的优化权重；
和/或，根据所述第二空间距离及所述目标邻域点的方向向量确定所述目标邻域点的优化权重。
在一种实施方式中，所述根据所述第二空间距离及所述第二空间距离相同的目标邻域点的个数确定所述目标邻域点的优化权重，包括：
将所述第二空间距离与所述第二空间距离相同的目标邻域点的个数的乘积作为所述目标邻域点的优化距离；将所述目标邻域点的优化距离的倒数作为所述目标邻域点的优化权重；
或者，当第二空间距离相同的目标邻域点的个数大于1时，将所述第二空间距离与所述第二空间距离相同的目标邻域点的个数的乘积除以属性量化步长得到的商作为所述目标邻域点的优化距离，将所述目标邻域点的优化距离的倒数作为所述目标邻域点的优化权重；
或者，将所述第二空间距离相同的目标邻域点的个数与属性量化步长的最小值作为优化系数，将所述第二空间距离与所述第二空间距离相同的目标邻域点的个数的乘积除以所述优化系数得到的商作为所述目标邻域点的优化距离，将所述目标邻域点的优化距离的倒数作为所述目标邻域点的优化权重。
在一种实施方式中，所述根据所述第二空间距离及属性量化步长确定所述目标邻域点的优化权重，包括：
将所述第二空间距离与所述属性量化步长的和作为所述目标邻域点的优化距离，将所述目标邻域点的优化距离的倒数作为所述目标邻域点的优化权重；
或者，将所述第二空间距离与所述属性量化步长的和乘以所述第二空间距离作为所述目标邻域点的优化距离，将所述目标邻域点的优化距离的倒数作为所述目标邻域点的优化权重。
在一种实施方式中，所述根据所述第二空间距离的指数幂确定所述目标邻域点的优化权重，包括：
将所述第二空间距离的指数幂作为所述目标邻域点的优化距离，将所述目标邻域点的优化距离的倒数作为所述目标邻域点的优化权重；
或者，将所述第二空间距离的指数幂多项式的值作为所述目标邻域点的优化距离，将所述目标邻域点的优化距离的倒数作为所述目标邻域点的优化权重。
在一种实施方式中，所述根据所述第二空间距离及所述目标邻域点的方向向量确定所述目标邻域点的优化权重，包括：
获取所述若干目标邻域点分别对应的方向向量；
根据所述若干目标邻域点分别对应的方向向量，判断是否存在若干平行邻域点；其中，所述若干平行邻域点分别对应的方向向量平行；
当存在若干平行邻域点时，将所述第二空间距离较大的平行邻域点的优化权重设为0；
将所述若干目标邻域点中除所述若干平行邻域点之外的邻域点和所述第二空间距离最小的平行邻域点的优化权重设为所述第二空间距离的倒数。
在一种实施方式中，所述根据所述第二空间距离及所述目标邻域点的方向向量确定所述目标邻域点的优化权重，包括：
获取所述若干目标邻域点分别对应的方向向量；
根据所述若干目标邻域对应的方向向量，确定所述若干目标邻域点分别对应的轴向归一方向向量；
根据所述若干目标邻域点分别对应的轴向归一方向向量，判断是否存在若干同向邻域点；其中，所述若干同向邻域点分别对应的轴向归一方向向量相同；
当存在若干同向邻域点时，将所述第二空间距离较大的同向邻域点的优化权重设为0；
将所述若干目标邻域点中除所述若干同向邻域点之外的邻域点和所述第二空间距离最小的同向邻域点的优化权重设为所述第二空间距离的倒数。
在一种实施方式中，所述根据所述若干目标邻域点和所述若干目标邻域点分别对应的优化权重，确定所述目标数据点对应的属性预测值，包括：
获取所述若干目标邻域点分别对应的重构属性值；
根据所述若干目标邻域点分别对应的优化权重和所述若干目标邻域点分别对应的重构属性值得到加权平均值，将所述加权平均值作为所述目标数据点对应的属性预测值。
在一种实施方式中，所述方法还包括：
获取所述目标数据点的属性值，将所述属性值与所述属性预测值之间的差值作为所述目标数据点对应的属性残差值；
对所述属性残差值进行编码，得到点云码流。
在一种实施方式中，所述方法还包括：
对点云码流进行解码，得到属性残差值；
根据所述属性预测值和所述属性残差值的和，确定所述目标数据点对应的属性重构值。
第二方面，本发明实施例还提供一种点云属性预测装置，其中，所述装置包括：
邻域点筛选模块，用于获取点云中的点分别与所述目标数据点之间的第一空间距离，根据所述第一空间距离对所述点云中的点进行筛选，得到若干目标邻域点；
权重确定模块，用于根据所述若干目标邻域点分别与所述目标数据点之间的第二空间距离，确定所述若干目标邻域点分别对应的优化权重；
属性预测模块，用于根据所述若干目标邻域点和所述若干目标邻域点分别对应的优化权重，确定所述目标数据点对应的属性预测值。
第三方面，本发明实施例还提供一种终端，其中，所述终端包括有存储器和一个或者一个以上处理器；所述存储器存储有一个或者一个以上的程序；所述程序包含用于执行上述任一所述的点云属性预测方法的指令；所述处理器用于执行所述程序。
第四方面，本发明实施例还提供一种计算机可读存储介质，其上存储有多条指令，其中，由处理器加载并执行所述指令，以实现上述任一所述的点云属性预测方法的步骤。
本发明的有益效果：本发明实施例通过第一空间距离筛选出目标数据点对应的目标邻域点，并基于第二空间距离确定各目标邻域点分别对应的优化权重，最后根据各目标邻域点和各目标邻域点分别对应的优化权重，确定所述目标数据点对应的属性预测值。本发明在空间距离的基础上优化了各目标邻域点分别对应的优化权重，可以提升点云的几何信息和属性信息相关性，在进行点云属性预测的时候提供更准确的预测值，从而提高点云属性的编码和解码性能。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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发明中记载的一些实施例，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是本发明实施例提供的点云属性预测方法的流程示意图。
图2a是本发明实施例提供的二维空间中P＝1时空间距离的示意图。
图2b是本发明实施例提供的二维空间中P＝2时空间距离的示意图。
图2c是本发明实施例提供的二维空间中P＝1时另一空间距离的示意图。
图3是本发明实施例提供的点云属性预测方法的另一流程示意图。
图4是本发明实施例提供的点云属性预测方法的又一流程示意图。
图5是本发明实施例提供的点云属性预测方法的又一流程示意图。
图6是本发明实施例提供的点云属性预测方法的又一流程示意图。
图7是本发明实施例提供的点云属性预测方法的又一流程示意图。
图8是本发明实施例提供的点云属性预测方法的又一流程示意图。
图9是本发明实施例提供的点云属性预测方法的又一流程示意图。
图10是本发明实施例提供的点云属性预测方法的又一流程示意图。
图11是本发明实施例提供的点云属性预测方法的又一流程示意图。
图12是本发明实施例提供的点云属性预测装置的内部模块连接图。
图13是本发明实施例提供的终端的原理框图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、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仅用以解释本发明，并不用于限定本发明。
需要说明，若本发明实施例中有涉及方向性指示(诸如上、下、左、右、前、后……)，则该方向性指示仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
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PCRM中描述的点云属性压缩方法主要采用基于三维空间顺序的点云预测方法，即筛选出与目标数据点之间的曼哈顿距离最近的固定数量的邻域点作为目标邻域点，将每个目标邻域点与目标数据点的曼哈顿距离的倒数作为该目标邻域点的权重，将目标邻域点的属性重构值的加权平均值作为目标数据点的属性预测值。最后用当前点的实际属性值减去属性预测值得到属性残差值编入码流。然而基于曼哈顿距离的倒数作为该目标邻域点的权重并不能准确反映点云的几何信息和属性信息相关性，因此会导致点云属性预测的准确度不高。
针对现有技术的上述缺陷，本发明提供了一种点云属性预测方法，根据点云中的点分别与所述目标数据点之间的第一空间距离对所述点云中的点进行筛选，得到若干目标邻域点；根据所述若干目标邻域点分别与所述目标数据点之间的第二空间距离，确定所述若干目标邻域点分别对应的优化权重；根据所述若干目标邻域点和所述若干目标邻域点分别对应的优化权重，确定所述目标数据点对应的属性预测值。由于本发明在空间距离的基础上优化了各目标邻域点分别对应的权重，可以提升点云的几何信息和属性信息相关性，在进行点云属性预测的时候提供更准确的预测值，从而提高点云属性的编码和解码性能。
如图1所示，所述方法包括如下步骤：
步骤S100、根据点云中的点分别与所述目标数据点之间的第一空间距离对所述根据点云中的点进行筛选，得到若干目标邻域点。
具体地，由于点云中的点包括所有与目标数据点相邻的数据点，因此可能存在与目标数据点相距较远的数据点，而这些与目标数据点相距较远的数据点与目标数据点的属性值的相关性通常较小，因此本实施例需要基于两点之间的第一空间距离对点云中的点进行筛选，选择出与目标数据点相距较近的点作为用于计算目标数据点的属性预测值的目标邻域点。
在一种实现方式中，所述第一空间距离和所述第二空间举例都可以采用方法1或者方法2确定：
方法1：计算两点在N个坐标分量上的差值的大小的P次方的加权和作为所述第一空间距离或者所述第二空间距离；
方法2：计算两点在N个坐标分量上的差值的大小的加权值的最大值作为所述第一空间距离或者所述第二空间距离。
具体地，本实施例提供的第一种方法是基于两点之间在若干个坐标分量上的差值的大小的指数幂加权和确定的。举例说明，三维空间中两个点的坐标分别为(x1,y1,z1)、(x2,y2,z2)，则需要计算这两点分别在X轴、Y轴、Z轴这三个坐标分量上的差值，得到三个差值，并将这三个差值的大小的P次方加权和作为这两点之间的第一空间距离/第二空间距离。如下所示，两点的第一空间距离/第二空间距离d可以表达为：
d＝cx|x2-x1|P+cy|y2-y1|P+cz|z2-z1|P
其中，cx、cy、cz分别是X轴、Y轴、Z轴的权重值。cx,cy,cz,P为正数。当cx、cy、cz均为1时，则两点的第一空间距离/第二空间距离d可以表达为：
d＝|x2-x1|P+|y2-y1|P+|z2-z1|P
其中，P为正数。图2a所示为二维空间中P＝1时第一空间距离/第二空间距离的示意图。图2b所示为二维空间中P＝2时第一空间距离/第二空间距离的示意图。
第二种方法需要计算出两点之间在若干坐标分量上的差值，并计算出各差值的大小的指数幂，采用计算出的若干加权值中的最大值确定两点之间的第一空间距离/第二空间距离。举例说明，三维空间中两个点的坐标分别为(x1,y1,z1)、(x2,y2,z2)，则需要计算这两点分别在X轴、Y轴、Z轴这三个坐标分量上的差值，得到三个差值，计算这三个差值的大小的各自的P次方并分别乘以各自的权重值，并将这三个加权值中的最大值作为这两点之间的第一空间距离/第二空间距离。如下所示，两点的第一空间距离/第二空间距离d可以表达为：
d＝max(cx|x2-x1|P，cy|y2-y1|P，cz|z2-z1|P
其中，cx、cy、cz分别是X轴、Y轴、Z轴的权重值。cx,cy,cz,P为正数。图2c所示为二维空间中cx,cy,cz,P均为1时第一空间距离/第二空间距离的示意图。
在一种实现方式中，所述根据所述第一空间距离对所述点云中的点进行筛选，得到若干目标邻域点，具体为：按照所述第一空间距离由小到大的顺序，在所述点云中的点中选取出预设数量的点，得到所述若干目标邻域点。
具体地，本实施例需要根据第一空间距离的大小与目标数据点相距较远的点筛除，保留与目标数据点相距较近的点。举例说明，假设目标数据点A周围有a、b、c、d、e五个点，a与A之间的第一空间距离为d1，b与A之间的第一空间距离为d2，c与A之间的第一空间距离为d3，d与A之间的第一空间距离为d4，e与A之间的第一空间距离为d5，且d1<d2<d3<d4<d5。基于预设数量排序筛选，若预设数量为3，则筛选过程可以是：在a、b、c、d 4个点的距离d1、d2、d3、d4中选出3个最小距离按距离由小到大排列依次为d1、d2、d3,接着在d1、d2、d3及e与A之间的第一空间距离d5中选出3个最小距离按距离由小到大排列依次为d1、d2、d3，则a、b、c当选。若预设数量为2，则筛选过程可以是：在a、b、c 3个点的距离d1、d2、d3中选出2个最小距离按距离由小到大排列依次为d1、d2,接着在d1、d2、d4中选出2个最小距离按距离由小到大排列依次为d1、d2，接着在d1、d2、d5中选出2个最小距离按距离由小到大排列依次为d1、d2，则a、b当选。或者基于全部排序筛选，筛选过程可以是：按照第一空间距离由小到大的顺序全部排序就是a、b、c、d、e。若需要选择出2个目标邻域点，则a、b当选；若需要选择出3个目标邻域点，则a、b、c当选。
在另一种实现方式中，所述根据所述第一空间距离对所述点云中的点进行筛选，得到若干目标邻域点，具体为：获取预设距离阈值，将所述第一空间距离小于或所述预设距离阈值的点作为所述目标邻域点。
具体地，由于与目标数据点相距较近的点都有可能与目标数据点的属性值相关性较大，因此为了选择出所有与目标数据点相距较近的点，本实施例预先设定了一个距离阈值，将第一空间距离小于或等于该预设距离阈值的点判定为与目标数据点相距较近的点，并作为目标邻域点。
举例说明，假设目标数据点A周围有a、b、c、d、e五个点，a与A之间的第一空间距离为1，b与A之间的第一空间距离为1，c与A之间的第一空间距离为2，d与A之间的第一空间距离为4，e与A之间的第一空间距离为5，预设距离阈值为3，则第一空间距离小于或等于3的点为a、b、c，因此a、b、c为目标邻域点。
在另一种实现方式中，所述根据所述第一空间距离对所述点云中的点进行筛选，得到若干目标邻域点，具体为：按照所述第一空间距离由小到大的顺序，在所述点云中的点中选取出预设数量的点及所述第一空间距离与所述预设数量的点的距离相同的点，得到所述若干目标邻域点。
举例说明，假设目标数据点A周围有a、b、c、d、e五个点，a与A之间的第一空间距离为1，b与A之间的第一空间距离为1，c与A之间的第一空间距离为2，d与A之间的第一空间距离为5，e与A之间的第一空间距离为2，预设数量为3，则第一空间距离最小的3点的距离为1、1、2，对应的点为a、b、c、e，因此a、b、c、e为目标邻域点。
如图1所示，所述方法还包括如下步骤：
步骤S200、根据所述若干目标邻域点分别与所述目标数据点之间的第二空间距离，确定所述若干目标邻域点的优化权重。
为了准确预测出目标数据点的属性值，本实施例根据第二空间距离来确定目标数据点周围各目标邻域点的优化权重，该优化权重的数值大小即可反映该目标邻域点在后续计算目标数据点的属性预测值时的重要程度。
具体地，本实施例可以采用方法1或方法2来确定目标邻域点与目标数据点之间的第二空间距离。可以理解的是，若采用相同的方法计算第一空间距离和第二空间距离，则两者相等；若采用不同的方法计算第一空间距离和第二空间距离，则两者不相等。即本实施例中采用的第一空间距离和第二空间距离可以相等也可以不相等。
如图3所示，在一种实现方式中，所述根据所述若干目标邻域点分别与所述目标数据点之间的第二空间距离，确定所述若干目标邻域点的优化权重，具体为：S210、根据所述第二空间距离及所述第二空间距离相同的目标邻域点的个数确定所述目标邻域点的优化权重。
如图4所示，在一种实现方式中，所述根据所述第二空间距离及所述第二空间距离相同的目标邻域点的个数确定所述目标邻域点的优化权重，具体为：S211、将所述第二空间距离与所述第二空间距离相同的目标邻域点的个数的乘积作为所述目标邻域点的优化距离；将所述目标邻域点的优化距离的倒数作为所述目标邻域点的优化权重。
举例说明，假设目标数据点A周围有a、b、c、d、e五个目标邻域点，对应的第二空间距离分别为1、2、3、3、3，第二空间距离为1的目标邻域点的个数为1，第二空间距离为2的目标邻域点的个数为1，第二空间距离为3的目标邻域点的个数为3，则5个目标邻域点的优化距离分别为1、2、3x3、3x3、3x3，相应的优化权重分别为1、1/2、1/9、1/9、1/9。由于考虑了不同距离点数不均衡的因素，因而提升了点云预测准确度。
如图4所示，在一种实现方式中，所述根据所述第二空间距离及所述第二空间距离相同的目标邻域点的个数确定所述目标邻域点的优化权重，具体为：S212、当第二空间距离相同的目标邻域点的个数大于1时，将所述第二空间距离与所述第二空间距离相同的目标邻域点的个数的乘积除以属性量化步长得到的商作为所述目标邻域点的优化距离，将所述目标邻域点的优化距离的倒数作为所述目标邻域点的优化权重。
举例说明，假设目标数据点A周围有a、b、c、d、e五个目标邻域点，对应的第二空间距离分别为1、2、3、3、3，属性量化步长为2，则第二空间距离为1的目标邻域点的个数为1，第二空间距离为2的目标邻域点的个数为1，第二空间距离为3的目标邻域点的个数为3，5个目标邻域点的优化距离分别为1、2、3x3/2、3x3/2、3x3/2，相应的优化权重分别为1、1/2、2/9、2/9、2/9。由于考虑了不同量化步长带来的目标邻域点的重构属性值的量化误差因素，因而提升了点云预测准确度。
如图4所示，在一种实现方式中，所述根据所述第二空间距离及所述第二空间距离相同的目标邻域点的个数确定所述目标邻域点的优化权重，具体为：S213、将所述第二空间距离相同的目标邻域点的个数与属性量化步长的最小值作为优化系数，将所述第二空间距离与所述第二空间距离相同的目标邻域点的个数的乘积除以所述优化系数得到的商作为所述目标邻域点的优化距离，将所述目标邻域点的优化距离的倒数作为所述目标邻域点的优化权重。
举例说明，假设目标数据点A周围有a、b、c、d、e五个目标邻域点，对应的第二空间距离分别为1、2、3、3、3，则第二空间距离为1的目标邻域点的个数为1，第二空间距离为2的目标邻域点的个数为1，第二空间距离为3的目标邻域点的个数为3。若属性量化步长为1，则5个目标邻域点的优化系数分别为1、1、1、1、1，5个目标邻域点的优化距离分别为1、2、3x3、3x3、3x3，相应的优化权重分别为1、1/2、1/9、1/9、1/9。若属性量化步长为2，则5个目标邻域点的优化系数分别为1、1、2、2、2，5个目标邻域点的优化距离分别为1、2、3x3/2、3x3/2、3x3/2，相应的优化权重分别为1、1/2、2/9、2/9、2/9。若属性量化步长为4，则5个目标邻域点的优化系数分别为1、1、3、3、3，5个目标邻域点的优化距离分别为1、2、3x3/3、3x3/3、3x3/3，相应的优化权重分别为1、1/2、1/3、1/3、1/3。由于同时考虑了不同距离点数的均衡及不同量化步长带来的量化误差因素，因而提升了点云预测准确度。
如图3所示，在一种实施方式中，所述根据所述若干目标邻域点分别与所述目标数据点之间的第二空间距离，确定所述若干目标邻域点的优化权重，具体为：S220、根据所述第二空间距离及属性量化步长确定所述目标邻域点的优化权重。
如图5所示，在一种实施方式中，所述根据所述第二空间距离及属性量化步长确定所述目标邻域点的优化权重，具体为：S221、将所述第二空间距离与所述属性量化步长的和作为所述目标邻域点的优化距离，将所述目标邻域点的优化距离的倒数作为所述目标邻域点的优化权重。
举例说明，假设目标数据点A周围有a、b、c、d、e五个目标邻域点，对应的第二空间距离分别为1、2、3、3、3，属性量化步长为2，则5个目标邻域点的优化距离分别为1+2、2+2、3+2、3+2、3+2，相应的优化权重分别为1/3、1/4、1/5、1/5、1/5。由于考虑了不同量化步长带来的目标邻域点的重构属性值的量化误差因素，因而提升了点云预测准确度。
如图5所示，在一种实施方式中，所述根据所述第二空间距离及属性量化步长确定所述目标邻域点的优化权重，具体为：S222、将所述第二空间距离与所述属性量化步长的和乘以所述第二空间距离得到的乘积作为所述目标邻域点的优化距离，将所述目标邻域点的优化距离的倒数作为所述目标邻域点的优化权重。
举例说明，假设目标数据点A周围有a、b、c、d、e五个目标邻域点，对应的第二空间距离分别为1、2、3、3、3，属性量化步长为2，则5个目标邻域点的优化距离分别为(1+2)x1、(2+2)x2、(3+2)x3、(3+2)x3、(3+2)x3，相应的优化权重分别为1/3、1/8、1/15、1/15、1/15。由于同时考虑了空间距离及不同量化步长带来的量化误差因素，因而提升了点云预测准确度。
如图3所示，在一种实施方式中，所述根据所述若干目标邻域点分别与所述目标数据点之间的第二空间距离，确定所述若干目标邻域点的优化权重，具体为：S230、根据所述第二空间距离的指数幂确定所述目标邻域点的优化权重。
如图6所示，在一种实施方式中，所述根据所述第二空间距离的指数幂确定所述目标邻域点的优化权重，具体为：S231、将所述第二空间距离的指数幂作为该目标邻域点的优化距离，将该目标邻域点的优化距离的倒数作为该目标邻域点对应的优化权重。举例说明，假设目标领域点a的第二空间距离为d2，则目标邻域点a的优化距离为(d2)Q,优化权重w可以表达为w＝1/(d2)Q。
如图6所示，在另一种实施方式中，所述根据所述第二空间距离的指数幂确定所述目标邻域点的优化权重，具体为：S232、将所述第二空间距离的指数幂多项式的值作为所述目标邻域点的优化距离，将所述目标邻域点的优化距离的倒数作为所述目标邻域点的优化权重。举例说明，假设目标领域点a的第二空间距离为d2，若指数幂多项式为二次多项式，则目标邻域点a的优化距离为(d2)2+a(d2)+b，优化权重w可以表达为w＝1/((d2)2+a(d2)+b)。
如图3所示，在一种实施方式中，所述根据所述若干目标邻域点分别与所述目标数据点之间的第二空间距离，确定所述若干目标邻域点的优化权重，具体为：S240、根据所述第二空间距离及所述目标邻域点的方向向量确定所述目标邻域点的优化权重。
如图7所示，在一种实施方式中，所述跟据所述第二空间距离及所述目标邻域点的方向向量确定所述目标邻域点的优化权重，具体为：S241、获取所述若干目标邻域点分别对应的方向向量；S242、根据所述若干目标邻域点分别对应的方向向量，判断是否存在若干平行邻域点；其中，所述若干平行邻域点分别对应的方向向量平行；S243、当存在若干平行邻域点时，将所述第二空间距离较大的平行邻域点的优化权重设为0；S244、将所述若干目标邻域点中除所述若干平行邻域点之外的邻域点和所述第二空间距离最小的平行邻域点的优化权重设为所述第二空间距离的倒数。
举例说明，三维空间中，目标数据点A的坐标为v0＝(1，2，2)，目标邻域点有四个，分别为a、b、c、d，第二空间距离分别为1、1、2、2，坐标分别为v1＝(0，2，2)、v2＝(1，1，2)、v3＝(1，1，1)、v4＝(1，0，2)，方向向量分别为v0-v1＝(1，0，0)、v0-v2＝(0、1、0)、v0-v3＝(0，1，1)、v0-v4＝(0，2，0)。由于目标邻域点d的方向向量(0，2，0)与目标邻域点b的方向向量(0、1、0)平行，且目标邻域点d的第二空间距离大于目标邻域点b的距离，因此将目标邻域点d的优化权重设为0，即不参与加权均值的计算，目标邻域点a、b、c的优化权重为1、1、1/2。
如图8所示，在另一种实现方式中，所述根据所述第二空间距离及所述目标邻域点的方向向量确定所述目标邻域点的优化权重，具体为：S245、获取所述若干目标邻域点分别对应的方向向量；S246、根据所述若干目标邻域对应的方向向量，确定所述若干目标邻域点分别对应的轴向归一方向向量；S247、根据所述若干目标邻域点分别对应的轴向归一方向向量，判断是否存在若干同向邻域点；其中，所述若干同向邻域点分别对应的轴向归一方向向量相同；S248、当存在若干同向邻域点时，将所述第二空间距离较大的同向邻域点的优化权重设为0；S249、将所述若干目标邻域点中除所述若干同向邻域点之外的邻域点和所述第二空间距离最小的同向邻域点的优化权重设为所述第二空间距离的倒数。
具体地，轴向归一方向向量能更好体现目标邻域点的方向分布的均衡性，如图2c中，二维空间中目标邻域点的轴向归一方向向量体现为距离为1的8个点，距离为2、3的点即使与距离为1的点的方向向量不平行，但轴向归一方向向量相同，则将距离为2、3的点的优化权重设为0，即不参与加权均值的计算。因此本实施例采用轴向归一方向向量优化目标邻域点的权重，可以更准确的进行目标数据点的属性预测。
举例说明，三维空间中，目标数据点A的坐标为v0＝(1，2，2)，目标邻域点有四个，分别为a、b、c、d，第二空间距离分别为1、1、2、2，坐标分别为v1＝(0，2，2)、v2＝(1，1，1)、v3＝(0，1，1)、v4＝(1，1，0)，方向向量分别为v0-v1＝(1，0，0)、v0-v2＝(0、1、1)、v0-v3＝(1，1，1)、v0-v4＝(0，1，2)，轴向归一方向向量则是将各坐标分量上的数值映射到-1至1的范围内，将大于1的值设为1，将小于-1的值设为-1，保持-1、0、1不变。因此目标邻域点a、b、c的方向向量已经是轴向归一方向向量，目标邻域点d的轴向归一方向向量则为(0，1，1)。由于目标邻域点d与目标邻域点b的轴向归一方向向量相同，且目标邻域点d的第二空间距离2大于目标邻域点b的第二空间距离1，因此将目标邻域点d的优化权重设为0，即不参与加权均值的计算，目标邻域点为a、b、c的优化权重为1、1、1/2。
如图1所示，所述方法还包括如下步骤：
步骤S300、根据所述若干目标邻域点和所述若干目标邻域点分别对应的优化权重，确定所述目标数据点对应的属性预测值。
具体地，本实施例基于目标邻域点及其分别对应的优化权重确定目标数据点的预测属性值。每个目标邻域点对应的优化权重可以反映该目标邻域点在计算目标数据点的预测属性值时的重要性，权重值较低的目标邻域点在计算目标数据点的预测属性值时的贡献度较低，权重值较高的目标邻域点在计算目标数据点的预测属性值时的贡献度较高。
在一种实现方式中，所述步骤S300具体包括如下步骤，如图9所示：
步骤S310、获取所述若干目标邻域点分别对应的重构属性值；
步骤S320、根据所述若干目标邻域点分别对应的优化权重和所述若干目标邻域点分别对应的重构属性值，得到加权平均值，将所述加权平均值作为所述目标数据点对应的属性预测值。
具体地，为了计算出目标数据点的预测属性值，本实施例需要获取各目标邻域点的重构属性值，然后将各目标邻域点的重构属性值与各自对应的优化权重一一对应相乘，得到各目标邻域点分别对应的加权属性值，然后将所有目标邻域点的加权属性值的和除以所有目标邻域点的优化权重的和，得到加权平均值，将该加权平均值作为目标数据点对应的属性预测值。
如图10所示，在一种实现方式中，所述方法还包括S400属性编码方法，具体步骤如下：
步骤S410、获取所述目标数据点的属性值，将所述属性值与所述属性预测值之间的差值作为所述目标数据点对应的属性残差值；
步骤S420、对所述属性残差值进行编码，得到点云码流。
具体地，本实施例可以根据目标数据点的属性值与属性预测值的差值确定目标数据点的属性残差值，该属性残差值可以反映实际属性值与预测属性值之间的误差，然后对该属性残差值进行编码(如变换、量化、熵编码等步骤)，即可得到点云码流。
如图11所示，在一种实现方式中，所述方法还包括S500属性解码方法，具体如下步骤：
步骤S510、对点云码流进行解码，得到属性残差重构值；
步骤S520、根据所述属性预测值和所述属性残差重构值的和，确定所述目标数据点对应的属性重构值。
具体地，本实施例对点云码流进行解码(如熵解码、反量化、反变换等步骤)，可以得到目标数据点对应的属性残差重构值，然后将目标数据点的属性预测值与该属性残差重构值相加，即可得到目标数据点的属性重构值。
为了说明本发明的技术效果，发明人将采用本发明的方法进行点云压缩得到的结果与测试平台PCRM3.0的结果对比，见表1-表3。
表1有限度有损几何、有损属性条件下的性能结果
Figure BDA0003113706380000211
表2无损几何、有损属性条件下的性能结果
Figure BDA0003113706380000212
表3无损几何、有限度有损属性条件下的性能结果
Figure BDA0003113706380000213
从表1-表3中的数据可以看出，相比与测试平台PCRM3.0的结果，本发明专利提供的方法对于颜色属性，亮度、色度Cb、色度Cr在各个条件下均有性能提升，亮度分别有5.3％、10.0％、5.1％的性能提升，色度Cb分别有5.1％、6.7％、5.1％的性能提升，色度Cr分别有3.2％、6.7％、5.1％的性能提升。
基于上述实施例，本发明还提供了一种点云属性预测装置，如图12所示，该装置包括：
邻域点筛选模块01，用于根据点云中的点分别与目标数据点之间的第一空间距离对所述点云中的点进行筛选，得到若干目标邻域点；
权重确定模块02，用于根据所述若干目标邻域点分别与所述目标数据点之间的第二空间距离，确定所述若干目标邻域点的优化权重；
属性预测模块03，用于根据所述若干目标邻域点和所述若干目标邻域点分别对应的优化权重，确定所述目标数据点对应的属性预测值。
基于上述实施例，本发明还提供了一种终端，其原理框图可以如图13所示。该终端包括通过***总线连接的处理器、存储器、网络接口、显示屏。其中，该终端的处理器用于提供计算和控制能力。该终端的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该终端的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现点云属性预测方法。该终端的显示屏可以是液晶显示屏或者电子墨水显示屏。
本领域技术人员可以理解，图13中示出的原理框图，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的终端的限定，具体的终端可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一种实现方式中，所述终端的存储器中存储有一个或者一个以上的程序，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行点云属性预测方法的指令。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
综上所述，本发明公开了一种点云属性预测方法、装置、终端及存储介质，通过获取点云数据中待处理的目标数据点，确定与所述目标数据点相邻的数据点，得到若干初始邻域点；获取所述若干初始邻域点分别与所述目标数据点之间的第一空间距离，根据所述第一空间距离对所述若干初始邻域点进行筛选，得到若干目标邻域点；获取所述若干目标邻域点分别与所述目标数据点之间的第二空间距离，根据所述第二空间距离，确定所述若干目标邻域点分别对应的优化权重；根据所述若干目标邻域点和所述若干目标邻域点分别对应的优化权重，确定所述目标数据点对应的属性预测值。由于空间距离可以真实的反映两点之间的各维度上的距离，因此本发明基于空间距离筛选出的目标邻域点更准确，可以解决现有技术中基于曼哈顿距离选择出的邻域点不准确，导致点云属性预测的准确度不高的问题。
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (16)

1.一种点云属性预测方法，其特征在于，所述方法包括：
根据点云中的点分别与目标数据点之间的第一空间距离对所述点云中的点进行筛选，得到若干目标邻域点；
根据所述若干目标邻域点分别与所述目标数据点之间的第二空间距离，确定所述若干目标邻域点的优化权重；
根据所述若干目标邻域点和所述若干目标邻域点分别对应的优化权重，确定所述目标数据点对应的属性预测值。
2.根据权利要求1所述的点云属性预测方法，其特征在于，所述第一空间距离，包括：
计算两点在N个坐标分量上的差值的大小的P次方的加权和作为所述第一空间距离；
或者，计算两点在N个坐标分量上的差值的大小的加权值的最大值作为所述第一空间距离。
3.根据权利要求1所述的点云属性预测方法，其特征在于，所述第二空间距离，包括：
计算两点在N个坐标分量上的差值的大小的P次方的加权和作为所述第二空间距离；
或者，计算两点在N个坐标分量上的差值的大小的加权值的最大值作为所述第二空间距离。
4.根据权利要求1所述的点云属性预测方法，其特征在于，所述根据点云中的点分别与目标数据点之间的第一空间距离对所述点云中的点进行筛选，得到若干目标邻域点，包括：
按照所述第一空间距离由小到大的顺序，在所述点云中的点中选取出预设数量的点，得到所述若干目标邻域点；
或者，获取预设距离阈值，将所述第一空间距离小于或等于所述预设距离阈值的点作为所述若干目标邻域点；
或者，按照所述第一空间距离由小到大的顺序，在所述点云中的点中选取出预设数量的点及所述第一空间距离与所述预设数量的点的距离相同的点，得到所述若干目标邻域点。
5.根据权利要求1所述的点云属性预测方法，其特征在于，所述根据所述若干目标邻域点分别与所述目标数据点之间的第二空间距离，确定所述若干目标邻域点的优化权重，包括：
根据所述第二空间距离及所述第二空间距离相同的目标邻域点的个数确定所述目标邻域点的优化权重；
和/或，根据所述第二空间距离及属性量化步长确定所述目标邻域点的优化权重；
和/或，根据所述第二空间距离的指数幂确定所述目标邻域点的优化权重；
和/或，根据所述第二空间距离及所述目标邻域点的方向向量确定所述目标邻域点的优化权重。
6.根据权利要求5所述的点云属性预测方法，其特征在于，所述根据所述第二空间距离及所述第二空间距离相同的目标邻域点的个数确定所述目标邻域点的优化权重，包括：
将所述第二空间距离与所述第二空间距离相同的目标邻域点的个数的乘积作为所述目标邻域点的优化距离；将所述目标邻域点的优化距离的倒数作为所述目标邻域点的优化权重；
或者，当第二空间距离相同的目标邻域点的个数大于1时，将所述第二空间距离与所述第二空间距离相同的目标邻域点的个数的乘积除以属性量化步长得到的商作为所述目标邻域点的优化距离，将所述目标邻域点的优化距离的倒数作为所述目标邻域点的优化权重；
或者，将所述第二空间距离相同的目标邻域点的个数与属性量化步长的最小值作为优化系数，将所述第二空间距离与所述第二空间距离相同的目标邻域点的个数的乘积除以所述优化系数得到的商作为所述目标邻域点的优化距离，将所述目标邻域点的优化距离的倒数作为所述目标邻域点的优化权重。
7.根据权利要求5所述的点云属性预测方法，其特征在于，所述根据所述第二空间距离及属性量化步长确定所述目标邻域点的优化权重，包括：
将所述第二空间距离与所述属性量化步长的和作为所述目标邻域点的优化距离，将所述目标邻域点的优化距离的倒数作为所述目标邻域点的优化权重；
或者，将所述第二空间距离与所述属性量化步长的和乘以所述第二空间距离作为所述目标邻域点的优化距离，将所述目标邻域点的优化距离的倒数作为所述目标邻域点的优化权重。
8.根据权利要求5所述的点云属性预测方法，其特征在于，所述根据所述第二空间距离的指数幂确定所述目标邻域点的优化权重，包括：
将所述第二空间距离的指数幂作为所述目标邻域点的优化距离，将所述目标邻域点的优化距离的倒数作为所述目标邻域点的优化权重；
或者，将所述第二空间距离的指数幂多项式的值作为所述目标邻域点的优化距离，将所述目标邻域点的优化距离的倒数作为所述目标邻域点的优化权重。
9.根据权利要求5所述的点云属性预测方法，其特征在于，所述根据所述第二空间距离及所述目标邻域点的方向向量确定所述目标邻域点的优化权重，包括：
获取所述若干目标邻域点分别对应的方向向量；
根据所述若干目标邻域点分别对应的方向向量，判断是否存在若干平行邻域点；其中，所述若干平行邻域点分别对应的方向向量平行；
当存在若干平行邻域点时，将所述第二空间距离较大的平行邻域点的优化权重设为0；
将所述若干目标邻域点中除所述若干平行邻域点之外的邻域点和所述第二空间距离最小的平行邻域点的优化权重设为所述第二空间距离的倒数。
10.根据权利要求5所述的点云属性预测方法，其特征在于，所述根据所述第二空间距离及所述目标邻域点的方向向量确定所述目标邻域点的优化权重，包括：
获取所述若干目标邻域点分别对应的方向向量；
根据所述若干目标邻域对应的方向向量，确定所述若干目标邻域点分别对应的轴向归一方向向量；
根据所述若干目标邻域点分别对应的轴向归一方向向量，判断是否存在若干同向邻域点；其中，所述若干同向邻域点分别对应的轴向归一方向向量相同；
当存在若干同向邻域点时，将所述第二空间距离较大的同向邻域点的优化权重设为0；
将所述若干目标邻域点中除所述若干同向邻域点之外的邻域点和所述第二空间距离最小的同向邻域点的优化权重设为所述第二空间距离的倒数。
11.根据权利要求1所述的点云属性预测方法，其特征在于，所述根据所述若干目标邻域点和所述若干目标邻域点分别对应的优化权重，确定所述目标数据点对应的属性预测值，包括：
获取所述若干目标邻域点分别对应的重构属性值；
根据所述若干目标邻域点分别对应的优化权重和所述若干目标邻域点分别对应的重构属性值得到加权平均值，将所述加权平均值作为所述目标数据点对应的属性预测值。
12.根据权利要求1所述的点云属性预测方法，其特征在于，所述方法还包括属性残差编码方法，所述属性残差编码方法包括：
获取所述目标数据点的属性值，将所述属性值与所述属性预测值之间的差值作为所述目标数据点对应的属性残差值；
对所述属性残差值进行编码，得到点云码流。
13.根据权利要求1所述的点云属性预测方法，其特征在于，所述方法还包括属性残差解码方法，所述属性残差解码方法包括：
对点云码流进行解码，得到目标数据点的属性残差重构值；
根据所述属性预测值和所述属性残差重构值的和，确定所述目标数据点对应的属性重构值。
14.一种点云属性预测装置，其特征在于，所述装置包括：
邻域点筛选模块，用于根据点云中的点分别与目标数据点之间的第一空间距离对所述点云中的点进行筛选，得到若干目标邻域点；
权重确定模块，用于根据所述若干目标邻域点分别与所述目标数据点之间的第二空间距离，确定所述若干目标邻域点的优化权重；
属性预测模块，用于根据所述若干目标邻域点和所述若干目标邻域点分别对应的优化权重，确定所述目标数据点对应的属性预测值。
15.一种终端，其特征在于，所述终端包括有存储器和一个或者一个以上处理器；所述存储器存储有一个或者一个以上的程序；所述程序包含用于执行如权利要求1-13中任一所述的点云属性预测方法的指令；所述处理器用于执行所述程序。
16.一种计算机可读存储介质，其上存储有多条指令，其特征在于，由处理器加载并执行所述指令，以实现上述权利要求1-13任一所述的点云属性预测方法的步骤。
CN202110657405.2A 2021-06-11 2021-06-11 一种点云属性预测方法、装置、终端及存储介质 Pending CN115470259A (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202110657405.2A CN115470259A (zh) 2021-06-11 2021-06-11 一种点云属性预测方法、装置、终端及存储介质
PCT/CN2022/098242 WO2022258061A1 (zh) 2021-06-11 2022-06-10 一种点云属性预测方法、装置、终端及存储介质
US18/563,146 US20240233195A1 (en) 2021-06-11 2022-06-10 Point Cloud Attribute Prediction Method and Apparatus, Terminal, and Storage Medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110657405.2A CN115470259A (zh) 2021-06-11 2021-06-11 一种点云属性预测方法、装置、终端及存储介质

Publications (1)

Publication Number Publication Date
CN115470259A true CN115470259A (zh) 2022-12-13

Family

ID=84365244

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110657405.2A Pending CN115470259A (zh) 2021-06-11 2021-06-11 一种点云属性预测方法、装置、终端及存储介质

Country Status (3)

Country Link
US (1) US20240233195A1 (zh)
CN (1) CN115470259A (zh)
WO (1) WO2022258061A1 (zh)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10861196B2 (en) * 2017-09-14 2020-12-08 Apple Inc. Point cloud compression
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
CN110572655B (zh) * 2019-09-30 2023-01-10 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
WO2021023206A1 (zh) * 2019-08-05 2021-02-11 北京大学深圳研究生院 基于邻居权重优化的点云属性预测、编码和解码方法及设备

Also Published As

Publication number Publication date
US20240233195A1 (en) 2024-07-11
WO2022258061A1 (zh) 2022-12-15

Similar Documents

Publication Publication Date Title
US11252441B2 (en) Hierarchical point cloud compression
US11276203B2 (en) Point cloud compression using fixed-point numbers
US11699249B2 (en) Trimming search space for nearest neighbor determinations in point cloud compression
CN110572655B (zh) 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
CN111242997A (zh) 一种基于滤波器的点云属性预测方法及设备
US11838499B2 (en) Encoding/decoding method and apparatus for coding unit partitioning
EP4307663A1 (en) Decoding method/encoding method based on point cloud attribute prediction, decoder, and encoder
CN113096200A (zh) 一种基于法向量的点云属性压缩方法、装置、设备及介质
Pascual et al. Adjustable compression method for still JPEG images
CN117612470A (zh) 颜色查找表生成方法及色彩校正方法
CN115470259A (zh) 一种点云属性预测方法、装置、终端及存储介质
JPWO2020054060A1 (ja) 動画像符号化方法及び動画像符号化装置
JP5043849B2 (ja) ビデオシーケンスにおける可変形状動き推定
CN113706543A (zh) 一种三维位姿的构建方法、设备及存储介质
CN110876082B (zh) 一种视频帧的复杂度的确定方法及装置
JP2017050744A (ja) 画像符号化装置、画像符号化方法、及びプログラム
WO2023025135A1 (zh) 点云属性编码方法、装置、解码方法以及装置
WO2023240455A1 (zh) 点云编码方法、编码装置、编码设备以及存储介质
WO2023093865A1 (en) Method, apparatus, and medium for point cloud coding
EP2219381B1 (en) Fast sub-pixel motion estimation
WO2024008019A1 (en) Method, apparatus, and medium for point cloud coding
CN116824023A (zh) 图像处理方法、装置、设备及存储介质
WO2023131136A1 (en) Method, apparatus, and medium for point cloud coding
CN114189692A (zh) 基于连续子空间图变换的点云属性编码方法及解码方法
CN115720272A (zh) 点云预测、点云编码、点云解码方法及设备

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