CN111340899A - 一种彩色点云的压缩采样及重构方法 - Google Patents

一种彩色点云的压缩采样及重构方法 Download PDF

Info

Publication number
CN111340899A
CN111340899A CN202010091758.6A CN202010091758A CN111340899A CN 111340899 A CN111340899 A CN 111340899A CN 202010091758 A CN202010091758 A CN 202010091758A CN 111340899 A CN111340899 A CN 111340899A
Authority
CN
China
Prior art keywords
point cloud
color
attribute
geometric
color point
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
Application number
CN202010091758.6A
Other languages
English (en)
Other versions
CN111340899B (zh
Inventor
陈建
陈志峰
郑明魁
王适
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.)
Fuzhou University
Original Assignee
Fuzhou University
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 Fuzhou University filed Critical Fuzhou University
Priority to CN202010091758.6A priority Critical patent/CN111340899B/zh
Publication of CN111340899A publication Critical patent/CN111340899A/zh
Application granted granted Critical
Publication of CN111340899B publication Critical patent/CN111340899B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • H04N19/60—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using transform coding
    • H04N19/625—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using transform coding using discrete cosine transform [DCT]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Discrete Mathematics (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Compression, Expansion, Code Conversion, And Decoders (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种彩色点云的压缩采样及重构方法。采集端将三维点云按照莫顿码的规则进行排序，分别测量排序后的几何属性和颜色属性分量，重构端利用基于小波稀疏性的SL0优化算法恢复出原始彩色点云。本发明处理三维静态点云时，所需采样的数据量少，重构效率高。

Description

一种彩色点云的压缩采样及重构方法
技术领域
本发明涉及一种彩色点云的压缩采样及重构方法。
背景技术
点云是分布在N维空间中的离散点集。目前研究主要针对三维点云，它是对物体表面信息的离散采样。在数字化文物，自由视点赛事转播，虚拟现实/增强现实/混合现实，自动驾驶及辅助驾驶等方面有广阔的应用前景。大规模场景的静态点云需要千万个点表示，动态点云的数据量将达到百兆bps甚至几Gbps。实际应用中由于存储和传输带宽受限，迫切需要进行点云压缩。
目前诸多学者研究了基于八叉树结构、基于图像、或基于三维块的彩色点云压缩算法。大多数算法都需要对三维点云进行全采样，将彩色点云分解为几何属性和颜色属性分别处理，且颜色属性的压缩滞后于或依赖于几何属性，增加了采集端的存储负担和编码复杂度，影响了压缩算法的并行度。
由于点云的稀疏特征，近年来压缩感知被引入到点云的几何属性和颜色属性压缩中。例如，西电的李佳和上大的张习民等研究了点云几何属性的稀疏化算法，对xyz三个坐标轴分别进行分段、降维、变换和测量，并利用正交匹配追踪(OMP)算法重构。Shuai Gu将三维点云的不规则特征作为几何信息，引导颜色属性的虚拟自适应采样过程，并利用OMP进行重建。然而，压缩过程还可以进一步简化，重构效率仍有提升空间。
发明内容
本发明的目的在于提供一种彩色点云的压缩采样及重构方法，进一步简化彩色点云的压缩过程，提升重构的并行度，用于低采样率条件下静态三维点云压缩感知。
为实现上述目的，本发明的技术方案是：一种彩色点云的压缩采样及重构方法，包括采集过程和重构过程，具体如下：
采集过程包括如下步骤：
步骤A1：将一彩色点云的所有顶点根据几何属性的莫顿码进行排序；
步骤A2：将排序的彩色点云分解为几何属性和颜色属性；
步骤A3：将几何属性和颜色属性的所有分量统一分成若干段，分别利用部分DCT矩阵进行测量；
重构过程包括以下步骤：
步骤B1：将几何属性和颜色属性分量的各个分段，分别利用基于小波稀疏性的平滑SL0优化算法进行重构；
步骤B2：将各数据分段组合成重构的几何属性和颜色属性，从而恢复出三维彩色点云。
在本发明一实施例中，所述步骤A3中，所述几何属性和颜色属性的所有分量分段，分别利用部分DCT矩阵进行测量。
在本发明一实施例中，所述步骤B1中，将所述属性分量的各个分段，分别利用基于小波稀疏性的SL0优化算法进行重构。
相较于现有技术，本发明具有以下有益效果：本发明处理彩色点云时，所需采样的数据量少，重构效率高，特别适用于低采样率条件的静态点云压缩感知。
附图说明
图1为本发明总体流程图。
图2是本发明一实施例(x,y,z)＝(2,3,1)的莫顿码生成示意图。
图3是本发明部分DCT测量示意图。
图4是本发明SL0-DWT重构算法流程图。
具体实施方式
下面结合附图，对本发明的技术方案进行具体说明。
本发明提供了一种彩色点云的压缩采样及重构方法，包括采集过程和重构过程，具体如下：
采集过程包括如下步骤：
步骤A1：将一彩色点云的所有顶点根据几何属性的莫顿码进行排序；
步骤A2：将排序的彩色点云分解为几何属性和颜色属性；
步骤A3：将几何属性和颜色属性的所有分量统一分成若干段，分别利用部分DCT矩阵进行测量；
重构过程包括以下步骤：
步骤B1：将几何属性和颜色属性分量的各个分段，分别利用基于小波稀疏性的平滑SL0优化算法进行重构；
步骤B2：将各数据分段组合成重构的几何属性和颜色属性，从而恢复出三维彩色点云。
以下为本发明的具体实现过程。
请参照图1，本发明提供一种彩色点云的压缩采样及重构算法，
采样过程包括如下步骤：
步骤A1：将一彩色点云的所有顶点根据几何属性的莫顿码进行排序。所述莫顿码通过交叉存储三维几何坐标的位产生一个数，以实现三维到一维数据的转换。假设某点云所有顶点的几何坐标(x,y,z)的范围都在(0,0,0)到(3,3,3)以内，就可以用两位二进制数表示几何坐标分量，图2举例说明了(x,y,z)＝(2,3,1)的莫顿码(Morton)的生成过程。接着根据所有顶点几何坐标的莫顿码，按照从小到大的顺序对顶点的所有属性进行排序。
步骤A2：将所述排序点云分解为几何属性(x,y,z)和颜色属性(r,g,b)；
步骤A3：将所述几何属性和颜色属性分为N个数据段，分别利用部分DCT矩阵进行测量:bi＝Φidi(i＝1,…，N)，其中di、Φi和bi分别是第i段的原始数据、测量矩阵和测量值，所获得的bi分段组合成测量值矩阵b。图3举例说明了第i个点云数据段di的测量过程，假设该段数据长度为4，测量率为0.5，则测量矩阵Φi取4x4的DCT矩阵的前2行，那么该段测量值yi的长度则为2。
重构过程包括以下步骤：
步骤B1：将所述属性分量的各个分段，分别利用基于小波稀疏性的平滑L0(SL0-DWT)优化算法进行重构，重构过程即求解如下的非凸优化问题：
Figure BDA0002383957950000031
其中，d为原始数据，Φ为测量矩阵，b为测量值，Ψ为小波基，s＝Ψ-1d为d的小波系数，A＝ΦΨ为传感矩阵，
Figure BDA0002383957950000032
为重构数据。SL0-DWT算法流程如图4所示。
步骤B2：将所述各数据分段组合成重构的几何属性和颜色属性，从而恢复出所述三维彩色点云。
以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。

Claims (3)

1.一种彩色点云的压缩采样及重构方法，其特征在于，包括采集过程和重构过程，具体如下：
采集过程包括如下步骤：
步骤A1：将一彩色点云的所有顶点根据几何属性的莫顿码进行排序；
步骤A2：将排序的彩色点云分解为几何属性和颜色属性；
步骤A3：将几何属性和颜色属性的所有分量统一分成若干段，分别利用部分DCT矩阵进行测量；
重构过程包括以下步骤：
步骤B1：将几何属性和颜色属性分量的各个分段，分别利用基于小波稀疏性的平滑SL0优化算法进行重构；
步骤B2：将各数据分段组合成重构的几何属性和颜色属性，从而恢复出三维彩色点云。
2.根据权利要求1所述的一种彩色点云的压缩采样及重构方法，其特征在于，所述步骤A3中，所述几何属性和颜色属性的所有分量分段，分别利用部分DCT矩阵进行测量。
3.根据权利要求1所述的一种彩色点云的压缩采样及重构方法，其特征在于，所述步骤B1中，将所述属性分量的各个分段，分别利用基于小波稀疏性的SL0优化算法进行重构。
CN202010091758.6A 2020-02-14 2020-02-14 一种彩色点云的压缩采样及重构方法 Active CN111340899B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010091758.6A CN111340899B (zh) 2020-02-14 2020-02-14 一种彩色点云的压缩采样及重构方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010091758.6A CN111340899B (zh) 2020-02-14 2020-02-14 一种彩色点云的压缩采样及重构方法

Publications (2)

Publication Number Publication Date
CN111340899A true CN111340899A (zh) 2020-06-26
CN111340899B CN111340899B (zh) 2022-09-06

Family

ID=71186861

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010091758.6A Active CN111340899B (zh) 2020-02-14 2020-02-14 一种彩色点云的压缩采样及重构方法

Country Status (1)

Country Link
CN (1) CN111340899B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113096199A (zh) * 2021-03-12 2021-07-09 中山大学 一种基于莫顿码的点云属性预测方法、装置和介质
CN114565689A (zh) * 2022-02-28 2022-05-31 燕山大学 一种面向轴对称类三维模型数据压缩重建方法
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

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108322742A (zh) * 2018-02-11 2018-07-24 北京大学深圳研究生院 一种基于帧内预测的点云属性压缩方法
CN109979008A (zh) * 2019-04-09 2019-07-05 北京大学深圳研究生院 一种基于属性的点云条带划分方法
EP3554082A1 (en) * 2018-04-11 2019-10-16 InterDigital VC Holdings, Inc. A method and device for coding the geometry of a point cloud
CN110363822A (zh) * 2018-04-11 2019-10-22 上海交通大学 一种3d点云压缩方法
CN110418135A (zh) * 2019-08-05 2019-11-05 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
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
CN110785791A (zh) * 2017-06-22 2020-02-11 交互数字Vc控股公司 编码和重建点云的方法和设备

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110785791A (zh) * 2017-06-22 2020-02-11 交互数字Vc控股公司 编码和重建点云的方法和设备
CN108322742A (zh) * 2018-02-11 2018-07-24 北京大学深圳研究生院 一种基于帧内预测的点云属性压缩方法
EP3554082A1 (en) * 2018-04-11 2019-10-16 InterDigital VC Holdings, Inc. A method and device for coding the geometry of a point cloud
CN110363822A (zh) * 2018-04-11 2019-10-22 上海交通大学 一种3d点云压缩方法
CN109979008A (zh) * 2019-04-09 2019-07-05 北京大学深圳研究生院 一种基于属性的点云条带划分方法
CN110418135A (zh) * 2019-08-05 2019-11-05 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
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 (3)

* Cited by examiner, † Cited by third party
Title
LICHAO SU 等: "Images reconstruction method using SL0 algorithm for compressed sensing based on single layer wavelet transformation", 《2012 INTERNATIONAL CONFERENCE ON SYSTEMS AND INFORMATICS》 *
PHILIP A. CHOU 等: "A Volumetric Approach to Point Cloud Compression—Part I: Attribute Compression", 《IEEE TRANSACTIONS ON IMAGE PROCESSING 》 *
张习民: "3D彩色点云高效压缩算法及质量评价研究", 《中国博士学位论文全文数据库 信息科技辑》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN113096199A (zh) * 2021-03-12 2021-07-09 中山大学 一种基于莫顿码的点云属性预测方法、装置和介质
CN113096199B (zh) * 2021-03-12 2023-01-03 中山大学 一种基于莫顿码的点云属性预测方法、装置和介质
CN114565689A (zh) * 2022-02-28 2022-05-31 燕山大学 一种面向轴对称类三维模型数据压缩重建方法
CN114565689B (zh) * 2022-02-28 2024-02-02 燕山大学 一种面向轴对称类三维模型数据压缩重建方法

Also Published As

Publication number Publication date
CN111340899B (zh) 2022-09-06

Similar Documents

Publication Publication Date Title
CN111340899B (zh) 一种彩色点云的压缩采样及重构方法
US20190355152A1 (en) Point cloud attribute compression method based on kd tree and optimized graph transformation
CN105930308B (zh) 基于低秩恢复的非负矩阵分解方法
CN105139449B (zh) 一种基于三维网格细分和编码的三维模型压缩方法
CN108491430B (zh) 一种基于对特征方向进行聚类的无监督哈希检索方法
CN106156284A (zh) 基于随机多视角哈希的大规模近重复视频检索方法
CN109979008A (zh) 一种基于属性的点云条带划分方法
CN109886391B (zh) 一种基于空间正反对角卷积的神经网络压缩方法
CN114786018A (zh) 基于贪婪随机稀疏Kaczmarz的图像重建方法
CN111681298A (zh) 一种基于多特征残差网络的压缩感知图像重建方法
CN110110120B (zh) 一种基于深度学习的图像检索方法和装置
CN110955656A (zh) 矢量数据拓扑运算索引优化机制与构建方法
CN113822825A (zh) 基于3d-r2n2的光学建筑目标三维重建方法
CN110191345B (zh) 基于霍夫曼编码的前景、背景分离的增量式无损压缩方法
CN110910463B (zh) 全视角点云数据定长有序化编码方法、设备及存储介质
CN116506627A (zh) 一种多特征哈希值构建哈希表进行搜索的编码方法及装置
CN113034390B (zh) 一种基于小波先验注意力的图像修复方法及系统
Ait-Kheddache et al. Texture classification based on higher-order fractals
CN105160664B (zh) 基于低秩模型的压缩感知视频重构方法
Lu et al. Tree-structured dilated convolutional networks for image compressed sensing
An et al. Research on the self-similarity of point cloud outline for accurate compression
Zhang et al. Deep residual network for image super-resolution reconstruction
CN111311752B (zh) 一种基于映射图的LiDAR数据随机采样及重构方法
CN110689618A (zh) 基于多尺度变分图卷积的三维可变形物补全方法
Zhao et al. A generation method of insulator region proposals based on edge boxes

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