CN111866518B - 基于特征提取的自适应三维点云压缩方法 - Google Patents

基于特征提取的自适应三维点云压缩方法 Download PDF

Info

Publication number
CN111866518B
CN111866518B CN202010743631.8A CN202010743631A CN111866518B CN 111866518 B CN111866518 B CN 111866518B CN 202010743631 A CN202010743631 A CN 202010743631A CN 111866518 B CN111866518 B CN 111866518B
Authority
CN
China
Prior art keywords
point
feature
value
geo
characteristic
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
Application number
CN202010743631.8A
Other languages
English (en)
Other versions
CN111866518A (zh
Inventor
艾达
卢洪颖
胥策
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.)
Xian University of Posts and Telecommunications
Original Assignee
Xian University of Posts and Telecommunications
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 Xian University of Posts and Telecommunications filed Critical Xian University of Posts and Telecommunications
Priority to CN202010743631.8A priority Critical patent/CN111866518B/zh
Publication of CN111866518A publication Critical patent/CN111866518A/zh
Application granted granted Critical
Publication of CN111866518B publication Critical patent/CN111866518B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • H04N19/42—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals characterised by implementation details or hardware specially adapted for video compression or decompression, e.g. dedicated software implementation
    • 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
    • H04N19/134—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or criterion affecting or controlling the adaptive coding
    • H04N19/146—Data rate or code amount at the encoder output
    • H04N19/147—Data rate or code amount at the encoder output according to rate distortion criteria
    • 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)
  • Compression Or Coding Systems Of Tv Signals (AREA)
  • Compression Of Band Width Or Redundancy In Fax (AREA)

Abstract

一种基于特征提取的自适应三维点云压缩方法，由确定预测点属性、预测点属性归一化、确定差值特征、确定特征重要性参数、确定特征与非特征点集、设置基础量化参数、选择有效量化参数、量化编码步骤组成。通过对空间位置和颜色特征数据提取，按特征优先级从高到低原则，动态设置量化增量值以保留重要区域的特征点信息。与现有技术相比，避免了分块采样密度不均现象，降低了复杂度，减少了计算，保留了数据中的有效点，改善了重建后数据中的栅格化失真现象，峰值信噪比提升0.0835dB，平均码率降低0.083％，具有对三维点云数据编码压缩失真率小、编码质量高等优点，可用于点云数据的传输和存储。

Description

基于特征提取的自适应三维点云压缩方法
技术领域
本发明属于视频图像编码技术领域，具体涉及到三维点云数据中表面点云数据的编码压缩方法。
背景技术
现有的点云压缩编码主要由几何编码和属性编码构成。几何编码主要有采用八叉树编码结构压缩点云数据的几何位置信息，以及结合K维树结构的编码方式；属性编码方法主要有基于图变换、余弦变换、自适应边缘分层转换的编码方法。除此以外还有利用聚类分割算法进行特征编码的方法。以上方法适于对小型点云数据压缩编码，但对于规模较大点云数据压缩存在细节信息失真问题。
对于点云数据的几何编码，常见的有基于曲率、点密度、特征直方图等特征的非均匀量化编码方法，也有结合颜色、纹理特征聚类分块的编码方法。基于曲率和点密度特征的方法均对稀疏点云不敏感；基于特征直方图的方法只适用于个别特定类型的点云数据；而基于特征聚类的方法复杂且计算量较大。
对于属性变换编码，其量化编码的优化问题有待改进。前期发布的标准测试模型采用恒定量化参数编码，重建效果栅格化较严重，主观恢复效果较差。传统表面特征提取方法侧重全局特征的提取，随着量化参数的改变，重要的纹理特征点跟随全局的点云特征同步有损压缩，因此会造成一定的特征数据损失。
发明内容
本发明所要解决的技术问题在于克服上述现有技术的缺点，提供一种编码高效、重建数据丢失少的基于特征提取的自适应三维点云压缩方法。
解决上述技术问题所采用的技术方案由下述步骤组成：
(1)确定预测点属性
点云数据P由n个点构成，顺序遍历点云P中的当前点pi并建立当前点pi的K维树，按下式确定邻域点qi相对于当前点pi的几何属性权重G(pi,qi,δ)geo和颜色属性权重G(pi,qi,δ)luma：
Figure BDA0002607568280000021
Figure BDA0002607568280000022
其中，0＜i≤K，n和K为有限的正整数，δ为三维高斯平滑函数标准差、取值为有限的正有理数，p(i)geo为当前点pi的三维坐标，q(i)geo为邻域点qi的三维坐标，d|p(i)geo,q(i)geo|为当前点pi到邻域点qi的三维欧氏距离。
(2)预测点属性归一化
遍历K维树邻域内的所有点，对其几何属性和颜色属性做归一化加权处理，得到预测点p′i属性值：
Figure BDA0002607568280000023
Figure BDA0002607568280000024
其中，q(i)geo是邻域点qi的几何属性值，q(i)luma是邻域点qi的颜色属性值，p′(i)geo是预测点p′i的几何属性值，p′(i)luma是预测点p′i的颜色属性值。
(3)确定差值特征
按下式确定当前点pi的几何差值特征Di与颜色差值特征Li：
Figure BDA0002607568280000025
Figure BDA0002607568280000026
其中，p(i)geo,x、p(i)geo,y、p(i)geo,z分别为当前点pi三维坐标中的x,y,z值，p′(i)geo,x、p′(i)geo,y、p′(i)geo,z分别为预测点p′i三维坐标中x,y,z值，p(i)luma为当前点pi的颜色属性，p′(i)luma为预测点p′i的颜色属性。
(4)确定特征重要性参数
当前点pi的特征重要性参数记为H(i)，该参数由几何差值特征Di与颜色差值特征Li的线性加权按下式确定：
H(i)＝l×Li+(1-l)×Di (7)其中，l的取值为0＜(1-l)＜l＜1。
(5)确定特征与非特征点集
按下式确定特征点集Pf与非特征点集Pnf：
Pf＝{P|H(i)≥φ} (8)
Pnf＝{P|H(i)＜φ} (9)其中，φ为特征重要性阈值、取值为miniH(i)～maxiH(i)的有理数。
(6)设置基础量化参数
按下式确定特征点的基础量化参数QPAPS1与非特征点的基础量化参数QPAPS2的比例关系：
QPAPS1/QPAPS2＝α×σ2/σ1 (10)
σ1＝Pf/P
σ2＝(P-Pf)/P
其中，σ1为特征点的特征影响参数，σ2为非特征点的特征影响参数，α为调整参数。
(7)选择有效量化参数
按式(11)、式(12)确定特征点的有效量化参数值QL1(k,i)和非特征点的有效量化参数值QL2(k,i)：
Figure BDA0002607568280000031
Figure BDA0002607568280000032
其中，
Figure BDA0002607568280000033
和
Figure BDA0002607568280000034
分别为特征点与非特征点的层基础量化值，ΔQPk为第k层的量化增量值，ΔQP(k,i)为第k层中索引值为i的量化增量值。
(8)量化编码
用特征点的有效量化参数值QL1(k,i)和非特征点的有效量化参数值QL2(k,i)，对点云数据P采用八叉树的量化编码方法，实现自适应的非均匀量化点云压缩编码。
在本发明的计算预测点属性步骤(1)中，所述的δ取值是不为0、且≤10的有理数，K维树中K取值为20～30的整数。
在本发明的计算差值特征步骤(3)中，所述的几何差值特征Di取值为0～10厘米，颜色差值特征Li取值为0～255。
在本发明的确定特征重要性参数步骤(4)中，所述的颜色差值特征Li的权值l取值为0.5～1之间的小数。
在本发明的设置基础量化参数步骤(6)中，所述的非特征点的特征影响参数σ2与特征点的特征影响参数σ1的比值为1：1～8，α取值为0～10的整数。
在本发明的选择有效量化参数步骤(7)中，所述的特征点的基础量化参数QPAPS1的取值为1～50之间的整数，非特征点的基础量化参数QPAPS2的取值为1～50之间的整数，且特征点的基础量化参数QPAPS1大于非特征点的基础量化参数QPAPS2。
本发明通过对空间位置和夜色特征数据的提取，按特征优先级从高到低的原则，动态设置量化增量值以保留重要区域的特征点信息。与现有技术相比，避免了现有采样法造成的分块采样密度不均现象，降低了复杂度，减少了计算，最大限度地保留了数据中的有效点，改善了重建后数据中出现的栅格化失真现象，峰值信噪比平均提升0.0835dB，平均码率降低0.083％。本发明具有对三维点云数据编码压缩失真率小、编码质量高等特点，可用于点云数据的传输和存储。
附图说明
图1是本发明实施例1的流程图。
图2是实施例1的Facade点云数据P点到点率失真曲线。
图3是实施例1的Facade点云数据P点到面率失真曲线。
图4是实施例1的Facade点云数据P亮度率失真曲线。
图5是实施例1的Facade点云数据P重建点云主观失真评价图。
具体实施方式
下面结合附图和实施例对本发明进一步详细说明，但本发明不限于下述的实施方式。
实施例1
本实施例的基于特征提取的自适应三维点云压缩方法由下述步骤组成(参见图1)：
(1)确定预测点属性
点云数据P由n个点构成，顺序遍历点云P中的当前点pi并建立当前点pi的K维树，按下式确定邻域点qi相对于当前点pi的几何属性权重G(pi,qi,δ)geo和颜色属性权重G(pi,qi,δ)luma：
Figure BDA0002607568280000041
Figure BDA0002607568280000042
其中，0＜i≤K，n和K为有限的正整数，δ为三维高斯平滑函数标准差、取值为有限的正有理数，δ值越大，高斯函数的平滑程度越高，本实施例的δ取值为1，K维树中K取值为25。p(i)geo为当前点pi的三维坐标，q(i)geo为邻域点qi的三维坐标，d|p(i)geo,q(i)geo|为当前点pi到邻域点qi的三维欧氏距离，d|p(i)geo,q(i)geo|的取值与点云的密度有关，点云密度越大，d|p(i)geo,q(i)geo|的取值越大。
(2)预测点属性归一化
遍历K维树邻域内的所有点，对其几何属性和颜色属性做归一化加权处理，得到预测点p′i属性值：
Figure BDA0002607568280000051
Figure BDA0002607568280000052
其中，q(i)geo是邻域点qi的几何属性值，q(i)luma是邻域点qi的颜色属性值，p′(i)geo是预测点p′i的几何属性值，p′(i)luma是预测点p′i的颜色属性值。
(3)确定差值特征
按下式确定当前点pi的几何差值特征Di与颜色差值特征Li：
Figure BDA0002607568280000053
Figure BDA0002607568280000054
其中，p(i)geo,x、p(i)geo,y、p(i)geo,z分别为当前点pi三维坐标中的x,y,z值，p′(i)geo,x、p′(i)geo,y、p′(i)geo,z分别为预测点p′i三维坐标中x,y,z值，p(i)luma为当前点pi的颜色属性，p′(i)luma为预测点p′i的颜色属性。
本实施例的几何差值特征Di取值为0～10厘米，颜色差值特征Li取值为0～255。
(4)确定特征重要性参数
当前点pi的特征重要性参数记为H(i)，该参数由几何差值特征Di与颜色差值特征Li的线性加权按下式确定：
H(i)＝l×Li+(1-l)×Di (7)
其中，l的取值为0＜(1-l)＜l＜1。在线性加权的公式中，赋予颜色差值特征Li较高的权重，以降低几何差值特征Di影响特征提取结果而导致的失真。
本实施例的颜色差值特征Li的权值l取值为0.7。
(5)确定特征与非特征点集
按下式确定特征点集Pf与非特征点集Pnf：
Pf＝{P|H(i)≥φ} (8)
Pnf＝{P|H(i)＜φ} (9)其中，φ为特征重要性阈值、取值为miniH(i)～maxiH(i)的有理数。特征重要性参数H(i)越大，代表当前点的位置属性和颜色属性在编码阶段被保留的优先级越高。
(6)设置基础量化参数
按下式确定特征点的基础量化参数QPAPS1与非特征点的基础量化参数QPAPS2的比例关系：
QPAPS1/QPAPS2＝α×σ2/σ1 (10)
σ1＝Pf/P
σ2＝(P-Pf)/P
其中，σ1为特征点的特征影响参数，σ2为非特征点的特征影响参数，α为调整参数，本实施例的非特征点的特征影响参数σ2与特征点的特征影响参数σ1的比值为1：1～8，α取值为0～10的整数。
(7)选择有效量化参数
按式(11)、式(12)确定特征点的有效量化参数值QL1(k,i)和非特征点的有效量化参数值QL2(k,i)：
Figure BDA0002607568280000061
Figure BDA0002607568280000062
其中，
Figure BDA0002607568280000063
和
Figure BDA0002607568280000064
分别为特征点与非特征点的层基础量化值，ΔQPk为第k层的量化增量值，ΔQP(k,i)为第k层中索引值为i的量化增量值；依据特征点的基础量化参数QPAPS1与非特征点的基础量化参数QPAPS2的比例关系，为特征点集内的点云设置较低的基础量化参数QPAPS1，非特征点集中的点云设置较高的基础量化参数QPAPS2。本实施例的特征点的基础量化参数QPAPS1的取值为1～50之间的整数，非特征点的基础量化参数QPAPS2的取值为1～50之间的整数。通过改变量化增量值ΔQP(k,i)可控制特征点和非特征点的量化效果。
(8)量化编码
用特征点的有效量化参数值QL1(k,i)和非特征点的有效量化参数值QL2(k,i)，对点云数据P采用八叉树的量化编码方法，实现自适应的非均匀量化点云压缩编码。量化增量值ΔQP(k,i)逐层递增，通过改变特征点的有效量化参数值QL1(k,i)和非特征点的有效量化参数值QL2(k,i)控制编码压缩效果。
完成基于特征提取的自适应三维点云压缩。
实施例2
本实施例的基于特征提取的自适应三维点云压缩方法由下述步骤组成：
(1)确定预测点属性
点云数据P由n个点构成，顺序遍历点云P中的当前点pi并建立当前点pi的K维树，按下式确定邻域点qi相对于当前点pi的几何属性权重G(pi,qi,δ)geo和颜色属性权重G(pi,qi,δ)luma：
Figure BDA0002607568280000071
Figure BDA0002607568280000072
其中，0＜i≤K，n和K为有限的正整数，δ为三维高斯平滑函数标准差、取值为有限的正有理数，本实施例的δ取值为2，K维树中K取值为20。p(i)geo为当前点pi的三维坐标，q(i)geo为邻域点qi的三维坐标，d|p(i)geo,q(i)geo|为当前点pi到邻域点qi的三维欧氏距离。
(2)预测点属性归一化
该步骤与实施例1相同。
(3)确定差值特征
该步骤与实施例1相同。
(4)确定特征重要性参数
当前点pi的特征重要性参数记为H(i)，该参数由几何差值特征Di与颜色差值特征Li的线性加权按下式确定：
H(i)＝l×Li+(1-l)×Di (7)其中，l的取值为0＜(1-l)＜l＜1。本实施例的颜色差值特征Li的权值l取值为0.5。
其它步骤与实施例1相同。完成基于特征提取的自适应三维点云压缩。
实施例3
本实施例的基于特征提取的自适应三维点云压缩方法由下述步骤组成：
(1)确定预测点属性
点云数据P由n个点构成，顺序遍历点云P中的当前点pi并建立当前点pi的K维树，按下式确定邻域点qi相对于当前点pi的几何属性权重G(pi,qi,δ)geo和颜色属性权重G(pi,qi,δ)luma：
Figure BDA0002607568280000081
Figure BDA0002607568280000082
其中，0＜i≤K，n和K为有限的正整数，δ为三维高斯平滑函数标准差、取值为有限的正有理数，本实施例的δ取值为10，K维树中K取值为30。p(i)geo为当前点pi的三维坐标，q(i)geo为邻域点qi的三维坐标，d|p(i)geo,q(i)geo|为当前点pi到邻域点qi的三维欧氏距离。
(2)预测点属性归一化
该步骤与实施例1相同。
(3)确定差值特征
该步骤与实施例1相同。
(4)确定特征重要性参数
当前点pi的特征重要性参数记为H(i)，该参数由几何差值特征Di与颜色差值特征Li的线性加权按下式确定：
H(i)＝l×Li+(1-l)×Di (7)其中，l的取值为0＜(1-l)＜l＜1。本实施例的颜色差值特征Li的权值l取值为1。
其它步骤与实施例1相同。完成基于特征提取的自适应三维点云压缩。
为了验证本发明的有益效果，发明人采用本发明实施例1的基于特征提取的自适应三维点云压缩方法与恒定量化参数点云压缩编码方法进行了对比实验，实验情况如下。
实施例1选取如表1所示的静态点云数据进行验证实验。
表1 实验数据集列表
Figure BDA0002607568280000091
实施例1的计方法算机配置采用Intel(R)Core(TM)i7-6820HKCPU@2.70GGHZ、4核处理器，内存为16GB，显卡为GeForce GTX 1080M，操作系统为64位Win10旗舰版。在Microsoft Visual Studio2013及Microsoft Visual Studio2019软件上进行编译，并配置PCL v1.8.0数据库环境。
用客观实验结果评估与主观数据重建效果评估的方式对本发明与恒定量化参数点云压缩编码方法进行评估。其中，客观质量评价标准涉及各个指标的峰值信噪比和比特率，评估结果见图2、图3、图4、表2、表3。
表2 实施例1与恒定量化参数点云压缩编码方法的客观实验结果评估
Figure BDA0002607568280000092
如图2是Facade点云数据的点到点率失真曲线，图3是实施例1的Facade点云数据P点到面率失真曲线，图4是实施例1的Facade点云数据P亮度率失真曲线。由图2～图4可见，性能较好的实验结果集中在高比特率的区域，低比特率处性能较差。
由表2可见，实施例1的方法与恒定量化参数点云压缩编码方法的平均比特率降低了0.09％，峰值信噪比平均提升了0.0733dB。以Dragon点云数据为例，表3实验结果中的Δ压缩率为实施例1相对于恒定量化参数点云压缩编码方法的相对变化值，实施例1的数据压缩率平均降低了24.51％。
表3 Dragon点云数据压缩前后点数对比
Figure BDA0002607568280000101
图5是实施例1的Facade点云数据P重建点云主观失真评价图，其中，(a)是
Figure BDA0002607568280000102
点云数据重建效果放大图，(b)是恒定量化参数的重建数据，(c)是实施例1的重建数据。由主观失真评价图可以看出，恒定量化参数点云压缩编码方法有明显的栅格化失真现象，由图可见，
Figure BDA0002607568280000103
点云数据出现明显的格状分区，实施例1在栅格化失真现象上有明显的改善。
综上，实验结果表明，本发明与恒定量化参数点云压缩编码方法相比，改善了重建后数据中出现的栅格化失真现象，对点云几何和颜色数据保留效果均有提高；在量化编码步骤，由于采用了特征点与非特征点的并行量化编码，减少了总编码时间，峰值信噪比平均提升0.0835dB，平均码率降低0.083％。本发明具有对三维点云数据编码压缩失真率小、编码质量高等特点，可用于点云数据的传输和存储。

Claims (6)

1.一种基于特征提取的自适应三维点云压缩方法，其特征在于由下述步骤组成：
(1)确定预测点属性
点云数据P由n个点构成，顺序遍历点云P中的当前点pi并建立当前点pi的K维树，按下式确定邻域点qi相对于当前点pi的几何属性权重G(pi,qi,δ)geo和颜色属性权重G(pi,qi,δ)luma：
Figure FDA0003466904680000011
Figure FDA0003466904680000012
其中，0<i≤K，n和K为有限的正整数，δ为三维高斯平滑函数标准差、取值为有限的正有理数，p(i)geo为当前点pi的三维坐标，q(i)geo为邻域点qi的三维坐标，d|p(i)geo,q(i)geo|为当前点pi到邻域点qi的三维欧氏距离；
(2)预测点属性归一化
遍历K维树邻域内的所有点，对其几何属性和颜色属性做归一化加权处理，得到预测点p′i属性值：
Figure FDA0003466904680000013
Figure FDA0003466904680000014
其中，q(i)geo是邻域点qi的几何属性值，q(i)luma是邻域点qi的颜色属性值，p′(i)geo是预测点p′i的几何属性值，p′(i)luma是预测点p′i的颜色属性值；
(3)确定差值特征
按下式确定当前点pi的几何差值特征Di与颜色差值特征Li：
Figure FDA0003466904680000015
Figure FDA0003466904680000016
其中，p(i)geo,x、p(i)geo,y、p(i)geo,z分别为当前点pi三维坐标中的x,y,z值，p′(i)geo,x、p′(i)geo,y、p′(i)geo,z分别为预测点p′i三维坐标中x,y,z值，p(i)luma为当前点pi的颜色属性，p′(i)luma为预测点p′i的颜色属性；
(4)确定特征重要性参数
当前点pi的特征重要性参数记为H(i)，该参数由几何差值特征Di与颜色差值特征Li的线性加权按下式确定：
H(i)＝l×Li+(1-l)×Di (7)
其中，l的取值为0<(1-l)<l<1。
(5)确定特征与非特征点集
按下式确定特征点集Pf与非特征点集Pnf：
Pf＝{P|H(i)≥φ} (8)
Pnf＝{P|H(i)<φ} (9)
其中，φ为特征重要性阈值、取值为miniH(i)～maxiH(i)的有理数；
(6)设置基础量化参数
按下式确定特征点的基础量化参数QPAPS1与非特征点的基础量化参数QPAPS2的比例关系：
QPAPS1/QPAPS2＝α×σ2/σ1 (10)
σ1＝Pf/P
σ2＝(P-Pf)/P
其中，σ1为特征点的特征影响参数，σ2为非特征点的特征影响参数，α为调整参数；
(7)选择有效量化参数
按式(11)、式(12)确定特征点的有效量化参数值QL1(k,i)和非特征点的有效量化参数值QL2(k,i)：
Figure FDA0003466904680000021
Figure FDA0003466904680000022
其中，
Figure FDA0003466904680000023
和
Figure FDA0003466904680000024
分别为特征点与非特征点的层基础量化值，ΔQPk为第k层的量化增量值，ΔQP(k,i)为第k层中索引值为i的量化增量值；
(8)量化编码
用特征点的有效量化参数值QL1(k,i)和非特征点的有效量化参数值QL2(k,i)，对点云数据P采用八叉树的量化编码方法，实现自适应的非均匀量化点云压缩编码。
2.根据权利要求1所述的基于特征提取的自适应三维点云压缩方法，其特征在于：在计算预测点属性步骤(1)中，所述的δ取值是不为0、且≤10的有理数，K维树中K取值为20～30的整数。
3.根据权利要求1所述的基于特征提取的自适应三维点云压缩方法，其特征在于：在计算差值特征步骤(3)中，所述的几何差值特征Di取值为0～10厘米，颜色差值特征Li取值为0～255。
4.根据权利要求1所述的基于特征提取的自适应三维点云压缩方法，其特征在于在确定特征重要性参数步骤(4)中，所述的颜色差值特征Li的权值l取值为0.5～1之间的小数。
5.根据权利要求1所述的基于特征提取的自适应三维点云压缩方法，其特征在于在设置基础量化参数步骤(6)中，所述的非特征点的特征影响参数σ2与特征点的特征影响参数σ1的比值为1：1～1：8，α取值为0～10的整数。
6.根据权利要求1所述的基于特征提取的自适应三维点云压缩方法，其特征在于：在选择有效量化参数步骤(7)中，所述的特征点的基础量化参数QPAPS1的取值为1～50之间的整数，非特征点的基础量化参数QPAPS2的取值为1～50之间的整数，且特征点的基础量化参数QPAPS1大于非特征点的基础量化参数QPAPS2。
CN202010743631.8A 2020-07-29 2020-07-29 基于特征提取的自适应三维点云压缩方法 Active CN111866518B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010743631.8A CN111866518B (zh) 2020-07-29 2020-07-29 基于特征提取的自适应三维点云压缩方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010743631.8A CN111866518B (zh) 2020-07-29 2020-07-29 基于特征提取的自适应三维点云压缩方法

Publications (2)

Publication Number Publication Date
CN111866518A CN111866518A (zh) 2020-10-30
CN111866518B true CN111866518B (zh) 2022-05-27

Family

ID=72946453

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010743631.8A Active CN111866518B (zh) 2020-07-29 2020-07-29 基于特征提取的自适应三维点云压缩方法

Country Status (1)

Country Link
CN (1) CN111866518B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112581552B (zh) * 2020-12-14 2023-04-07 深圳大学 自适应分块的基于体素的点云压缩方法及装置
CN113284248B (zh) * 2021-06-10 2022-11-15 上海交通大学 一种点云有损压缩的编解码方法、装置和系统
CN114998456B (zh) * 2022-06-20 2023-06-30 西安邮电大学 基于局部相似度的三维点云属性压缩方法
CN116542981B (zh) * 2023-07-06 2023-08-29 无锡晨智物联科技有限公司 无参考点云的质量评估方法

Citations (3)

* 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
CN108335335A (zh) * 2018-02-11 2018-07-27 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
CN110278444A (zh) * 2019-07-17 2019-09-24 华侨大学 一种采用几何引导的稀疏表示三维点云压缩方法

Family Cites Families (4)

* 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
US11010928B2 (en) * 2018-04-10 2021-05-18 Apple Inc. Adaptive distance based point cloud compression
US10909727B2 (en) * 2018-04-10 2021-02-02 Apple Inc. Hierarchical point cloud compression with smoothing
US10853973B2 (en) * 2018-10-03 2020-12-01 Apple Inc. Point cloud compression using fixed-point numbers

Patent Citations (3)

* 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
CN108335335A (zh) * 2018-02-11 2018-07-27 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
CN110278444A (zh) * 2019-07-17 2019-09-24 华侨大学 一种采用几何引导的稀疏表示三维点云压缩方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Registration of point clouds from kinect with congruent spheres;Chaoqun Ma等;《2015 8th International Congress on Image and Signal Processing (CISP)》;20160218;全文 *
基于FPFH特征的三维场景重建;艾达等;《计算机测量与控制》;20160725(第07期);全文 *
基于Kinect的三维重建技术综述;艾达等;《传感器与微系统》;20170820(第08期);全文 *
基于RGBD信息和SFS融合的三维数字化方法;李健等;《系统仿真技术》;20181128(第04期);全文 *

Also Published As

Publication number Publication date
CN111866518A (zh) 2020-10-30

Similar Documents

Publication Publication Date Title
CN111866518B (zh) 基于特征提取的自适应三维点云压缩方法
US10552989B2 (en) Point cloud attribute compression method based on KD tree and optimized graph transformation
CN112424828B (zh) 一种集成空间约束的核模糊c均值快速聚类算法
CN110163863B (zh) 三维物体分割方法、设备和介质
US9064345B2 (en) Compressing data representing computer animated hair
WO2022077863A1 (zh) 视觉定位方法及相关模型的训练方法及相关装置、设备
CN112672168B (zh) 基于图卷积的点云压缩方法及装置
CN114782564B (zh) 一种点云的压缩方法、装置、电子设备及存储介质
US11983905B2 (en) Methods for level partition of point cloud, and decoder
US20240202982A1 (en) 3d point cloud encoding and decoding method, compression method and device based on graph dictionary learning
CN113034387B (zh) 一种图像去噪方法、装置、设备及介质
CN112767429B (zh) 一种地面-雪面点云快速分割方法
CN116932492B (zh) 用于版式文件识别数据存储优化方法
CN116721228B (zh) 一种基于低密度点云的建筑物高程提取方法及系统
CN112329923A (zh) 一种模型压缩方法、装置、电子设备及可读存储介质
CN117011703A (zh) 一种输电线路巡检图像去重方法
CN113177627B (zh) 优化系统、重新训练系统及其方法及处理器和可读介质
CN111898493B (zh) 基于二进制量化三维特征描述子的物体识别方法
WO2020168526A1 (zh) 图像编码方法、设备及计算机可读存储介质
CN116361678B (zh) 基于图增强结构的准周期时间序列分割方法及终端
CN117196997B (zh) 基于人工智能的三维矿震图像降噪优化方法
CN111709344B (zh) 一种基于高斯混合模型的epll图像去光照识别处理方法
CN110110781B (zh) 基于优质邻接点的子空间聚类方法
CN117040541B (zh) 一种用于cad图纸数据的数据存储方法及系统
CN113252586B (zh) 高光谱图像重建方法、终端设备及计算机可读存储介质

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