CN114331989A - 基于点特征直方图测地距离的全参考3d点云质量评估方法 - Google Patents
基于点特征直方图测地距离的全参考3d点云质量评估方法 Download PDFInfo
- Publication number
- CN114331989A CN114331989A CN202111585112.4A CN202111585112A CN114331989A CN 114331989 A CN114331989 A CN 114331989A CN 202111585112 A CN202111585112 A CN 202111585112A CN 114331989 A CN114331989 A CN 114331989A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- point
- geometric
- points
- histogram
- 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
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
Description
技术领域
本发明属于多媒体信息处理领域,涉及一种基于点特征直方图测地距离的全参考3D点云质量评估方法。
背景技术
随着信号采集技术的发展,由大量非结构化的三维点构成的三维沉浸场景,点云已成为一种具有吸引力的表示形式。一般情况下,每个点包含目标表面的几何属性、颜色属性和法线信息。与传统的图像/视频处理系统类似,点云信号也存在一系列典型的处理技术,如采集、压缩、传输、渲染、重构和分析(如分类、识别)。由于处理技术的限制,点云的质量不可避免地会受到损害,比如有损压缩造成的失真,或者采集带来的噪声。因此,准确的点云质量评估算法也变得至关重要。
对于视觉信号,尤其是二维图像/视频的感知质量评价一直是一个非常重要的研究方向。其动机是通过设计计算模型来模仿人类视觉系统(HVS)的响应特性。对于点云的感知质量评估,与2D图像/视频相比,主要有两个因素使得该研究具有挑战性。首先,点云是非结构化的,是由大量无拓扑的三维点组成,使得频率分解和局部邻域构建更加困难;同时,质量损害一般涉及几何属性和颜色属性的畸变,其中几何畸变的测量更加令人困惑。
发明内容
有鉴于此,本发明的目的在于提供一种基于点特征直方图测地距离的全参考3D点云质量评估方法。该方法分别考虑了点云的几何失真与颜色失真,试图遵循HVS的感知特征以及点云的内在特征。首先对点云进行预处理,采用基于图滤波的重采样方法提取几何骨架关键点,然后通过聚类方法构造几何骨架关键点周围的局部邻域。对于几何畸变,提取快速点特征直方图(FPFH)作为特征描述符,计算参考点云与失真点云对应局部高频区域特征描述符间的EMD距离作为几何质量度量;对于颜色失真,计算参考点云与失真点云对应局部高频区域之间颜色属性值的统计矩作为颜色质量度量。最后,将几何质量度量和颜色质量度量的线性加权聚合,得到全局感知质量评价模型。
为达到上述目的,本发明提供如下技术方案:
一种基于点特征直方图测地距离的全参考3D点云质量评估方法,包括以下步骤:
S1:对三维点云进行重采样的预处理操作,将参考点云通过图高通滤波器来获取其轮廓或边缘上的高频关键点;
S5:根据几何质量度量和颜色属性质量度量,将几何骨架关键点的所有局部邻域质量度量结果线性加权聚合得到最终的点云感知质量评价模型。
进一步,步骤S1中所述点云是由大量非结构化的三维点组成,每个点都被赋予多个属性,将有N个点,每个点包括K个属性的点云记为:
其中L是滤波器长度,hl是滤波器系数;此处,采用一种Haar-like高通图滤波器对三维点云进行重采样,其定义如下:
其中图移位算子为A=D-1W,λi和V分别为A的特征值和特征向量,点云中每个点通过该滤波器的频率响应为:
F(pi)=hHH(A)·pi=(I-A)·pi
进一步,所述步骤S3中的快速点特征直方图计算过程如下:
其中,uvn坐标系定义为:
α,φ,θ三个特征将被转化到直方图中作为几何特征的描述算子,具体转化方式如下:
S32:对于每一对关键点si及其相邻点1≤i≤k,都分别计算出α,φ,θ三个特征;将所有对点si和点pi(或者)计算出的几何特征相加,进而得到关键点si的简化特征直方图SPFHr(si)(或者SPFHd(si));
其中,α=1,dij是表示直方图中直方i和直方j间的全局距离,定义为:
dij=min(min(|i-j|,T-|i-j|),2)
其中pr为点云的精度。
S42:计算失真点云与参考点云对应的第i个局部区域颜色属性相似性的3个度量值为:
其中,μi,r和μi,d表示参考点云和失真点云第i个局部区域颜色属性亮度分量的均值,σi,r和σi,d为标准差,σi,rd则为它们之间的协方差;Cm,Cstd和Ccov是三个非负常数来避免分母的不稳定性;
进一步,所述步骤S5中将根据几何骨架关键点聚类的所有局部区域质量评估结果线性加权聚合,进而得到点云感知质量评价模型为:
本发明的有益效果在于:
1)提出了一种点云客观质量评价模型,该模型既考虑了人眼视觉系统(HVS)的感知特征,又考虑了点云的内在特征。在频率选择性和视觉掩蔽效应的指导下,将点云质量评价线性聚合为几个几何骨架关键点周围局部邻近区域的几何和颜色质量度量。
2)提出了一种新的感知点云几何质量的测量方法,该方法利用点特征直方图上的EMD距离来测量参考点和失真点云之间相应局部高频区域(几何骨架关键点周围)的失真。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作优选的详细描述,其中:
图1为本发明采用的系统流程图;
图2为本发明方法步骤S1中对点云重采样的示意图
图3为本发明方法步骤S2中根据高频关键点聚类后的示意图;
图4为本发明方法步骤S3中几何特征描述符的计算示意图;
图5为本发明方法步骤S3中几何特征描述符的计算流程图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本发明的限制;为了更好地说明本发明的实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本发明的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
如图1所示,本发明提供一种基于点特征直方图测地距离的全参考3D点云质量评估方法,包括以下步骤:
S1:如图2所示,对三维点云进行重采样的预处理操作,将参考点云通过图高通滤波器hHH(A)来获取其轮廓或边缘上的高频关键点;
通常点云是由大量非结构化的三维点组成,每个点都被赋予多个属性,将有N个点,每个点包括K个属性的点云记为:
其中L是滤波器长度,hl是滤波器系数。此处,为了实现对三维点云的重采样,采用一种Haar-like高通图滤波器,其定义如下:
其中图移位算子为A=D-1W,λi和V分别为A的特征值和特征向量。那么点云中每个点通过该滤波器的频率响应为:
F(pi)=hHH(A)·pi=(I-A)·pi
S2:如图3所示,通过k近邻搜索算法(KNN)来聚类高频点在参考点云和失真点云中近邻点的集合和给定一个欧式距离阈值δ,通过k近邻搜索算法(KNN)分别聚类每个关键点1≤i≤β在参考点云和失真点云的局部邻域,定义如下:
其中,uvn坐标系定义为:
α,φ,θ三个特征将被转化到直方图中作为几何特征的描述算子,具体转化方式如下:
S32:对于每一对关键点si及其相邻点1≤i≤k,都分别计算出α,φ,θ三个特征。将所有对点si和点pi(或者)计算出的几何特征相加,进而得到关键点si的简化特征直方图SPFHr(si)(或者SPFHd(si));
上式中,α=1,dij是表示直方图中直方i和直方j间的全局距离,此处定义为:
dij=min(min(|i-j|,T-|i-j|),2)
其中pr为点云的精度,通常为10bit或12bit。
S42:计算失真点云与参考点云对应的第i个局部区域颜色属性相似性的3个度量值为:
其中,μi,r和μi,d表示参考点云和失真点云第i个局部区域颜色属性亮度分量的均值,σi,r和σi,d为标准差,σi,rd则为它们之间的协方差。Cm,Cstd和Ccov是三个非负常数来避免分母的不稳定性;
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (6)
1.一种基于点特征直方图测地距离的全参考3D点云质量评估方法,其特征在于:包括以下步骤:
S1:对三维点云进行重采样的预处理操作,将参考点云通过图高通滤波器来获取其轮廓或边缘上的高频关键点;
S5:根据几何质量度量和颜色属性质量度量,将几何骨架关键点的所有局部邻域质量度量结果线性加权聚合得到最终的点云感知质量评价模型。
2.根据权利要求1所述的基于点特征直方图测地距离的全参考3D点云质量评估方法,其特征在于:步骤S1中所述点云是由大量非结构化的三维点组成,每个点都被赋予多个属性,将有N个点,每个点包括K个属性的点云记为:
其中L是滤波器长度,hl是滤波器系数;此处,采用一种Haar-like高通图滤波器对三维点云进行重采样,其定义如下:
其中图移位算子为A=D-1W,λi和V分别为A的特征值和特征向量,点云中每个点通过该滤波器的频率响应为:
F(pi)=hHH(A)·pi=(I-A)·pi
4.根据权利要求1所述的基于点特征直方图测地距离的全参考3D点云质量评估方法,其特征在于:所述步骤S3中的快速点特征直方图计算过程如下:
其中,uvn坐标系定义为:
α,φ,θ三个特征将被转化到直方图中作为几何特征的描述算子,具体转化方式如下:
其中,α=1,dij是表示直方图中直方i和直方j间的全局距离,定义为:
dij=min(min(|i-j|,T-|i-j|),2)
其中pr为点云的精度。
S42:计算失真点云与参考点云对应的第i个局部区域颜色属性相似性的3个度量值为:
其中,μi,r和μi,d表示参考点云和失真点云第i个局部区域颜色属性亮度分量的均值,σi,r和σi,d为标准差,σi,rd则为它们之间的协方差;Cm,Cstd和Ccov是三个非负常数来避免分母的不稳定性;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111585112.4A CN114331989A (zh) | 2021-12-16 | 2021-12-16 | 基于点特征直方图测地距离的全参考3d点云质量评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111585112.4A CN114331989A (zh) | 2021-12-16 | 2021-12-16 | 基于点特征直方图测地距离的全参考3d点云质量评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114331989A true CN114331989A (zh) | 2022-04-12 |
Family
ID=81054770
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111585112.4A Pending CN114331989A (zh) | 2021-12-16 | 2021-12-16 | 基于点特征直方图测地距离的全参考3d点云质量评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114331989A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114998456A (zh) * | 2022-06-20 | 2022-09-02 | 西安邮电大学 | 基于局部相似度的三维点云属性压缩方法 |
CN117011299A (zh) * | 2023-10-07 | 2023-11-07 | 华侨大学 | 融合图重采样和梯度特征的参考点云质量评估方法及系统 |
-
2021
- 2021-12-16 CN CN202111585112.4A patent/CN114331989A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114998456A (zh) * | 2022-06-20 | 2022-09-02 | 西安邮电大学 | 基于局部相似度的三维点云属性压缩方法 |
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 |
CN117011299A (zh) * | 2023-10-07 | 2023-11-07 | 华侨大学 | 融合图重采样和梯度特征的参考点云质量评估方法及系统 |
CN117011299B (zh) * | 2023-10-07 | 2024-02-20 | 华侨大学 | 融合图重采样和梯度特征的参考点云质量评估方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10052027B2 (en) | System and method for automatic polyp detection using global geometric constraints and local intensity variation patterns | |
CN106295124B (zh) | 多种图像检测技术综合分析基因子图相似概率量的方法 | |
CN103263278B (zh) | 一种从超声图像上自动测量胎儿颈背透明物厚度的图像处理方法 | |
CN114331989A (zh) | 基于点特征直方图测地距离的全参考3d点云质量评估方法 | |
CN116664559B (zh) | 基于机器视觉的内存条损伤快速检测方法 | |
CN111583320B (zh) | 融合深度卷积网络和影像组学特征的乳腺癌超声图分型方法、系统及存储介质 | |
CN111507426B (zh) | 基于视觉融合特征的无参考图像质量分级评价方法及装置 | |
CN111967363B (zh) | 一种基于微表情识别和眼动追踪的对情绪预测的方法 | |
CN108960142B (zh) | 基于全局特征损失函数的行人再识别方法 | |
CN114067147B (zh) | 一种基于局部形状匹配的舰船目标确认方法 | |
CN105975906B (zh) | 一种基于面积特征的pca静态手势识别方法 | |
CN110458064B (zh) | 结合数据驱动型和知识驱动型的低空目标检测与识别方法 | |
CN115880501A (zh) | 一种基于红外相机的高压电线红外图像处理方法和系统 | |
CN116205886A (zh) | 一种基于相对熵的点云质量评估方法 | |
CN110580697B (zh) | 一种从超声视频图像中测量胎儿颈背透明物厚度的视频图像处理方法及系统 | |
CN116703895B (zh) | 基于生成对抗网络的小样本3d视觉检测方法及其系统 | |
CN116664585B (zh) | 基于深度学习的头皮健康状况检测方法及相关装置 | |
Wu et al. | Facial feature extraction and applications: A review | |
CN110910497B (zh) | 实现增强现实地图的方法和系统 | |
CN116310837B (zh) | 一种sar舰船目标旋转检测方法及系统 | |
CN109271902B (zh) | 复杂背景下基于时域经验模态分解的红外弱小目标检测方法 | |
CN115311327A (zh) | 融合共现统计与fhog梯度特征的目标跟踪方法及系统 | |
CN112801950A (zh) | 一种基于几何失真度量的图像适配质量评价方法 | |
CN117197139B (zh) | 一种基于ai的舌诊图像多标签分类方法 | |
Wuhrer et al. | Posture invariant gender classification for 3D human models |
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 |