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 PDF

Info

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
Application number
CN202111585112.4A
Other languages
English (en)
Inventor
罗雷
柏家宝
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.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post 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 Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN202111585112.4A priority Critical patent/CN114331989A/zh
Publication of CN114331989A publication Critical patent/CN114331989A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Image Analysis (AREA)

Abstract

本发明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，属于多媒体信息处理领域，包括以下步骤：S1：对三维点云进行重采样的预处理操作；S2：通过k近邻搜索算法来聚类高频点在参考点云和失真点云中近邻点的集合
Figure DDA0003415052620000011
和
Figure DDA0003415052620000012
S3：计算
Figure DDA0003415052620000013
和
Figure DDA0003415052620000014
的快速点特征直方图，计算两者的测地距离(EMD)，得到局部区域的几何质量度量结果；S4：将
Figure DDA0003415052620000015
和
Figure DDA0003415052620000016
的颜色属性转换到高斯颜色空间，在分别计算
Figure DDA0003415052620000017
和
Figure DDA0003415052620000018
颜色属性亮度分量的均值、标准差和协方差，得到局部区域颜色属性的质量度量；S5：将几何和颜色的质量度量结果线性加权聚合，得到全局感知质量评价模型。

Description

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
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；
S2：通过k近邻搜索算法来聚类高频点在参考点云和失真点云中近邻点的集合
Figure BDA0003415052600000021
和
Figure BDA0003415052600000022
即局部邻域；
S3：计算
Figure BDA0003415052600000023
和
Figure BDA0003415052600000024
的快速点特征直方图，作为其几何特征描述算子，然后计算两几何特征描述算子之间的EMD距离，并将计算的结果通过对数函数归一化得到局部区域的几何质量度量结果；
S4：将
Figure BDA0003415052600000025
和
Figure BDA0003415052600000026
的颜色属性由RGB颜色空间转换为高斯颜色空间，然后分别计算
Figure BDA0003415052600000027
和
Figure BDA0003415052600000028
颜色属性亮度分量的均值、标准差和协方差，最后通过聚合计算结果得到局部区域颜色属性的质量度量；
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：
Figure BDA0003415052600000029
K个属性划分为三种类别：几何坐标
Figure BDA00034150526000000210
颜色属性
Figure BDA00034150526000000211
法线值
Figure BDA00034150526000000212
每个点表示为
Figure BDA00034150526000000213
使用邻接矩阵
Figure BDA00034150526000000214
来表示局部区域中邻近点的连接权值，其中每个元素Wij表示点pi和pj之间的连接权值，其定义如下：
Figure BDA00034150526000000215
节点加权程度矩阵定义为
Figure BDA00034150526000000216
其中Di＝∑jWij表示点pi的连接密度；
定义
Figure BDA00034150526000000217
为图移位算子，一个线性且移位不变的图滤波器表示为A的多项式：
Figure BDA00034150526000000218
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：
Figure BDA0003415052600000031
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
根据点云中每个点频率响应的不同来获取所需的高频关键点；假设滤波器采样率为fs，经过图高通滤波器后点云的总点数为
Figure BDA0003415052600000032
重采样后的点云表示为：
Figure BDA0003415052600000033
进一步，在所述步骤S2中，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
Figure BDA0003415052600000034
1≤i≤β在参考点云和失真点云的局部邻域，定义如下：
Figure BDA0003415052600000035
进一步，所述步骤S3中的快速点特征直方图计算过程如下：
对于每一对三维点
Figure BDA0003415052600000036
和
Figure BDA0003415052600000037
分别计算α,φ,θ三个特征，其中pi是一对点中法线和两点之间连线夹角较小的那个点，
Figure BDA0003415052600000038
其中，uvn坐标系定义为：
Figure BDA0003415052600000039
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：
Figure BDA00034150526000000310
其中b为每个特征在特征直方图中所占的直方数量；对于获取最终的局部区域几何质量评估结果
Figure BDA00034150526000000311
具体求解过程包括以下步骤：
S31：从聚类出的参考点云局部区域
Figure BDA00034150526000000312
(或失真点云局部区域
Figure BDA00034150526000000313
)中选取距离高频点
Figure BDA0003415052600000041
最近的k个点，并将这k个点与si之间的最大距离记为δmax；
S32：对于每一对关键点si及其相邻点
Figure BDA0003415052600000042
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
Figure BDA00034150526000000421
)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))；
S33：确定si的每个邻点pi(或者
Figure BDA00034150526000000420
)在
Figure BDA0003415052600000043
(或者
Figure BDA0003415052600000044
)中距离其在范围δmax内的k个邻点，并计算每个pi(或者
Figure BDA00034150526000000422
)的简化特征直方图SPFHr(pi)(或者SPFHd(si))；
S34：计算
Figure BDA0003415052600000045
和
Figure BDA0003415052600000046
的快速点特征直方图
Figure BDA0003415052600000047
和
Figure BDA0003415052600000048
作为其几何特征描述算子，其定义如下：
Figure BDA0003415052600000049
其中dj(或者
Figure BDA00034150526000000410
)指si和pj(或者
Figure BDA00034150526000000411
)之间的欧氏距离；
S35：计算
Figure BDA00034150526000000412
和
Figure BDA00034150526000000413
几何特征描述算子间的EMD距离，直方图H和G间的EMD距离定义如下：
Figure BDA00034150526000000414
Figure BDA00034150526000000415
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，T表示直方图中直方的总数量，
Figure BDA00034150526000000416
和
Figure BDA00034150526000000417
几何特征描述算子之间的EMD距离定义为：
Figure BDA00034150526000000418
S36：为了缩小EMD距离的范围，将最终的几何质量评估结果通过对数函数归一化进而得到最终的几何质量评估指标
Figure BDA00034150526000000419
Figure BDA0003415052600000051
其中pr为点云的精度。
进一步，所述步骤S4中求解点云局部区域颜色属性质量评估结果
Figure BDA0003415052600000052
的具体步骤包括：
S41：将
Figure BDA0003415052600000053
和
Figure BDA0003415052600000054
中的颜色属性由RGB颜色空间转换至GCM颜色空间中：
Figure BDA0003415052600000055
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：
Figure BDA0003415052600000056
Figure BDA0003415052600000057
Figure BDA0003415052600000058
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；
S43：最后，将参考点云与失真点云对应局部区域之间颜色属性的质量度量结果
Figure BDA0003415052600000059
聚合为上述三个度量值的乘积：
Figure BDA00034150526000000510
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：
Figure BDA00034150526000000511
其中
Figure BDA00034150526000000512
和
Figure BDA00034150526000000513
分别为该模型中几何和颜色质量测量的权重因子。
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：
Figure BDA0003415052600000071
通常，K个属性可以划分为三种类别，几何坐标
Figure BDA0003415052600000072
颜色属性
Figure BDA0003415052600000073
法线值
Figure BDA0003415052600000074
因此每个点可以进一步表示为
Figure BDA0003415052600000075
为了描述点之间的相关性，使用邻接矩阵
Figure BDA0003415052600000076
来表示局部区域中邻近点的连接权值，其中每个元素Wij表示点pi和pj之间的连接权值，其定义如下：
Figure BDA0003415052600000077
另外，节点加权程度矩阵定义为
Figure BDA0003415052600000078
其中Di＝∑jWij表示点pi的连接密度。
基于上述内容，定义
Figure BDA0003415052600000079
为图移位算子，那么一个线性且移位不变的图滤波器可以表示为A的多项式：
Figure BDA00034150526000000710
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：
Figure BDA00034150526000000711
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
这样便可以根据点云中每个点频率响应的不同来获取所需的高频关键点。假设滤波器采样率为fs，那么经过图高通滤波器后点云的总点数为
Figure BDA00034150526000000712
重采样后的点云可以表示为：
Figure BDA00034150526000000713
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
Figure BDA0003415052600000081
和
Figure BDA0003415052600000082
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
Figure BDA0003415052600000083
1≤i≤β在参考点云和失真点云的局部邻域，定义如下：
Figure BDA0003415052600000084
S3：如图4-5所示，计算参考点云和失真点云中所对应局部区域
Figure BDA0003415052600000085
和
Figure BDA0003415052600000086
的几何特征描述符快速点特征直方图
Figure BDA0003415052600000087
和
Figure BDA0003415052600000088
然后计算
Figure BDA0003415052600000089
和
Figure BDA00034150526000000810
之间的EMD距离，并将计算的结果通过对数函数归一化得到局部区域的几何质量度量结果
Figure BDA00034150526000000811
对于每一对三维点
Figure BDA00034150526000000812
和
Figure BDA00034150526000000813
(pi是一对点中法线和两点之间连线夹角较小的那个点)分别计算α，φ，θ三个特征：
Figure BDA00034150526000000814
其中，uvn坐标系定义为：
Figure BDA00034150526000000815
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：
Figure BDA00034150526000000816
其中b为每个特征在特征直方图中所占的直方数量；对于获取最终的局部区域几何质量评估结果
Figure BDA00034150526000000817
具体求解过程包括以下步骤：
S31：从聚类出的参考点云局部区域
Figure BDA00034150526000000818
(或失真点云局部区域
Figure BDA00034150526000000819
)中选取距离高频点
Figure BDA00034150526000000820
Figure BDA00034150526000000821
最近的k个点，并将这k个点与si之间的最大距离记为δmax；
S32：对于每一对关键点si及其相邻点
Figure BDA00034150526000000822
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
Figure BDA00034150526000000823
)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))；
S33：确定si的每个邻点pi(或者
Figure BDA00034150526000000824
)在
Figure BDA00034150526000000825
(或者
Figure BDA00034150526000000826
)中距离其在范围δmax内的k个邻点，并计算每个pi(或者
Figure BDA00034150526000000827
)的简化特征直方图SPFHr(pi)(或者SPFHd(si))；
S34：计算
Figure BDA00034150526000000828
和
Figure BDA00034150526000000829
的快速点特征直方图
Figure BDA00034150526000000830
和
Figure BDA00034150526000000831
作为其几何特征描述算子，其定义如下：
Figure BDA0003415052600000091
其中dj(或者
Figure BDA0003415052600000092
)指si和pj(或者
Figure BDA0003415052600000093
)之间的欧氏距离；
S35：计算
Figure BDA0003415052600000094
和
Figure BDA0003415052600000095
几何特征描述算子间的EMD距离。直方图H和G间的EMD距离定义如下：
Figure BDA0003415052600000096
Figure BDA0003415052600000097
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，T表示直方图中直方的总数量。因此，
Figure BDA0003415052600000098
和
Figure BDA0003415052600000099
几何特征描述算子之间的EMD距离可以定义为：
Figure BDA00034150526000000910
S36：为了缩小EMD距离的范围，将最终的几何质量评估结果通过对数函数归一化进而得到最终的几何质量评估指标
Figure BDA00034150526000000911
Figure BDA00034150526000000912
其中pr为点云的精度，通常为10bit或12bit。
S4：将
Figure BDA00034150526000000913
和
Figure BDA00034150526000000914
局部区域的颜色属性由RGB颜色空间转换为高斯颜色(GCM)空间，然后分别计算
Figure BDA00034150526000000915
和
Figure BDA00034150526000000916
颜色属性亮度分量的均值、标准差和协方差，最后通过聚合计算结果得到局部区域颜色属性的质量度量为
Figure BDA00034150526000000917
S41：将
Figure BDA00034150526000000918
和
Figure BDA00034150526000000919
中的颜色属性由RGB颜色空间转换至GCM颜色空间中：
Figure BDA0003415052600000101
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：
Figure BDA0003415052600000102
Figure BDA0003415052600000103
Figure BDA0003415052600000104
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；
S43：最后，将参考点云与失真点云对应局部区域之间颜色属性的质量度量结果
Figure BDA0003415052600000105
聚合为上述三个度量值的乘积：
Figure BDA0003415052600000106
S5：根据上述推导出的几何质量度量
Figure BDA0003415052600000107
和颜色属性
Figure BDA0003415052600000108
的质量度量，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：
Figure BDA0003415052600000109
其中
Figure BDA00034150526000001010
和
Figure BDA00034150526000001011
分别为该模型中几何和颜色质量测量的权重因子。
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；
S2：通过k近邻搜索算法来聚类高频点在参考点云和失真点云中近邻点的集合
Figure FDA0003415052590000011
和
Figure FDA0003415052590000012
即局部邻域；
S3：计算
Figure FDA0003415052590000013
和
Figure FDA0003415052590000014
的快速点特征直方图，作为其几何特征描述算子，然后计算两几何特征描述算子之间的EMD距离，并将计算的结果通过对数函数归一化得到局部区域的几何质量度量结果；
S4：将
Figure FDA0003415052590000015
和
Figure FDA0003415052590000016
的颜色属性由RGB颜色空间转换为高斯颜色空间，然后分别计算
Figure FDA0003415052590000017
和
Figure FDA0003415052590000018
颜色属性亮度分量的均值、标准差和协方差，最后通过聚合计算结果得到局部区域颜色属性的质量度量；
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：
Figure FDA0003415052590000019
K个属性划分为三种类别：几何坐标
Figure FDA00034150525900000110
颜色属性
Figure FDA00034150525900000111
法线值
Figure FDA00034150525900000112
每个点表示为
Figure FDA00034150525900000113
使用邻接矩阵
Figure FDA00034150525900000114
来表示局部区域中邻近点的连接权值，其中每个元素Wij表示点pi和pj之间的连接权值，其定义如下：
Figure FDA00034150525900000115
节点加权程度矩阵定义为
Figure FDA00034150525900000116
其中Di＝∑jWij表示点pi的连接密度；
定义
Figure FDA00034150525900000117
为图移位算子，一个线性且移位不变的图滤波器表示为A的多项式：
Figure FDA00034150525900000118
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：
Figure FDA0003415052590000021
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
根据点云中每个点频率响应的不同来获取所需的高频关键点；假设滤波器采样率为fs，经过图高通滤波器后点云的总点数为
Figure FDA0003415052590000022
重采样后的点云表示为：
Figure FDA0003415052590000023
3.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：在所述步骤S2中，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
Figure FDA0003415052590000024
在参考点云和失真点云的局部邻域，定义如下：
Figure FDA0003415052590000025
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：
对于每一对三维点
Figure FDA0003415052590000026
和
Figure FDA0003415052590000027
分别计算α,φ,θ三个特征，其中pi是一对点中法线和两点之间连线夹角较小的那个点，
Figure FDA0003415052590000028
其中，uvn坐标系定义为：
Figure FDA0003415052590000029
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：
Figure FDA00034150525900000210
其中b为每个特征在特征直方图中所占的直方数量；对于获取最终的局部区域几何质量评估结果
Figure FDA0003415052590000031
具体求解过程包括以下步骤：
S31：从聚类出的参考点云局部区域
Figure FDA0003415052590000032
或失真点云局部区域
Figure FDA0003415052590000033
中选取距离高频点
Figure FDA0003415052590000034
最近的k个点，并将这k个点与si之间的最大距离记为δmax；
S32：对于每一对关键点si及其相邻点
Figure FDA0003415052590000035
或
Figure FDA0003415052590000036
都分别计算出α，φ，θ三个特征；将所有对点si和点pi或者
Figure FDA0003415052590000037
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)；
S33：确定si的每个邻点pi或者
Figure FDA0003415052590000038
在
Figure FDA0003415052590000039
或者
Figure FDA00034150525900000310
中距离其在范围δmax内的k个邻点，并计算每个pi或者
Figure FDA00034150525900000311
的简化特征直方图SPFHr(pi)或者SPFHd(si)；
S34：计算
Figure FDA00034150525900000312
和
Figure FDA00034150525900000313
的快速点特征直方图
Figure FDA00034150525900000314
和
Figure FDA00034150525900000315
作为其几何特征描述算子，其定义如下：
Figure FDA00034150525900000316
其中dj或者
Figure FDA00034150525900000317
指si和pj或者
Figure FDA00034150525900000318
之间的欧氏距离；
S35：计算
Figure FDA00034150525900000319
和
Figure FDA00034150525900000320
几何特征描述算子间的EMD距离，直方图H和G间的EMD距离定义如下：
Figure FDA00034150525900000321
Figure FDA00034150525900000322
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，T表示直方图中直方的总数量，
Figure FDA00034150525900000323
和
Figure FDA00034150525900000324
几何特征描述算子之间的EMD距离定义为：
Figure FDA00034150525900000325
S36：将最终的几何质量评估结果通过对数函数归一化进而得到最终的几何质量评估指标
Figure FDA0003415052590000041
Figure FDA0003415052590000042
其中pr为点云的精度。
5.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S4中求解点云局部区域颜色属性质量评估结果
Figure FDA0003415052590000043
的具体步骤包括：
S41：将
Figure FDA0003415052590000044
和
Figure FDA0003415052590000045
中的颜色属性由RGB颜色空间转换至GCM颜色空间中：
Figure FDA0003415052590000046
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：
Figure FDA0003415052590000047
Figure FDA0003415052590000048
Figure FDA0003415052590000049
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；
S43：最后，将参考点云与失真点云对应局部区域之间颜色属性的质量度量结果
Figure FDA00034150525900000410
聚合为上述三个度量值的乘积：
Figure FDA00034150525900000411
6.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：
Figure FDA00034150525900000412
其中
Figure FDA00034150525900000413
和
Figure FDA00034150525900000414
分别为该模型中几何和颜色质量测量的权重因子。
CN202111585112.4A 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 Pending CN114331989A (zh)

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)

* Cited by examiner, † Cited by third party
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

Cited By (4)

* Cited by examiner, † Cited by third party
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