CN114782564A - 一种点云的压缩方法、装置、电子设备及存储介质 - Google Patents
一种点云的压缩方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114782564A CN114782564A CN202210700940.6A CN202210700940A CN114782564A CN 114782564 A CN114782564 A CN 114782564A CN 202210700940 A CN202210700940 A CN 202210700940A CN 114782564 A CN114782564 A CN 114782564A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- sub
- determining
- block
- blocks
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 230000006835 compression Effects 0.000 title claims abstract description 47
- 238000007906 compression Methods 0.000 title claims abstract description 47
- 239000011159 matrix material Substances 0.000 claims description 111
- 230000008859 change Effects 0.000 claims description 81
- 238000010586 diagram Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 abstract description 5
- 230000009466 transformation Effects 0.000 description 15
- 238000007621 cluster analysis Methods 0.000 description 6
- 230000003044 adaptive effect Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000009499 grossing Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
- G06T9/004—Predictors, e.g. intraframe, interframe coding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
- G06T9/005—Statistical coding, e.g. Huffman, run length coding
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Compression Of Band Width Or Redundancy In Fax (AREA)
Abstract
本公开涉及点云数据处理技术领域，具体提供了一种点云的压缩方法、装置、电子设备及存储介质，通过将待压缩点云划分为多个子点云块；确定每个子点云块对应的几何属性信息与颜色属性信息之间的相关系数并与预设的系数阈值进行比较，若大于，则根据几何属性信息确定该子点云块对应的距离加权图，并基于距离加权图压缩子点云块；若小于，则计算该子点云块对应的纹理复杂度并与预设的复杂度阈值进行比较，若大于，则确定该子点云块对应的相似度加权图，并基于相似度加权图压缩子点云块；若小于，则确定该子点云块对应的无权图，并基于无权图压缩子点云块。在充分考虑点云的几何属性、颜色属性、纹理信息之间的相关性的同时，实现较优的压缩性能。
Description
技术领域
本公开涉及点云数据处理技术领域，具体而言，涉及一种点云的压缩方法、装置、电子设备及存储介质。
背景技术
三维点云是现实世界数字化的重要表现形式，目前已经被广泛应用于自动驾驶、虚拟现实和数字博物馆等领域，在这些领域中，点云是一组包含几何和属性信息(如颜色和反射率)的点，模拟了各种场景和物体的外部表面。随着点云采集设备的发展，点云的分辨率正在急剧提高，数据量的增加使得3D应用程序的部署难以实现，如何高效的压缩点云数据已经成为一个重要的问题。
目前，各种对于点云属性信息的压缩方法已经被提出，变换技术是其中的一个重要分支。目前，点云属性压缩的变换技术可以大致分为三大类：区域自适应层次变换、图傅里叶变换和提升变换。区域自适应层次变换是一种层次子带变换，利用较低层次节点的颜色来预测下一层次节点的颜色，其变换矩阵根据每个节点的点数导出；图傅里叶变换通过基于阈值的距离表示设置权重矩阵，将其中几何上的稀疏表示转化为一个L0范数的正则优化问题。或者通过引入基于块的帧内预测算法，利用邻接点之间的空间相关性；提升变换是几何点云编码器的一个分支，是在多层次细节(Level of Detail，LOD) 方法的基础上实现的，它还引入了更新算子和自适应量化策略。更新算子使用预测残差来更新更低层LoD的属性值。接着，每个点的变换系数通过乘上对应权重从而被量化。但是上述方法并未考虑点云几何与颜色、纹理信息之间的相关性，压缩性能较差。
发明内容
本公开实施例至少提供一种点云的压缩方法、装置、电子设备及存储介质，可以充分考虑点云的几何属性、颜色属性、纹理信息之间的相关性，并具有较优的压缩性能。
本公开实施例提供了一种点云的压缩方法，所述方法包括：
获取待压缩点云，将所述待压缩点云划分为多个子点云块；
针对每个所述子点云块，确定该所述子点云块对应的几何属性信息与颜色属性信息之间的相关系数；
针对所述相关系数大于预设的系数阈值的所述子点云块，根据所述几何属性信息确定该所述子点云块对应的距离加权图，并基于所述距离加权图压缩所述子点云块；
针对所述相关系数小于所述系数阈值的所述子点云块，计算该所述子点云块对应的纹理复杂度；
针对所述纹理复杂度大于预设的复杂度阈值的所述子点云块，确定该所述子点云块对应的相似度加权图，并基于所述相似度加权图压缩所述子点云块；
针对所述纹理复杂度小于所述复杂度阈值的所述子点云块，确定该所述子点云块对应的无权图，并基于所述无权图压缩所述子点云块。
一种可选的实施方式中，所述针对每个所述子点云块，确定该所述子点云块对应的几何属性信息与颜色属性信息之间的相关系数，具体包括：
针对每个所述子点云块，获取该所述子点云块内，各个顶点间的信号差值产生的几何变化信息与颜色变化信息；
将所述几何变化信息与所述颜色变化信息作为所述几何属性信息与所述颜色属性信息之间相关性的评价指标，获取多个所述几何变化信息对应的观测值以及多个所述颜色变化信息对应的观测值；
根据所述几何变化信息对应的观测值以及所述颜色变化信息对应的观测值，确定所述子点云块对应的皮尔森相关系数；
将所述皮尔森相关系数确定为所述几何属性信息与所述颜色属性信息之间的相关系数。
一种可选的实施方式中，基于以下公式确定所述子点云块对应的皮尔森相关系数：
其中，G为代表所述几何变化信息的参数、C为代表所述颜色变化信息的参数、
代表所述几何变化信息的观测值对应的均值、
代表所述几何变化信息的观测值对应的标准差、
代表所述颜色变化信息的观测值对应的均值、
代表所述颜色变化信息的观测值对应的标准差、M代表所述几何变化信息的观测值与所述颜色变化信息的观测值的数量、
所述几何变化信息的第i个观测值、
代表所述颜色变化信息的第i个观测值、
代表所述皮尔森相关系数。
一种可选的实施方式中，所述针对所述相关系数大于预设的系数阈值的所述子点云块，根据所述几何属性信息确定该所述子点云块对应的距离加权图，并基于所述距离加权图压缩所述子点云块，具体包括：
针对所述相关系数大于预设的系数阈值的所述子点云块，确定该所述子点云块中，每两个顶点之间的顶点距离；
根据所述顶点距离以及预设的距离阈值，确定所述子点云块中顶点间的边权重，并根据所述边权重构建所述距离加权图；
确定所述距离加权图对应的权重矩阵，根据所述权重矩阵确定所述子点云块对应的拉普拉斯矩阵；
根据所述拉普拉斯矩阵压缩所述子点云块。
一种可选的实施方式中，所述针对所述相关系数小于所述系数阈值的所述子点云块，计算该所述子点云块对应的纹理复杂度，具体包括：
针对所述相关系数小于所述系数阈值的所述子点云块，确定该所述子点云块对应的灰度共生矩阵；
计算所述灰度共生矩阵对应的二次统计熵值，将所述二次统计熵值确定为所述纹理复杂度。
一种可选的实施方式中，所述针对所述纹理复杂度大于预设的复杂度阈值的所述子点云块，确定该所述子点云块对应的相似度加权图，并基于所述相似度加权图压缩所述子点云块，具体包括：
针对所述纹理复杂度大于预设的复杂度阈值的所述子点云块，确定该所述子点云块中，每两个顶点之间的顶点距离；
确定所述子点云块中每个顶点对应的颜色属性值，针对每个顶点，将该顶点对应的所述颜色属性值以及与其相邻的顶点对应的所述颜色属性值进行反距离加权计算，确定该顶点对应的颜色预测值；
根据所述顶点距离以及每两个顶点之间所述颜色预测值的差值，确定所述子点云块中顶点间的边权重，并根据所述边权重构建所述相似度加权图，其中，所述相似度加权图用以通过引入颜色属性信息来反映所述子点云块中顶点间的纹理相似性；
确定所述相似度加权图对应的权重矩阵，根据所述权重矩阵确定所述子点云块对应的拉普拉斯矩阵；
根据所述拉普拉斯矩阵压缩所述子点云块。
一种可选的实施方式中，所述针对所述纹理复杂度小于所述复杂度阈值的所述子点云块，确定该所述子点云块对应的无权图，并基于所述无权图压缩所述子点云块，具体包括：
针对所述纹理复杂度小于所述复杂度阈值的所述子点云块，其中所述子点云块包括一个全局平滑块或多个局部平滑块；
针对所述全局平滑块，利用莫顿码编码所述全局平滑快，构造所述子点云块对应的线性图，用以描述所述全局平滑块的连通性；
针对所述局部平滑块，利用谱聚类算法，根据所述局部平滑块内顶点间的颜色差值进行聚类分析，构建所述子点云块对应的聚类连接图；
确定所述聚类连接图对应的邻接矩阵，根据所述邻接矩阵确定所述子点云块对应的拉普拉斯矩阵；
根据所述拉普拉斯矩阵压缩所述子点云块。
本公开实施例还提供一种点云的压缩装置，所述装置包括：
划分模块，用于获取待压缩点云，将所述待压缩点云划分为多个子点云块；
相关性确定模块，用于针对每个所述子点云块，确定该所述子点云块对应的几何属性信息与颜色属性信息之间的相关系数；
第一压缩模块，用于针对所述相关系数大于预设的系数阈值的所述子点云块，根据所述几何属性信息确定该所述子点云块对应的距离加权图，并基于所述距离加权图压缩所述子点云块；
纹理复杂度确定模块，用于针对所述相关系数小于所述系数阈值的所述子点云块，计算该所述子点云块对应的纹理复杂度；
第二压缩模块，用于针对所述纹理复杂度大于预设的复杂度阈值的所述子点云块，确定该所述子点云块对应的相似度加权图，并基于所述相似度加权图压缩所述子点云块；
第三压缩模块，用于针对所述纹理复杂度小于所述复杂度阈值的所述子点云块，确定该所述子点云块对应的无权图，并基于所述无权图压缩所述子点云块。
一种可选的实施方式中，所述相关性确定模块具体用于：
针对每个所述子点云块，获取该所述子点云块内，各个顶点间的信号差值产生的几何变化信息与颜色变化信息；
将所述几何变化信息与所述颜色变化信息作为所述几何属性信息与所述颜色属性信息之间相关性的评价指标，获取多个所述几何变化信息对应的观测值以及多个所述颜色变化信息对应的观测值；
根据所述几何变化信息对应的观测值以及所述颜色变化信息对应的观测值，确定所述子点云块对应的皮尔森相关系数；
将所述皮尔森相关系数确定为所述几何属性信息与所述颜色属性信息之间的相关系数。
一种可选的实施方式中，所述相关性确定模块还用于：基于以下公式确定所述子点云块对应的皮尔森相关系数：
其中，G为代表所述几何变化信息的参数、C为代表所述颜色变化信息的参数、
代表所述几何变化信息的观测值对应的均值、
代表所述几何变化信息的观测值对应的标准差、
代表所述颜色变化信息的观测值对应的均值、
代表所述颜色变化信息的观测值对应的标准差、M代表所述几何变化信息的观测值与所述颜色变化信息的观测值的数量、
所述几何变化信息的第i个观测值、
代表所述颜色变化信息的第i个观测值、
代表所述皮尔森相关系数。
一种可选的实施方式中，所述第一压缩模块具体用于：
针对所述相关系数大于预设的系数阈值的所述子点云块，确定该所述子点云块中，每两个顶点之间的顶点距离；
根据所述顶点距离以及预设的距离阈值，确定所述子点云块中顶点间的边权重，并根据所述边权重构建所述距离加权图；
确定所述距离加权图对应的权重矩阵，根据所述权重矩阵确定所述子点云块对应的拉普拉斯矩阵；
根据所述拉普拉斯矩阵压缩所述子点云块。
一种可选的实施方式中，所述纹理复杂度确定模块具体用于：
针对所述相关系数小于所述系数阈值的所述子点云块，确定该所述子点云块对应的灰度共生矩阵；
计算所述灰度共生矩阵对应的二次统计熵值，将所述二次统计熵值确定为所述纹理复杂度。
一种可选的实施方式中，所述第二压缩模块具体用于：
针对所述纹理复杂度大于预设的复杂度阈值的所述子点云块，确定该所述子点云块中，每两个顶点之间的顶点距离；
确定所述子点云块中每个顶点对应的颜色属性值，针对每个顶点，将该顶点对应的所述颜色属性值以及与其相邻的顶点对应的所述颜色属性值进行反距离加权计算，确定该顶点对应的颜色预测值；
根据所述顶点距离以及每两个顶点之间所述颜色预测值的差值，确定所述子点云块中顶点间的边权重，并根据所述边权重构建所述相似度加权图，其中，所述相似度加权图用以通过引入颜色属性信息来反映所述子点云块中顶点间的纹理相似性；
确定所述相似度加权图对应的权重矩阵，根据所述权重矩阵确定所述子点云块对应的拉普拉斯矩阵；
根据所述拉普拉斯矩阵压缩所述子点云块。
一种可选的实施方式中，所述第三压缩模块具体用于：
针对所述纹理复杂度小于所述复杂度阈值的所述子点云块，其中所述子点云块包括一个全局平滑块或多个局部平滑块；
针对所述全局平滑块，利用莫顿码编码所述全局平滑快，构造所述子点云块对应的线性图，用以描述所述全局平滑块的连通性；
针对所述局部平滑块，利用谱聚类算法，根据所述局部平滑块内顶点间的颜色差值进行聚类分析，构建所述子点云块对应的聚类连接图；
确定所述聚类连接图对应的邻接矩阵，根据所述邻接矩阵确定所述子点云块对应的拉普拉斯矩阵；
根据所述拉普拉斯矩阵压缩所述子点云块。
本公开实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行上述点云的压缩方法，或上述点云的压缩方法中任一种可能的实施方式中的步骤。
本公开实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述点云的压缩方法，或上述点云的压缩方法中任一种可能的实施方式中的步骤。
本公开实施例提供的一种点云的压缩方法、装置、电子设备及存储介质，通过获取待压缩点云，将待压缩点云划分为多个子点云块；针对每个子点云块，确定该子点云块对应的几何属性信息与颜色属性信息之间的相关系数；针对相关系数大于预设的系数阈值的子点云块，根据几何属性信息确定该子点云块对应的距离加权图，并基于距离加权图压缩子点云块；针对相关系数小于系数阈值的子点云块，计算该子点云块对应的纹理复杂度；针对纹理复杂度大于预设的复杂度阈值的子点云块，确定该子点云块对应的相似度加权图，并基于相似度加权图压缩子点云块；针对纹理复杂度小于复杂度阈值的子点云块，确定该子点云块对应的无权图，并基于无权图压缩子点云块。可以充分考虑点云的几何属性、颜色属性、纹理信息之间的相关性，并具有较优的压缩性能。
为使本公开的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，此处的附图被并入说明书中并构成本说明书中的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。应当理解，以下附图仅示出了本公开的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1示出了本公开实施例所提供的一种点云的压缩方法的流程图；
图2示出了本公开实施例所提供的一种纹理光滑子点云块的压缩方法的流程图；
图3示出了本公开实施例所提供的一种点云的压缩装置的示意图；
图4示出了本公开实施例所提供的一种电子设备的示意图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本公开实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本公开的实施例的详细描述并非旨在限制要求保护的本公开的范围，而是仅仅表示本公开的选定实施例。基于本公开的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本公开保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
本文中术语“和/或”，仅仅是描述一种关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
经研究发现，目前，各种对于点云属性信息的压缩方法已经被提出，变换技术是其中的一个重要分支。目前，点云属性压缩的变换技术可以大致分为三大类：区域自适应层次变换、图傅里叶变换和提升变换。但是上述方法并未考虑点云几何与颜色、纹理信息之间的相关性，压缩性能较差。
基于上述研究，本公开提供了一种点云的压缩方法、装置、电子设备及存储介质，通过获取待压缩点云，将待压缩点云划分为多个子点云块；针对每个子点云块，确定该子点云块对应的几何属性信息与颜色属性信息之间的相关系数；针对相关系数大于预设的系数阈值的子点云块，根据几何属性信息确定该子点云块对应的距离加权图，并基于距离加权图压缩子点云块；针对相关系数小于系数阈值的子点云块，计算该子点云块对应的纹理复杂度；针对纹理复杂度大于预设的复杂度阈值的子点云块，确定该子点云块对应的相似度加权图，并基于相似度加权图压缩子点云块；针对纹理复杂度小于复杂度阈值的子点云块，确定该子点云块对应的无权图，并基于无权图压缩子点云块。可以充分考虑点云的几何属性、颜色属性、纹理信息之间的相关性，并具有较优的压缩性能。
为便于对本实施例进行理解，首先对本公开实施例所公开的一种点云的压缩方法进行详细介绍，本公开实施例所提供的点云的压缩方法的执行主体一般为具有一定计算能力的计算机设备，该计算机设备例如包括：终端设备或服务器或其它处理设备，终端设备可以为用户设备（User Equipment，UE）、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理（Personal Digital Assistant，PDA）、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中，该点云的压缩方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。
参见图1所示，为本公开实施例提供的一种点云的压缩方法的流程图，所述方法包括步骤S101~S106，其中：
S101、获取待压缩点云，将所述待压缩点云划分为多个子点云块。
在具体实施中，可以利用三维KD树结构对待压缩点云进行块划分，对于待压缩点云中的每一个非叶节点，可以被一个超平面划分为两个子空间，并且相应的每一个子空间又可以以相同的方式递归地进行分割划分完毕后，每一个叶子节点即为一个子点云块。
需要说明的是，KD树的分割是沿坐标轴进行的，所有超平面都垂直于相应的坐标轴。例如沿着x轴分割，只需要给定某x值就可以确定超平面的位置，该超平面将原节点空间分割成两个子空间，其中一个子空间的所有点的x值均小于另外一个子空间中所有点的x值。
S102、针对每个所述子点云块，确定该所述子点云块对应的几何属性信息与颜色属性信息之间的相关系数。
在该步骤中，针对每一个子点云块，分析每个子点云块内几何信息与属性信息之间相关性。
具体的，可以针对每个所述子点云块，获取该所述子点云块内，各个顶点间的信号差值产生的几何变化信息与颜色变化信息；将所述几何变化信息与所述颜色变化信息作为所述几何属性信息与所述颜色属性信息之间相关性的评价指标，获取多个所述几何变化信息对应的观测值以及多个所述颜色变化信息对应的观测值；根据所述几何变化信息对应的观测值以及所述颜色变化信息对应的观测值，确定所述子点云块对应的皮尔森相关系数；将所述皮尔森相关系数确定为所述几何属性信息与所述颜色属性信息之间的相关系数。
作为一种可能的实施方式，可以基于以下公式确定所述子点云块对应的皮尔森相关系数：
其中，G为代表所述几何变化信息的参数、C为代表所述颜色变化信息的参数、
代表所述几何变化信息的观测值对应的均值、
代表所述几何变化信息的观测值对应的标准差、
代表所述颜色变化信息的观测值对应的均值、
代表所述颜色变化信息的观测值对应的标准差、M代表所述几何变化信息的观测值与所述颜色变化信息的观测值的数量、
所述几何变化信息的第i个观测值、
代表所述颜色变化信息的第i个观测值、
代表所述皮尔森相关系数。
在具体实施中，几何变化信息与颜色变化信息具有
个观测值，其中N为子点云块中顶点的个数。
进一步的，在确定子点云块中几何属性信息与颜色属性信息之间的相关系数之后，可以将该相关系数的绝对值与一个预设阈值进行二值化操作，用以反映子点云块中几何属性信息与颜色属性信息之间相关性的强弱。
S103、针对所述相关系数大于预设的系数阈值的所述子点云块，根据所述几何属性信息确定该所述子点云块对应的距离加权图，并基于所述距离加权图压缩所述子点云块。
在该步骤中，若相关系数大于预设的系数阈值，这说明该子点云块的几何属性信息与颜色属性信息之间具有较强相关性。针对几何属性信息与颜色属性信息之间具有较强相关性的子点云块，则仅使用几何信息来构建子点云块中顶点信号之间的关系，确定该子点云块对应的距离加权图，并基于距离加权图压缩子点云块。
这里，可以基于以下方法构建子点云块对应的距离加权图：针对所述相关系数大于预设的系数阈值的所述子点云块，确定该所述子点云块中，每两个顶点之间的顶点距离；根据所述顶点距离以及预设的距离阈值，确定所述子点云块中顶点间的边权重，并根据所述边权重构建所述距离加权图。
需要说明的是，预设的系数阈值可以根据实际需要进行选择，在此不做具体限制。
在具体实施中，可以使用基于阈值的高斯核函数来定义距离加权图中的权重，具体如下公式所示：
其中，
代表子点云块中，顶点i与顶点j之间的欧氏距离；
代表子点云块中，顶点i与顶点j之间欧氏距离的平均绝对值偏差；
代表预设的欧氏距离的阈值，
值可以根据实际需要进行设置，在此不做具体限制。
进一步的，根据距离加权图中连接各顶点之间的边对应的边权重，可以确定所述距离加权图对应的权重矩阵，根据所述权重矩阵确定所述子点云块对应的拉普拉斯矩阵；根据所述拉普拉斯矩阵压缩所述子点云块。
在具体实施中，确定距离加权图对应的权重矩阵后，可以根据该权重矩阵确定对应的度矩阵，其中度矩阵为一个对角矩阵，对角线上元素为权重矩阵中每行元素之和，根据度矩阵与权重矩阵之差即可确定子点云块对应的拉普拉斯矩阵。拉普拉斯矩阵对应的特征向量可以反映子点云块对应的属性信息，将拉普拉斯矩阵对应的特征向量利用预设的压缩机进行编码压缩后，即可完成对子点云块的压缩。
S104、针对所述相关系数小于所述系数阈值的所述子点云块，计算该所述子点云块对应的纹理复杂度。
在该步骤中，若相关系数小于系数阈值，则说明该子点云块的几何属性信息与颜色属性信息之间具有较弱相关性。针对几何属性信息与颜色属性信息之间具有较弱相关性的子点云块，需要进行纹理复杂度分析，确定子点云块对应的纹理复杂度。
作为一种可能的实施方式，可以采用以下方法计算子点云块对应的纹理复杂度：针对所述相关系数小于所述系数阈值的所述子点云块，确定该所述子点云块对应的灰度共生矩阵；计算所述灰度共生矩阵对应的二次统计熵值，将所述二次统计熵值确定为所述纹理复杂度。
这里，可以使用灰度共生矩阵（Gray-Level Co-occurrence Matrix，GLCM）为纹理复杂度度量，用以计算子点云块中灰度对的出现次数，其中，灰度对为子点云块中的顶点与其相邻的顶点之间的量化亮度值。
需要说明的是，为了克服熵度量的随机性和无序性，可以使用对于GLCM的二次统计熵值来评估子点云块的纹理复杂度，计算二次统计熵值的公式如下所示：
其中，
代表灰度共生矩阵对应的二次统计熵；L代表预设的灰度级别，可以根据实际需要进行设置，在此不做具体限制；
代表灰度共生矩阵。
在具体实施中，二次统计熵值越高代表子点云块的纹理越复杂，二次统计熵值越低则代表子点云块的纹理越平滑。
S105、针对所述纹理复杂度大于预设的复杂度阈值的所述子点云块，确定该所述子点云块对应的相似度加权图，并基于所述相似度加权图压缩所述子点云块。
在该步骤中，若纹理复杂度大于预设的复杂度阈值，则说明该子点云块的纹理较为复杂。针对几何属性信息与颜色属性信息之间具有较弱相关性但是纹理较为复杂的子点云块，需要引入颜色空间来提供更多信息，因此采用相似度加权图进行压缩。
需要说明的是，预设的复杂度阈值可以根据实际需要进行选择，在此不做具体限制。
作为一种可能的实施方式，可以采用以下方法确定反映子点云块中顶点间的纹理相似性的相似度加权图：确定所述子点云块中每个顶点对应的颜色属性值，针对每个顶点，将该顶点对应的所述颜色属性值以及与其相邻的顶点对应的所述颜色属性值进行反距离加权计算，确定该顶点对应的颜色预测值；根据所述顶点距离以及每两个顶点之间所述颜色预测值的差值，确定所述子点云块中顶点间的边权重，并根据所述边权重构建所述相似度加权图，其中，所述相似度加权图用以通过引入颜色属性信息来反映所述子点云块中顶点间的纹理相似性。
具体的，可以基于以下公式定义相似度加权图中的边权重：
其中，
代表子点云块中，顶点i与顶点j之间的欧氏距离；
代表子点云块中，顶点i与顶点j之间欧氏距离的平均绝对值偏差；
代表预设的欧氏距离的阈值，
值可以根据实际需要进行设置，在此不做具体限制；
是代表子点云块中，顶点i与顶点j之间颜色预测值之间的差值；
代表子点云块中，顶点i与顶点j之间颜色预测值的差值之间的平均绝对值偏差；
代表子点云块中，顶点i与顶点j之间颜色预测值的差值对应的预设阈值，
值可以根据实际需要进行设置，在此不做具体限制。
需要说明的是，子点云块中顶点的颜色预测值可以通过子点云块中相邻顶点颜色属性值的反距离加权获得，具体公式如下所示：
其中，
代表顶点i对应的颜色预测值；
代表顶点j对应的颜色重建值，顶点j为与顶点i相邻的已编码节点；
代表顶点i与顶点j之间的欧氏距离。
进一步的，根据相似度加权图中连接各顶点之间的边对应的边权重，可以确定所述相似度加权图对应的权重矩阵，根据所述权重矩阵确定所述子点云块对应的拉普拉斯矩阵；根据所述拉普拉斯矩阵压缩所述子点云块。
其中，相似度加权图对应的权重矩阵为一种同时考虑子点云块几何信息和属性信息的图傅里叶变换权重矩阵。
在具体实施中，确定相似度加权图对应的权重矩阵后，可以根据该权重矩阵确定对应的度矩阵，其中度矩阵为一个对角矩阵，对角线上元素为权重矩阵中每行元素之和，根据度矩阵与权重矩阵之差即可确定子点云块对应的拉普拉斯矩阵。拉普拉斯矩阵对应的特征向量可以反映子点云块对应的属性信息，将拉普拉斯矩阵对应的特征向量利用预设的压缩机进行编码压缩后，即可完成对该子点云块的压缩。
S106、针对所述纹理复杂度小于所述复杂度阈值的所述子点云块，确定该所述子点云块对应的无权图，并基于所述无权图压缩所述子点云块。
在该步骤中，若纹理复杂度小于预设的复杂度阈值，则说明该子点云块的纹理较为光滑。针对几何属性信息与颜色属性信息之间具有较弱相关性但是纹理较为光滑的子点云块，则采用无权图进行压缩。
作为一种可能的实施方式，针对纹理较为光滑的子点云块的压缩方法可以参见图2所示，图2为本公开实施例提供的一种纹理光滑子点云块的压缩方法的流程图，所述方法包括步骤S1061~S1064，其中，纹理复杂度小于所述复杂度阈值的所述子点云块包括一个相似数据簇，即全局平滑块或多个相似数据块，即局部平滑块。
S1061、针对所述全局平滑块，利用莫顿码编码所述全局平滑快，构造所述子点云块对应的线性图，用以描述所述全局平滑块的连通性。
在具体实施中，用于压缩纹理平滑子点云块的无权图包括基于莫顿编码的线形图，这里采用基于莫顿编码的线形图描述纹理平滑子点云块中，全局平滑块的连通性。
这样，采用基于莫顿编码的线形图描述纹理平滑子点云块中的连通性进而代替完全连接图，可以降低计算复杂度。
S1062、针对所述局部平滑块，利用谱聚类算法，根据所述局部平滑块内顶点间的颜色差值进行聚类分析，构建所述子点云块对应的聚类连接图。
在具体实施中，用于压缩纹理平滑子点云块的无权图还包括基于聚类分析的连接图，这里采用基于聚类分析的连接图描述纹理平滑子点云块中，局部平滑块的连通性。
具体的，进行聚类分析可以将纹理较为光滑的子点云块中的多个局部平滑区域进行聚类，以更好的分析局部平滑区域内各个顶点之间的相关性。
作为一种可能的实施方式，聚类分析可以采用谱聚类的方式，其所使用的图聚类权重可以采用高斯核函数，通过以下公式定义：
其中，
代表连接顶点
和
的边的权值，
代表顶点
和
的颜色差值，
代表c对应的平均绝对偏差，用来控制相似度度量对差异的敏感度。
S1063、确定所述聚类连接图对应的邻接矩阵，根据所述邻接矩阵确定所述子点云块对应的拉普拉斯矩阵。
在具体实施中，可以采用邻接矩阵来描述聚类连接图中，针对纹理平滑子点云块中，局部平滑块聚类内的强相关性和聚类间的弱相关性，在确定聚类连接图对应的邻接矩阵之后，可以根据该邻接矩阵确定对应的度矩阵，其中度矩阵为一个对角矩阵，对角线上元素为邻接矩阵中每行元素之和，根据度矩阵与邻接矩阵之差即可确定子点云块对应的拉普拉斯矩阵。
S1064、根据所述拉普拉斯矩阵压缩所述子点云块。
在具体实施中，拉普拉斯矩阵对应的特征向量可以反映子点云块对应的属性信息，将拉普拉斯矩阵对应的特征向量利用预设的压缩机进行编码压缩后，即可完成对该子点云块的压缩。
本公开实施例提供的一种点云的压缩方法，通过获取待压缩点云，将待压缩点云划分为多个子点云块；针对每个子点云块，确定该子点云块对应的几何属性信息与颜色属性信息之间的相关系数；针对相关系数大于预设的系数阈值的子点云块，根据几何属性信息确定该子点云块对应的距离加权图，并基于距离加权图压缩子点云块；针对相关系数小于系数阈值的子点云块，计算该子点云块对应的纹理复杂度；针对纹理复杂度大于预设的复杂度阈值的子点云块，确定该子点云块对应的相似度加权图，并基于相似度加权图压缩子点云块；针对纹理复杂度小于复杂度阈值的子点云块，确定该子点云块对应的无权图，并基于无权图压缩子点云块。可以充分考虑点云的几何属性、颜色属性、纹理信息之间的相关性，以实现较优的压缩性能。
本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
基于同一发明构思，本公开实施例中还提供了与点云的压缩方法对应的点云的压缩装置，由于本公开实施例中的装置解决问题的原理与本公开实施例上述点云的压缩方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。
请参阅图3，图3为本公开实施例提供的一种点云的压缩装置的示意图。如图3中所示，本公开实施例提供的点云的压缩装置300包括：
划分模块310，用于获取待压缩点云，将所述待压缩点云划分为多个子点云块；
相关性确定模块320，用于针对每个所述子点云块，确定该所述子点云块对应的几何属性信息与颜色属性信息之间的相关系数；
第一压缩模块330，用于针对所述相关系数大于预设的系数阈值的所述子点云块，根据所述几何属性信息确定该所述子点云块对应的距离加权图，并基于所述距离加权图压缩所述子点云块；
纹理复杂度确定模块340，用于针对所述相关系数小于所述系数阈值的所述子点云块，计算该所述子点云块对应的纹理复杂度；
第二压缩模块350，用于针对所述纹理复杂度大于预设的复杂度阈值的所述子点云块，确定该所述子点云块对应的相似度加权图，并基于所述相似度加权图压缩所述子点云块；
第三压缩模块360，用于针对所述纹理复杂度小于所述复杂度阈值的所述子点云块，确定该所述子点云块对应的无权图，并基于所述无权图压缩所述子点云块。
一种可选的实施方式中，所述相关性确定模块320具体用于：
针对每个所述子点云块，获取该所述子点云块内，各个顶点间的信号差值产生的几何变化信息与颜色变化信息；
将所述几何变化信息与所述颜色变化信息作为所述几何属性信息与所述颜色属性信息之间相关性的评价指标，获取多个所述几何变化信息对应的观测值以及多个所述颜色变化信息对应的观测值；
根据所述几何变化信息对应的观测值以及所述颜色变化信息对应的观测值，确定所述子点云块对应的皮尔森相关系数；
将所述皮尔森相关系数确定为所述几何属性信息与所述颜色属性信息之间的相关系数。
一种可选的实施方式中，所述相关性确定模块320还用于：基于以下公式确定所述子点云块对应的皮尔森相关系数：
其中，G为代表所述几何变化信息的参数、C为代表所述颜色变化信息的参数、
代表所述几何变化信息的观测值对应的均值、
代表所述几何变化信息的观测值对应的标准差、
代表所述颜色变化信息的观测值对应的均值、
代表所述颜色变化信息的观测值对应的标准差、M代表所述几何变化信息的观测值与所述颜色变化信息的观测值的数量、
所述几何变化信息的第i个观测值、
代表所述颜色变化信息的第i个观测值、
代表所述皮尔森相关系数。
一种可选的实施方式中，所述第一压缩模块330具体用于：
针对所述相关系数大于预设的系数阈值的所述子点云块，确定该所述子点云块中，每两个顶点之间的顶点距离；
根据所述顶点距离以及预设的距离阈值，确定所述子点云块中顶点间的边权重，并根据所述边权重构建所述距离加权图；
确定所述距离加权图对应的权重矩阵，根据所述权重矩阵确定所述子点云块对应的拉普拉斯矩阵；
根据所述拉普拉斯矩阵压缩所述子点云块。
一种可选的实施方式中，所述纹理复杂度确定模块340具体用于：
针对所述相关系数小于所述系数阈值的所述子点云块，确定该所述子点云块对应的灰度共生矩阵；
计算所述灰度共生矩阵对应的二次统计熵值，将所述二次统计熵值确定为所述纹理复杂度。
一种可选的实施方式中，所述第二压缩模块350具体用于：
针对所述纹理复杂度大于预设的复杂度阈值的所述子点云块，确定该所述子点云块中，每两个顶点之间的顶点距离；
确定所述子点云块中每个顶点对应的颜色属性值，针对每个顶点，将该顶点对应的所述颜色属性值以及与其相邻的顶点对应的所述颜色属性值进行反距离加权计算，确定该顶点对应的颜色预测值；
根据所述顶点距离以及每两个顶点之间所述颜色预测值的差值，确定所述子点云块中顶点间的边权重，并根据所述边权重构建所述相似度加权图，其中，所述相似度加权图用以通过引入颜色属性信息来反映所述子点云块中顶点间的纹理相似性；
确定所述相似度加权图对应的权重矩阵，根据所述权重矩阵确定所述子点云块对应的拉普拉斯矩阵；
根据所述拉普拉斯矩阵压缩所述子点云块。
一种可选的实施方式中，所述第三压缩模块360具体用于：
针对所述纹理复杂度小于所述复杂度阈值的所述子点云块，其中所述子点云块包括一个全局平滑块或多个局部平滑块；
针对所述全局平滑块，利用莫顿码编码所述全局平滑快，构造所述子点云块对应的线性图，用以描述所述全局平滑块的连通性；
针对所述局部平滑块，利用谱聚类算法，根据所述局部平滑块内顶点间的颜色差值进行聚类分析，构建所述子点云块对应的聚类连接图；
确定所述聚类连接图对应的邻接矩阵，根据所述邻接矩阵确定所述子点云块对应的拉普拉斯矩阵；
根据所述拉普拉斯矩阵压缩所述子点云块。
关于装置中的各模块的处理流程、以及各模块之间的交互流程的描述可以参照上述方法实施例中的相关说明，这里不再详述。
本公开实施例提供的一种点云的压缩装置，通过获取待压缩点云，将待压缩点云划分为多个子点云块；针对每个子点云块，确定该子点云块对应的几何属性信息与颜色属性信息之间的相关系数；针对相关系数大于预设的系数阈值的子点云块，根据几何属性信息确定该子点云块对应的距离加权图，并基于距离加权图压缩子点云块；针对相关系数小于系数阈值的子点云块，计算该子点云块对应的纹理复杂度；针对纹理复杂度大于预设的复杂度阈值的子点云块，确定该子点云块对应的相似度加权图，并基于相似度加权图压缩子点云块；针对纹理复杂度小于复杂度阈值的子点云块，确定该子点云块对应的无权图，并基于无权图压缩子点云块。可以充分考虑点云的几何属性、颜色属性、纹理信息之间的相关性，以实现较优的压缩性能。
对应于图1中的点云的压缩方法，本公开实施例还提供了一种电子设备400，如图4所示，为本公开实施例提供的电子设备400结构示意图，包括：
处理器41、存储器42、和总线43；存储器42用于存储执行指令，包括内存421和外部存储器422；这里的内存421也称内存储器，用于暂时存放处理器41中的运算数据，以及与硬盘等外部存储器422交换的数据，处理器41通过内存421与外部存储器422进行数据交换，当所述电子设备400运行时，所述处理器41与所述存储器42之间通过总线43通信，使得所述处理器41执行图1中的点云的压缩方法的步骤。
本公开实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述方法实施例中所述的点云的压缩方法的步骤。其中，该存储介质可以是易失性或非易失的计算机可读取存储介质。
本公开实施例还提供一种计算机程序产品，该计算机程序产品包括有计算机指令，所述计算机指令被处理器执行时可以执行上述方法实施例中所述的点云的压缩方法的步骤，具体可参见上述方法实施例，在此不再赘述。
其中，上述计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包（Software Development Kit，SDK）等等。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。在本公开所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本公开各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本公开的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本公开各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（Read-OnlyMemory，ROM）、随机存取存储器（Random Access Memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本公开的具体实施方式，用以说明本公开的技术方案，而非对其限制，本公开的保护范围并不局限于此，尽管参照前述实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本公开实施例技术方案的精神和范围，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种点云的压缩方法，其特征在于，包括：
获取待压缩点云，将所述待压缩点云划分为多个子点云块；
针对每个所述子点云块，确定该所述子点云块对应的几何属性信息与颜色属性信息之间的相关系数；
针对所述相关系数大于预设的系数阈值的所述子点云块，根据所述几何属性信息确定该所述子点云块对应的距离加权图，并基于所述距离加权图压缩所述子点云块；
针对所述相关系数小于所述系数阈值的所述子点云块，计算该所述子点云块对应的纹理复杂度；
针对所述纹理复杂度大于预设的复杂度阈值的所述子点云块，确定该所述子点云块对应的相似度加权图，并基于所述相似度加权图压缩所述子点云块；
针对所述纹理复杂度小于所述复杂度阈值的所述子点云块，确定该所述子点云块对应的无权图，并基于所述无权图压缩所述子点云块。
2.根据权利要求1所述的方法，其特征在于，所述针对每个所述子点云块，确定该所述子点云块对应的几何属性信息与颜色属性信息之间的相关系数，具体包括：
针对每个所述子点云块，获取该所述子点云块内，各个顶点间的信号差值产生的几何变化信息与颜色变化信息；
将所述几何变化信息与所述颜色变化信息作为所述几何属性信息与所述颜色属性信息之间相关性的评价指标，获取多个所述几何变化信息对应的观测值以及多个所述颜色变化信息对应的观测值；
根据所述几何变化信息对应的观测值以及所述颜色变化信息对应的观测值，确定所述子点云块对应的皮尔森相关系数；
将所述皮尔森相关系数确定为所述几何属性信息与所述颜色属性信息之间的相关系数。
3.根据权利要求2所述的方法，其特征在于，基于以下公式确定所述子点云块对应的皮尔森相关系数：
其中，G为代表所述几何变化信息的参数、C为代表所述颜色变化信息的参数、
代表所述几何变化信息的观测值对应的均值、
代表所述几何变化信息的观测值对应的标准差、
代表所述颜色变化信息的观测值对应的均值、
代表所述颜色变化信息的观测值对应的标准差、M代表所述几何变化信息的观测值与所述颜色变化信息的观测值的数量、
所述几何变化信息的第i个观测值、
代表所述颜色变化信息的第i个观测值、
代表所述皮尔森相关系数。
4.根据权利要求1所述的方法，其特征在于，所述针对所述相关系数大于预设的系数阈值的所述子点云块，根据所述几何属性信息确定该所述子点云块对应的距离加权图，并基于所述距离加权图压缩所述子点云块，具体包括：
针对所述相关系数大于预设的系数阈值的所述子点云块，确定该所述子点云块中，每两个顶点之间的顶点距离；
根据所述顶点距离以及预设的距离阈值，确定所述子点云块中顶点间的边权重，并根据所述边权重构建所述距离加权图；
确定所述距离加权图对应的权重矩阵，根据所述权重矩阵确定所述子点云块对应的拉普拉斯矩阵；
根据所述拉普拉斯矩阵压缩所述子点云块。
5.根据权利要求1所述的方法，其特征在于，所述针对所述相关系数小于所述系数阈值的所述子点云块，计算该所述子点云块对应的纹理复杂度，具体包括：
针对所述相关系数小于所述系数阈值的所述子点云块，确定该所述子点云块对应的灰度共生矩阵；
计算所述灰度共生矩阵对应的二次统计熵值，将所述二次统计熵值确定为所述纹理复杂度。
6.根据权利要求1所述的方法，其特征在于，所述针对所述纹理复杂度大于预设的复杂度阈值的所述子点云块，确定该所述子点云块对应的相似度加权图，并基于所述相似度加权图压缩所述子点云块，具体包括：
针对所述纹理复杂度大于预设的复杂度阈值的所述子点云块，确定该所述子点云块中，每两个顶点之间的顶点距离；
确定所述子点云块中每个顶点对应的颜色属性值，针对每个顶点，将该顶点对应的所述颜色属性值以及与其相邻的顶点对应的所述颜色属性值进行反距离加权计算，确定该顶点对应的颜色预测值；
根据所述顶点距离以及每两个顶点之间所述颜色预测值的差值，确定所述子点云块中顶点间的边权重，并根据所述边权重构建所述相似度加权图，其中，所述相似度加权图用以通过引入颜色属性信息来反映所述子点云块中顶点间的纹理相似性；
确定所述相似度加权图对应的权重矩阵，根据所述权重矩阵确定所述子点云块对应的拉普拉斯矩阵；
根据所述拉普拉斯矩阵压缩所述子点云块。
7.根据权利要求1所述的方法，其特征在于，所述针对所述纹理复杂度小于所述复杂度阈值的所述子点云块，确定该所述子点云块对应的无权图，并基于所述无权图压缩所述子点云块，具体包括：
针对所述纹理复杂度小于所述复杂度阈值的所述子点云块，其中所述子点云块包括一个全局平滑块或多个局部平滑块；
针对所述全局平滑块，利用莫顿码编码所述全局平滑快，构造所述子点云块对应的线性图，用以描述所述全局平滑块的连通性；
针对所述局部平滑块，利用谱聚类算法，根据所述局部平滑块内顶点间的颜色差值进行聚类分析，构建所述子点云块对应的聚类连接图；
确定所述聚类连接图对应的邻接矩阵，根据所述邻接矩阵确定所述子点云块对应的拉普拉斯矩阵；
根据所述拉普拉斯矩阵压缩所述子点云块。
8.一种点云的压缩装置，其特征在于，包括：
划分模块，用于获取待压缩点云，将所述待压缩点云划分为多个子点云块；
相关性确定模块，用于针对每个所述子点云块，确定该所述子点云块对应的几何属性信息与颜色属性信息之间的相关系数；
第一压缩模块，用于针对所述相关系数大于预设的系数阈值的所述子点云块，根据所述几何属性信息确定该所述子点云块对应的距离加权图，并基于所述距离加权图压缩所述子点云块；
纹理复杂度确定模块，用于针对所述相关系数小于所述系数阈值的所述子点云块，计算该所述子点云块对应的纹理复杂度；
第二压缩模块，用于针对所述纹理复杂度大于预设的复杂度阈值的所述子点云块，确定该所述子点云块对应的相似度加权图，并基于所述相似度加权图压缩所述子点云块；
第三压缩模块，用于针对所述纹理复杂度小于所述复杂度阈值的所述子点云块，确定该所述子点云块对应的无权图，并基于所述无权图压缩所述子点云块。
9.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如权利要求1至7中任一项所述的点云的压缩方法的步骤。
10.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1至7中任一项所述的点云的压缩方法的步骤。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210700940.6A CN114782564B (zh) | 2022-06-21 | 2022-06-21 | 一种点云的压缩方法、装置、电子设备及存储介质 |
| PCT/CN2022/134512 WO2023245981A1 (zh) | 2022-06-20 | 2022-11-25 | 一种点云的压缩方法、装置、电子设备及存储介质 |
| PCT/CN2022/134513 WO2023245982A1 (zh) | 2022-06-20 | 2022-11-25 | 一种点云的压缩方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210700940.6A CN114782564B (zh) | 2022-06-21 | 2022-06-21 | 一种点云的压缩方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114782564A true CN114782564A (zh) | 2022-07-22 |
| CN114782564B CN114782564B (zh) | 2022-09-09 |
Family
ID=82420988
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210700940.6A Active CN114782564B (zh) | 2022-06-20 | 2022-06-21 | 一种点云的压缩方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114782564B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023245982A1 (zh) * | 2022-06-20 | 2023-12-28 | 北京大学深圳研究生院 | 一种点云的压缩方法、装置、电子设备及存储介质 |
| CN117579832A (zh) * | 2023-12-04 | 2024-02-20 | 延边大学 | 一种基于自适应采样和量化的点云属性压缩方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN108632621A (zh) * | 2018-05-09 | 2018-10-09 | 北京大学深圳研究生院 | 一种基于层次划分的点云属性压缩方法 |
| CN111512342A (zh) * | 2017-12-22 | 2020-08-07 | 三星电子株式会社 | 在点云压缩中处理重复点的方法和装置 |
| US20210090301A1 (en) * | 2019-09-24 | 2021-03-25 | Apple Inc. | Three-Dimensional Mesh Compression Using a Video Encoder |
| CN112637594A (zh) * | 2020-12-23 | 2021-04-09 | 青岛大学 | 一种基于比特流的无参考3d点云质量评估方法 |
| CN113096200A (zh) * | 2021-03-24 | 2021-07-09 | 中山大学 | 一种基于法向量的点云属性压缩方法、装置、设备及介质 |
| CN113096198A (zh) * | 2021-03-01 | 2021-07-09 | 中山大学 | 一种双向点云属性预测压缩方法，装置，设备及介质 |
-
2022
- 2022-06-21 CN CN202210700940.6A patent/CN114782564B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111512342A (zh) * | 2017-12-22 | 2020-08-07 | 三星电子株式会社 | 在点云压缩中处理重复点的方法和装置 |
| 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 |
| WO2019153342A1 (zh) * | 2018-02-11 | 2019-08-15 | 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 |
| CN108632621A (zh) * | 2018-05-09 | 2018-10-09 | 北京大学深圳研究生院 | 一种基于层次划分的点云属性压缩方法 |
| US20210090301A1 (en) * | 2019-09-24 | 2021-03-25 | Apple Inc. | Three-Dimensional Mesh Compression Using a Video Encoder |
| CN112637594A (zh) * | 2020-12-23 | 2021-04-09 | 青岛大学 | 一种基于比特流的无参考3d点云质量评估方法 |
| CN113096198A (zh) * | 2021-03-01 | 2021-07-09 | 中山大学 | 一种双向点云属性预测压缩方法，装置，设备及介质 |
| CN113096200A (zh) * | 2021-03-24 | 2021-07-09 | 中山大学 | 一种基于法向量的点云属性压缩方法、装置、设备及介质 |
Non-Patent Citations (2)
| Title |
|---|
| FEI SONGDENG: ""Rate-Distortion Optimized Graph for Point Cloud Attribute Coding"", 《IEEE SIGNAL PROCESSING LETTERS》 * |
| 王韦韦: ""三维点云数据压缩与质量增强技术研究"", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023245982A1 (zh) * | 2022-06-20 | 2023-12-28 | 北京大学深圳研究生院 | 一种点云的压缩方法、装置、电子设备及存储介质 |
| CN117579832A (zh) * | 2023-12-04 | 2024-02-20 | 延边大学 | 一种基于自适应采样和量化的点云属性压缩方法 |
| CN117579832B (zh) * | 2023-12-04 | 2024-06-21 | 延边大学 | 一种基于自适应采样和量化的点云属性压缩方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114782564B (zh) | 2022-09-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114782564B (zh) | 一种点云的压缩方法、装置、电子设备及存储介质 | |
| Schnabel et al. | Octree-based Point-Cloud Compression. | |
| US10552989B2 (en) | Point cloud attribute compression method based on KD tree and optimized graph transformation | |
| CN108875813B (zh) | 一种基于几何图像的三维网格模型检索方法 | |
| Morell et al. | Geometric 3D point cloud compression | |
| Huang et al. | Octree-Based Progressive Geometry Coding of Point Clouds. | |
| US8625911B2 (en) | Compression of 3D meshes with repeated patterns | |
| Maximo et al. | A robust and rotationally invariant local surface descriptor with applications to non-local mesh processing | |
| Zhang et al. | Clustering and DCT based color point cloud compression | |
| WO2022067790A1 (zh) | 一种点云分层方法及解码器、编码器、存储介质 | |
| CN109345582A (zh) | 基于优化的置信传播算法和稀疏表示的深度图像获取方法 | |
| CN114785998A (zh) | 一种点云的压缩方法、装置、电子设备及存储介质 | |
| CN111488810A (zh) | 人脸识别方法、装置、终端设备及计算机可读介质 | |
| CN112672168A (zh) | 基于图卷积的点云压缩方法及装置 | |
| CN113822825B (zh) | 基于3d-r2n2的光学建筑目标三维重建方法 | |
| Lee et al. | Imat: The iterative medial axis transform | |
| CN109767480B (zh) | 基于显著性和空间特征的三维网格动画压缩方法 | |
| CN114463548A (zh) | 一种基于视觉特征与胶囊网络的图像分类方法 | |
| WO2023179710A1 (zh) | 编码方法及终端 | |
| CN113920466A (zh) | 先验空间的生成方法、装置、计算机设备和存储介质 | |
| CN117409144A (zh) | 三维实体模型的重建方法、装置、设备、介质和程序产品 | |
| WO2023245982A1 (zh) | 一种点云的压缩方法、装置、电子设备及存储介质 | |
| Saval-Calvo et al. | Evaluation of sampling method effects in 3D non-rigid registration | |
| Masuda | Surface curvature estimation from the signed distance field | |
| Guo et al. | Method for compressing point cloud according to curvature standard |
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 |