CN115484462A - 一种数据处理方法、装置、电子设备和存储介质 - Google Patents
一种数据处理方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN115484462A CN115484462A CN202110662694.5A CN202110662694A CN115484462A CN 115484462 A CN115484462 A CN 115484462A CN 202110662694 A CN202110662694 A CN 202110662694A CN 115484462 A CN115484462 A CN 115484462A
- Authority
- CN
- China
- Prior art keywords
- attribute
- prediction table
- attribute information
- value
- point cloud
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 64
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 8
- 238000000638 solvent extraction Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 16
- 230000005540 biological transmission Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000013507 mapping Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 230000007717 exclusion Effects 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
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
- H04N19/50—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding
- H04N19/597—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding specially adapted for multi-view video sequence encoding
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
Abstract
本申请实施例提供了一种数据处理方法、装置、电子设备和存储介质,其中,该方法包括:确定点云的属性信息对应的预测表;根据所述预测表确定所述属性信息的残差和预测值索引;编码所述残差和所述预测值索引以形成码流发送或存储。本申请实施例根据点云的属性信息特点获取预测表,按照预测表确定属性信息编码使用的残差和预测值索引,可降低点云属性信息编码代价,提高属性信息的编码性能。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种数据处理方法、装置、电子设备和存储介质。
背景技术
随着万物互联时代的,多种多样的数据在不同设备间传输。随着三维扫描技术和系统的日趋成熟,描述物体三维结构的点云数据在测绘、汽车驾驶、农业、规划设计、考古与文物保护、医疗和游戏娱乐等方面得到广泛应用。而点云数据具有获取快速且精准的特点,使得点云数据在图像处理技术领域中尤其得到重视。然而经过扫描后生成的点云数据量往往大于几万比特甚至更高,这导致点云数据的存储和传输需要花费大量资源,需要对点云数据进行压缩。
目前常见的点云数据压缩方法可以分为基于视频的点云编码(Video-basedPoint Cloud Coding,V-PCC)和基于几何的点云编码(Geometry-based Point CloudCoding,G-PCC)。其中,G-PCC的压缩方法通常为将点云数据转换为几何信息和属性信息等,然后将几何信息和属性信息编码为码流,对于属性信息编码主要分为三类:基于变换的编码方法、基于映射的编码方法以及基于预测的编码方法。基于变换的编码方法是利用重建的几何信息来设计属性变换,以去除属性信息之间的相关性。基于映射的编码方法是基于映射的几何编码采用相同的投影方式,在使用视频编码技术对重着色之后的属性视频进行编码。基于预测的编码方法是利用现有的属性信息对当前属性信息进行预测,降低当前属性信息的编码代价。点云数据的属性信息按照基于预测的编码方法进行编码时,由于三维空间与视频的特征较大,导致属性编码的编码性能较低,目前亟需一种基于三维点云数据的特性进行编码的技术方案。
发明内容
本申请实施例的主要目的在于提出一种数据处理方法、装置、电子设备和存储介质,其旨在提高三维点云数据的编码效率。
本申请实施例提供了一种数据处理方法,该方法包括以下步骤:
确定点云的属性信息对应的预测表;
根据所述预测表确定所述属性信息的残差和预测值索引;
编码所述残差和所述预测值索引以形成码流发送或存储。
本申请实施例还提供了一种数据处理方法,该方法包括以下步骤:
接收码流并获取所述码流中的残差和预测值索引;
确定所述残差和所述预测值索引对应的预测表;
按照所述预测表、所述残差和所述预测值索引确定点云的属性信息。
本申请实施例还提供了一种数据处理装置,该装置包括:
预测表模块,用于确定点云的属性信息对应的预测表;
残差确定模块,用于根据所述预测表确定所述属性信息的残差和预测值索引;
数据编码模块,用于编码所述残差和所述预测值索引以形成码流发送或存储。
本申请实施例还提供了一种数据处理装置,该装置包括:
码流接收模块,用于接收码流并获取所述码流中的残差和预测值索引;
预测表模块,用于确定所述残差和所述预测值索引对应的预测表;
数据解码模块,用于按照所述预测表、所述残差和所述预测值索引确定点云的属性信息。
本申请实施例还提供了一种电子设备,该电子设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本申请实施例中任一所述的数据处理方法。
本申请实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行实现如本申请实施例中任一所述的数据处理方法。
本申请实施例,通过确定出点云属性信息的预测表,按照预测表处理属性信息以获取残差和预测值索引,将残差和预测值索引添加到码流发送或存储,根据点云属性信息的特点获取预测表,按照预测表确定残差和预测值索引,可降低点云属性信息编码代价,提高属性信息的编码性能。
附图说明
图1是本申请实施例提供的一种数据处理方法的流程图;
图2是本申请实施例提供的一种数据处理方法的流程图;
图3是本申请实施例提供的一种数据处理方法的流程图;
图4是本申请实施例提供的一种数据处理方法的示例图;
图5是本申请实施例提供的另一种数据处理方法的流程图;
图6是本申请实施例提供的另一种数据处理方法的示例图;
图7是本申请实施例提供的一种预测表传输的示例图;
图8是本申请实施例提供的另一种数据处理方法的流程图;
图9是本申请实施例提供的一种数据处理方法的示例图;
图10是本申请实施例提供的一种数据处理装置的结构示意图;
图11是本申请实施例提供的一种数据处理装置的结构示意图;
图12是本申请实施例提供的一种数据处理装置的示例图;
图13是本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
在后续的描述中,使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明,其本身没有特有的意义。因此,“模块”、“部件”或“单元”可以混合地使用。
图1是本申请实施例提供的一种数据处理方法的流程图,本申请实施例可适用于三维点云的属性信息进行编码的情况,该方法可以由本申请实施例提供的数据处理装置来执行,该装置可以通过软件和/或硬件方式实现,参见图1,本申请实施例提供的方法具体包括如下步骤:
步骤110、确定点云的属性信息对应的预测表。
其中,点云可以是由空间中一组无规则分布、表达三维物体或场景空间结构和表面属性的离散点集所构成的。点云中的点除了几何坐标还包括了一些附加属性,比如颜色,反射率等。这些附加属性可以被称为属性信息,由于采集点云的方式不同,可以分为根据激光测量原理得到的点云,点云的属性信息可以包括三维坐标(XYZ)和激光反射强度(Reflectance);根据摄影测量原理得到的点云,点云的属性信息可以包括三维坐标和颜色信息(RGB);结合激光测量和摄影测量原理得到的点云,点云的属性信息可以包括三维坐标、激光反射强度和颜色信息。预测表可以是在属性信息压缩时使用的信息参照表,预测表中可以包括属性信息的预测值以及预测值索引。
在本申请实施例中,可以提取到点云的属性信息,可以提取属性信息的特征,可以使用特征获取到对应的预测表。示例性的,可以提取点云的所有的属性信息,可以统计属性信息的取值规律,可以按照该取值规律获取与该取值规律对应的预测表,还可以将点云的所有属性信息输入到预先训练的神经网络模型,将神经网络模型输出的预测结果作为预测表。
步骤120、根据预测表确定属性信息的残差和预测值索引。
其中,残差可以是各属性信息与预测表中预测值的差值,残差可以用于属性信息的编码压缩,预测值索引可以标识预测表中各预测值的唯一标识号,预测值索引可以在属性信息编码时使用。
具体的,可以将属性信息与预测表中对应的预测值进行比较,可以将预测值与属性信息的取值的差值作为残差,并将该预测值的唯一标识号作为预测值索引。
步骤130、编码残差和预测值索引以形成码流发送或存储。
其中,码流可以是视频或图像数据经过编码压缩后形成的数据,码流可以在发送端和接收端之间发送。
在本申请实施例中,可以将残差和预测值索引进行压缩编码后形成码流,可以将该码流发送或存储。
本申请实施例中,通过确定出点云属性信息的预测表,按照预测表处理属性信息以获取残差和预测值索引,并将残差和预测值索引添加到码流,发送或存储该码流,根据点云属性信息的特点获取预测表,按照预测表确定属性信息编码使用的残差和预测值索引,可降低点云属性信息编码代价,提高属性信息的编码性能。
图2是本申请实施例提供的一种数据处理方法的流程图,本申请实施例是在上述申请实施例基础上的具体化,参见图2,本申请实施例提供的方法具体包括如下步骤:
步骤210、按照各属性信息的取值确定点云属性分布特征。
其中,点云属性分布特征可以是表示点云中属性信息的取值分布情况的特征,点云属性分布特征可以反映取值的分散情况,点云属性分布特征可以借助神经网络或者统计直方图等方式确定。
在本申请实施例中,可以采集点云所有的属性信息的取值,或者采集部分点云的属性信息的取值,可以按照该取值进行分析确定对应的点云属性分布特征,例如,可以生成各属性信息取值的统计直方图,将统计直方图中的各取值的分布情况作为点云属性分布特征。
步骤220、根据点云属性分布特征生成预测表。
具体的,可以按照点云属性分布特征生成预测表,例如,可以根据点云属性分布特征为各属性信息的取值生成对应的权重,可以按照权重将一个或者多个属性信息的取值填充到预测表并生成各取值的预测值索引,又例如,可以将点云属性分布特征输入到预先训练的神经网络模型,可以将神经网络模型输出的预测值构成预测表。
步骤230、根据预测表确定属性信息的残差和预测值索引。
步骤240、编码残差和预测值索引以形成码流发送或存储。
本申请实施例,通过点云的各属性信息的取值确定点云属性分布特征,按照点云属性分布特征生成预测表,并按照预测表处理各属性信息以确定对应的残差和预测值索引,可降低点云属性信息编码代价,提高属性信息的编码性能。
进一步的,在上述申请实施例的基础上,所述点云属性分布特征包括属性值出现次数、属性值均值、属性值方差中至少之一。
其中,属性值出现次数可以表示属性信息的取值的出现总次数,属性值均值可以是属性信息的取值的均值,属性值方差可以是属性信息的取值的方差。
具体的,可以统计各属性信息的属性值出现次数、属性值均值、属性值方差中的一种或者多种作为点云属性分布特征。
在一个示例性的实施方式中,本实施例的预测表是利用其它统计特性来生成。可以按照属性信息的均值作为预测表生成的统计特性,比如选取均值附近的若干值组成预测表;可以按照属性信息的方差作为预测表生成的统计特性,比如按照属性信息的方差从小到大排序,选取前几位较小方差的属性值组成预测表。可以采用不同的统计特性组合来生成预测表。
图3是本申请实施例提供的一种数据处理方法的流程图,本申请实施例是在上述申请实施例基础上的具体化,参见图3,本申请实施例提供的方法具体包括如下步骤:
步骤310、在点云的各类属性信息中统计至少一个属性值的出现次数,并将各出现次数作为点云属性分布特征。
在本申请实施例中,可以提取点云的全部或者部分的属性信息的属性值,可以在各属性信息中统计各属性值统计各自出现的出现次数,可以将各属性值的出现次数作为点云属性分布特征。
步骤320、在各类属性信息中,按照各出现次数的取值从高到低对各属性值排序。
具体的,可以按照各属性信息中的属性值的出现存储分别从高到低对属性值进行排序,可以理解的是,在存在多类属性信息时,可以存在多个属性值排序。
步骤330、在排序中按照从高到低的顺序选择预设数量的属性值填充到预测表。
在本申请实施例中,预测表可以为一个空表,该预测表可以用于存储属性值,预测表可以存储多类属性信息的属性值,预测表中每类属性信息的属性值的存储上限可以为预设数量,该预设数量可以由用户设置,在对各属性信息的属性值排序后,可以在各排序中分别选择预设数量的属性值填充到预测表,并为每个填充到预测表的属性值生成唯一的标识号作为预测值索引。
步骤340、根据预测表确定属性信息的残差和预测值索引。
步骤350、编码残差和预测值索引以形成码流发送或存储。
本申请实施例,通过在各属性信息中统计属性值的出现次数,并基于该出现次数按照从高到低的顺序对属性值进行排序,按照顺序在排序中选择阈值数量的属性值填充到预测表,并按照预测表处理属性信息以获取残差和预测值索引,可降低点云属性信息编码代价,提高属性信息的编码性能。
进一步的,在上述申请实施例的基础上,根据所述点云属性分布特征生成预测表,还可以包括:
在各类所述属性信息中,将各所述属性值从高到低排序;按照各所述属性值对应的出现次数在所述排序中选择对应数量的所述属性值填充到预测表。
具体的,可以将属性信息的属性值从高到低进行排序,可以按照各属性值的出现次数选择属性值填充到预测表,例如,出现次数越多的属性值则被填充到预测表中的数量越多。
在一个示例性的实施方式中,图4是本申请实施例提供的一种数据处理方法的示例图,参见图4,本申请实施例先统计点云属性信息不同值出现的次数,再将若干出现不同次数的属性信息组成预测表,接着在预测表中给点云中每一个属性信息寻找预测值,将当前点上属性信息的值减去预测值生成残差,最后,将预测值在预测表中的索引和残差进行编码。本申请实施例的处理过程包括如下步骤:
步骤S101:统计属性信息出现次数
遍历点云的所有属性信息,对不同的属性信息分别计数,获得不同属性信息在此点云中出现的次数。
所述点云是指一组完整表征三维物体或场景空间结构或属性的数据,可以是静态点云数据,也可以是动态点云某一时刻的数据。此数据包括几何信息和属性信息。
当属性信息以整数形式表示时,比如颜色属性的分量值的取值范围是0到255,那么,就是对0到255在点云的属性信息中出现的次数进行统计。
当属性信息以浮点数形式表示时,可以先对浮点数进行取整操作,再进行统计频率操作。其中,取整操作可以采用四舍五入法,也可以采用去尾法。
步骤S102:选取若干次数属性信息生成预测表
根据一定的规则在步骤S101按次数统计生成的不同属性信息中选取若干个值组成预测表。
可以将不同属性信息出现的次数从高到低排序,选取最高次数的前N个值生成预测表。
也可以将属性信息进行数据分段,在不同分段中分别选取M个值组合生成预测表,比如针对取值范围是0到255的颜色属性,在0至16中选取1个值,在17到150中选取14个值,在151到255中选取16个值,这32个值组成预测表。
其中,预测表包含索引号和预测值,还可以包含预测值出现的次数。
步骤S103:在预测表中选取预测值并生成残差
针对点云的每一个属性信息在预测表中选取一个预测值,并相减生成残差。
其中,选取规则可以是最相近的预测值,比如,如果属性信息只有一个分量,那么可以当前属性信息的值分别与预测表中所有预测值相减取绝对值后,选取绝对值数值最小的为预测值。如果属性信息是多个分量,比如颜色属性,那么可以是当前属性信息的所有分量分别与预测表中所有预测值的分量对应相减取绝对值后相加,得到的和数值最小的为预测值。如果属性信息是多个分量,比如颜色属性,那么可以仅选择当前属性信息的一个分量(如亮度分量)与预测表中所有预测值的对应分量相减取绝对值,选取绝对值数值最小的为预测值。如果属性信息是多个分量,比如颜色属性,那么可以先将当前属性信息的分量加权组合后再与预测表中所有预测值的分量加权相减取绝对值,其中加权方式一样,选取绝对值数值最小的为预测值。
可选的,选取规则还可以是选取其它任意规则。
步骤S104:编码残差和预测值索引
将步骤S103生成的残差和选取的预测值在预测表中的索引编码。
生成的残差和预测值可以与其它信息,比如几何信息,一起编码生成码流或者生成文件,也可以单独生成码流或者文件。
编码后的数据可以生成文件用于存储,也可以生成码流用于传输。
图5是本申请实施例提供的另一种数据处理方法的流程图,本申请实施例是在上述申请实施例基础上的具体化,参见图5,本申请实施例提供的方法具体包括如下步骤:
步骤410、在点云的属性信息集中提取当前属性信息。
在本申请实施例中,预测表与属性信息的编码过程可以同时处理,可以在点云的属性信息集中选择一个未被处理的信息作为当前属性信息。
步骤420、确定预测表是否已存在当前属性信息的属性值。
具体的,可以在预测表中查找该当前属性信息的属性值是否存在。
步骤430、若存在,则更新预测表中的属性值的计数值。
其中,计数值可以反映预测表中预测值的出现次数的信息,计数值可以经过加权,例如,每当出现一个预测值时,计数值的取值可以增加2。不同属性信息的计数值的加权可以相同也可以不同,当加权不同时,属性信息1的属性值出现1次,则计数值取值加2,属性信息2的属性值出现1次,则计数值取值可以加3。
在本申请实施例中,当预测表中存在当前属性信息的属性值时,可以更新预测表中属性值的计数值进行更新,可以理解的是,可以根据当前属性信息的加权值更新计数值。
步骤440、若不存在,则在预测表未满的情况下将属性值更新到预测表。
在本申请实施例中,预测表中存储预测值的数量存在上限,当预测表存储的预测值的数量达到上限时,则可以认为预测表满,否则预测表未满,在当前属性信息的属性值未在预测表出现且预测表未满时,可以将该预测值添加到预测表中。
步骤450、根据预测表确定属性信息的残差和预测值索引。
步骤460、编码残差和预测值索引以形成码流发送或存储。
进一步的,在上述申请实施例的基础上,将所述属性值更新到所述预测表,包括以下至少之一:
将阈值时间内出现次数最多的属性值更新到预测表;
根据先入先出原则将属性值更新到预测表;
将预测表中所述计数值最少的已存属性值替换为当前属性值。
其中,阈值时间可以是缓存属性值的时间段,该阈值时间可以由用户设置。
在本申请实施例中,更新属性值到预测表时可以按照以下规则中一种或者多种方式进行,例如,可以将一段时间内出现次数最多的属性值更新到预测表,该一段时间可以由用户设置阈值时间的时间长度的方式确定。还可以按照先入先出原则,将属性值替换预测表中存储时间最长的预测值。还可以使用预测值替换预测表中存储的属性值,该属性值得计数值为预测表中计数值最小的属性值。
在一个示例性的实施方式中,预测表可以不采用遍历点云的所有属性信息后生成的方法,而是随着逐一选取属性信息的同时动态生成,这样可以节省生成预测表的时间。图6是本申请实施例提供的另一种数据处理方法的示例图,参见图6,该数据处理方法可以包括如下步骤:
步骤S201:选取一个属性信息
选取一个点云属性信息,其中已经进行过残差计算的属性信息将不再被选取。
步骤S202:预测表是否有此属性信息值
在预测表中寻找当前属性信息是否存在,这一步骤是为了动态更新预测表。
步骤S203:预测表是否满
预先设定预测表所含有的最大预测值个数,如果当前属性值不在预测表里,再根据预测表当前已经含有的预测个数是否大于最大预测个数,如果大于最大预测值个数,那么预测表为满,否则为不满。
步骤S204:将当前属性信息加入预测表
如果步骤S203判断预测表是不满的,则把当前属性值加入到预测表中,并记录计数。
步骤S205:更新预测表中此属性信息值的计数
如果步骤S202判断预测表里含有当前属性信息值,那么对预测表里的此属性信息值的计数更新。
其中计数更新可以是数量加一,也可以根据当前属性信息的重要性增加不同的数量,比如说重要的属性信息,计数加二。
可选的,预测表可以采用不同的更新原则,比如,不管预测值出现的次数,采用先入先出的队列原则,仅保存最近出现的最大预测个数的预测值,还可以是结合预测值出现的次数,当满表需要更新的时候,新的属性信息值仅替换表内计数最少的预测值。
步骤S206:选取预测值
在预测表中选取一个预测值,如果步骤S202判断当前属性信息就是预测值,可以直接使用当前属性信息当作预测值,否则,需要在预测表中选择预测值,选取规则与步骤S103中的选取规则一样。
步骤S207:计算残差
与步骤S103中的计算残差方法一样。
步骤S208:是否还有属性信息
判断是否所有的属性信息都已经进行了预测值选取和残差计算。如果所有的属性信息均进行预测值选取和残差计算,则可以进行步骤S209,否则进行步骤S201。
步骤S209:编码残差和索引
和步骤S104一样。也可以在进行完步骤S207后帧对当前属性信息残差和索引进行编码,而不是等到所有的属性信息都遍历完后再进行残差和索引编码。
进一步的,在上述申请实施例的基础上,确定点云的属性信息对应的预测表,包括:
将所述点云的全部的属性信息划分为到至少两个属性信息组;确定各所述属性信息组对应的预测表。
在本申请实施例中,可以按照点云的属性信息划分为多个属性信息组,每个属性信息组存在各自对应的预测表。例如,可以按照点云的属性信息的种类划分为多个属性信息组,每个属性信息组可以根据各自的属性信息的特征生成对应的预测表。又例如,可以按照点云的属性信息的取值划分为多个属性信息组,取值具有相似方差的属性信息可以划分到相同的属性信息组,每个属性信息组存在各自的预测表。
进一步的,在上述申请实施例的基础上,将所述点云的全部的属性信息划分为到至少两个属性信息组,包括:
按照点云的几何信息将各所述属性信息划分到对应的所述属性信息组。
其中,几何信息可以是反映点云位置点在空间内位置关系的信息,可以包括坐标和相对距离等。
在本申请实施例中,可以按照各点云中位置点的坐标或者与其他位置点的相对距离,将各位置点的属性信息划分为多组属性信息组,其中,划分的属性信息组的数量可以由用户设置或者由属性信息的类别数量确定。
进一步的,在上述申请实施例的基础上,所述几何信息包括以下至少之一:莫顿码排序、希尔伯特码排序、点云三维坐标的八叉树分块或分层、点云三维坐标的K-D树的分块或分层。
在一个示例性的实施方式中,点云属性信息的统计范围可以由全部数据变为部分数据,可以将点云属性信息先按照几何信息进行排序,再将排好顺序的点云属性按照顺序分成N个一组,针对每组使用上述实施例的方式生成每一组属性信息自己的预测表。比如,几何信息可以是按照莫顿码或是希尔伯特码排序,那么属性信息根据对应几何信息排序,选取512个点为一组,再分别对一组点云属性信息进行统计,选取出现次数最多的32个属性信息生成预测表,再为这512个点分别选取预测值,生成残差,将残差和对应的索引值进行编码。
再比如,几何信息也可以按照八叉树或者K-D树的形式进行区域分块或分层,分块或者分层区域的属性信息为一组,再分别对一组点云属性信息进行统计,选取出现次数最多的16个属性信息生成预测表,再为这一组点分别选取预测值,生成残差,将残差和对应的索引值进行编码。
进一步的,在上述申请实施例的基础上,所述预测表至少包括属性值,其中,所述属性值包括至少一个属性分量值。
在本申请实施例中,预测表可以由属性值组成,每个属性值可以存在一个或者多个属性分量,例如,一个属性值为颜色值,该颜色值为RGB模式的颜色,属性分量可以分别为RGB中不同颜色的颜色分量。
在一个示例性的实施方式中,预测表可以包含索引、预测值,其中预测值可以是一个分量,也可以是多个分量。
预测表还可以包含统计信息,比如每个预测值出现的次数,每个预测值的方差等;预测表的一种组织形式可以如表1所示,其中预测值的顺序就是索引,因此不用在预测表里单独存放索引值。如果索引值不是预测值排列的顺序号,那么需要加入索引值。
表1预测表的组织形式
其中,numOfPredictor表示含有几个预测值,numOfPredictorComponent表示一个预测值含有几个分量,valueOfPredictor表示预测值。
在一个示例性的实施方式中,预测表可以放在属性信息头或属性片头(sliceheader)或属性瓦片头(tile header),或者其它可指示属性信息特性的参数集中,如表2所示。
表2预测表在属性信息头中
其中,withPredict表示是否采用预测编码方式,1表示采用,0表示不采用;withPredictMap表示是否含有预测表,1表示含有,0表示不含有。
在一个示例性的实施方式中,预测表也可以采用其他的组织形式,如表3所示。
表3预测表在属性信息片头中
其中,withPredict表示是否采用预测编码方式,1表示采用,0表示不采用;withPredictMap表示是否含有预测表,1表示含有,0表示不含有。
进一步的,预测表还可以采用ISO/IEC 14496-12ISO BMFF形式。预测表可以在现有的Attribute轨道指示,具体内容可以与属性信息放在一起。Attribute中的指示信息实现方式如下:
其中,gpcc_type等于4表示是属性信息;predictor_map_present等于1表示有预测表,等于0表示没有预测表。
在一个实例性是的实施方式中,预测表索引和残差存在于属性信息数据中,它们的引用形式可以表4所示。
表4预测表索引和残差的引用形式
其中,attr_predict_idx代表索引值;attr_predict_residual代表残差值。
进一步的,在上述申请实施例的基础上,所述预测表的数量可以包括至少一个。
例如,可选的,对于点云中的孤点建立一个新的表格,其中孤点可以是指属性信息的值跟预测表的所有值相差非常大,孤点可以是多个。也可以将孤点与现有预测表合并为一个预测表。
可选的,对属性信息的不同分量分别建立一个预测表,比如颜色属性RGB空间,红色(R)、绿色(G)和蓝色(B)都有自己的预测表,点云数据里的每个点的颜色属性使用三个索引值表示。
可选的,实施例五中的属性信息头中设定一个预测表,不同的属性分片头里也都有自己的预测表,它可以是属性信息头预测表的补充,即属性分片头里的预测表与属性信息头的预测表联合生成一个预测表,也可以是属性分片头的预测表记录的是与属性信息头预测表的差值,即属性分片头里的预测表需要与属性信息头预测表相加后生成最终供属性分片头使用的预测表。
进一步的,在上述申请实施例的基础上,所述属性信息包括颜色属性,则所述预测表包括调色板,所述调色板的属性分量值设置有权重。
在本申请实施例中,属性信息是颜色属性,颜色可以是不同颜色空间,比如亮度色度(YUV),RGB等。基于颜色属性的预测表可以是调色板(palette)。
例如,YUV颜色空间以Y分量为主,那么预测表以Y分量为主,计算属性信息统计特性的时候Y分量的权重高于UV分量。
又例如,RGB颜色空间三个分量权重相同,那么计算属性信息统计特性的时候三个分量的权重一样。
进一步的,在上述申请实施例的基础上,确定点云的属性信息对应的预测表,包括:
基于预设的神经网络生成所述预测表,其中,所述神经网络预先经过阈值数量的点云的属性信息训练生成,所述属性信息集包括具有属性值和预测值。
其中,训练神经网络的属性信息的阈值数量可以为一个数值较大的取值,阈值数量越大,则神经网络的准确性越高,阈值数量可以由用户根据经验设定。
在本申请实施例中,预测表可以通过神经网络生成,该神经网络可以通过点云的属性信息训练生成,用于训练神经网络的属性信息可以包括预测值以及属性值。
示例性的,可以利用神经网络对预测表进行训练生成。利用已有的点云数据集对神经网络进行训练,获得性能最优的预测表。可以有针对性的对不同类型的点云进行训练,获得多个预测表,比如针对车载地图的反射率专门训练一个预测值。
进一步的,在上述申请实施例的基础上,所述根据所述预测表确定所述属性信息的残差和预测值索引,包括:
按照各属性信息的属性值在预测表内选择预测值以及预测值索引。将预测值与属性信息的属性值之差作为残差。
具体的,可以在预测表中确定出属性信息对应的预测值,可以将该预测值与属性信息的属性值的差值作为残差。确定属性信息的预测值可以过程可以是按照属性信息的类别或者取值大小获取对应的预测值,可以将该预测值在预测表中关联存储的索引号作为预测值索引。
进一步的,在上述申请实施例的基础上,所述按照各所述属性信息的属性值在所述预测表内选择预测值以及预测值索引,包括:
将所述属性值与所述预测表内各所述属性值的差值和/或加权差值,将具有最小绝对值的所述差值和/或所述加权差值对应的所述预测表内的所述属性值作为所述属性信息的预测值,并将所述预测表内所述属性值的索引作为预测索值引。
在本申请实施例中,预测表中一类属性信息可以存在多个属性值,可以分别计算属性信息的属性值与预测表中各属性值的差值,可以将该绝对值最小的差值在预测表中对应的属性值作为预测值,并将该预测值的索引作为预测值索引。可以理解是,预测表中的各属性值还可以存在各自的加权权重,可以根据该加权权重确定出各差值的加权差值,可以将绝对值最小的加权差值在预测表中对应的属性值作为预测值,并将该预测值的索引作为预测值索引。
进一步的,在上述申请实施例的基础上,预测表和属性信息可以一起被编码在码流中传输,也可以单独传输。预测表可以编码端跟解码端在建立链路的时候发送给解码端,在进行交互过程中还可以更新预测表。图7是本申请实施例提供的一种预测表传输的示例图,参见图7,预测表可以预先放在服务器上,编码端仅发送预测表编号,解码端根据需求向服务器发送预测表编号,请求下发预测表。
进一步的,预测表也可以不编码存储或者传输。
针对无损压缩,预测表可以在解码端解码过程中动态生成的,而且在解码端解码过程中生成的预测表与编码端编码过程中生成的预测表完全一致,那么,预测表不需要在编码端进行编码并存储或传输。
图8是本申请实施例提供的另一种数据处理方法的流程图,本申请实施例可适用于三维点云的属性信息进行解码的情况,该方法可以由本申请实施例提供的数据处理装置来执行,该装置可以通过软件和/或硬件方式实现,参见图8,本申请实施例提供的方法具体包括如下步骤:
步骤510、接收码流并获取码流中的残差和预测值索引。
在本申请实施例中,在接收到码流后,可以从码流中解析出残差和预测值索引。
步骤520、确定残差和预测值索引对应的预测表。
具体的,预测表是用于解码使用的预测值的信息表,可以从属性信息头或者属性片头或着属性瓦片头或者其它可指示属性信息特性的参数集中解析获得,也可以是根据码流中的残差和预测值索引动态生成。预测表的数量可以为一个或多个。
步骤530、按照预测表、残差和预测值索引确定点云的属性信息。
在本申请实施例中,可以根据预测值索引在预测表中查找对应的预测值,可以根据残差值和预测值确定出点云的属性信息的取值,例如,可以将残差值与预测值的和作为点云的属性信息的属性值。
本申请实施例,通过接收码流并获取码流中的预测表、残差和预测值索引,按照预测表、残差和预测值索引确定出点云的属性信息。
可选的,通过接收码流并获取码流中的残差和预测值索引,按照残差和预测值索引动态生成预测表,按照预测表、残差和预测值索引确定出点云的属性信息,实现了点云属性信息的快速解码,可增强点云的传输效率。
在一个示例性的实施方式中,图9是本申请实施例提供的一种数据处理方法的示例图,参见图9,先从码流或者文件中获取预测表信息,再从码流或或者文件中获取索引信息和残差,根据索引信息在预测表中找到对应的预测值,最后由预测值和残差计算得到属性信息值,本申请实施例提供的方法具体包括如下步骤:
步骤S301:获取预测表信息。
从包含点云编码数据的码流或者文件中获取预测表信息。预测表信息可以存在于属性信息头,也可以存在于属性片头(slice header)中,也可以存在于属性瓦片头(tileheader)中,也可以存在于其它可指示属性信息特性的参数集中,也可以存在于传输层媒体描述单元中。预测表在解码端动态生成时,可以没有此步骤。
步骤S302:获取索引值和残差。
从包含点云编码数据的码流或者文件中获取预测索引值和残差。
步骤S303:从预测表中选取预测索引对应的预测值。
根据步骤S302中获取的预测索引值,在步骤S301中获取的预测表中查找对应的预测值。
步骤S304:由残差和预测值计算属性信息值。
将步骤S302获取的残差与步骤S303获取的预测值相加生成属性信息值。
图10是本申请实施例提供的一种数据处理装置的结构示意图,可执行本申请任意实施例提供的数据处理方法,具备执行方法相应的功能模块和有益效果,该装置可以由软件和/或硬件实现,具体包括:预测表模块501、残差确定模块502和数据编码模块503。
预测表模块501,用于确定点云的属性信息对应的预测表。
残差确定模块502,用于根据所述预测表确定所述属性信息的残差和预测值索引。
数据编码模块503,用于编码所述残差和所述预测值索引以形成码流发送或存储。
本申请实施例中,通过预测表模块确定出点云属性信息的预测表,残差确定模块按照预测表处理属性信息以获取残差和预测值索引,根据点云属性信息的特点获取预测表,按照预测表确定属性信息编码使用的残差和预测值索引,可降低点云属性信息编码代价,提高属性信息的编码性能。
进一步的,在上述申请实施例的基础上,所述预测表模块501包括:
分布特征单元,用于按照各所述属性信息的取值确定点云属性分布特征。
表生成单元,用于根据所述点云属性分布特征生成预测表。
进一步的,在上述申请实施例的基础上,所述分布特征单元包括:
次数统计子单元,用于在所述点云的各类所述属性信息中统计至少一个属性值的出现次数,并将各所述出现次数作为所述点云属性分布特征。
进一步的,在上述申请实施例的基础上,分布特征单元中点云属性分布特征包括属性值出现次数、属性值均值、属性值方差中至少之一。
进一步的,在上述申请实施例的基础上,所述表生成单元具体用于:在各类所述属性信息中,按照各所述出现次数的取值从高到低对各所述属性值排序;在所述排序中按照从高到低的顺序选择预设数量的所述属性值填充到预测表。
进一步的,在上述申请实施例的基础上,所述表生成单元具体还用于:在各类所述属性信息中,将各所述属性值从高到低排序;按照各所述属性值对应的出现次数在所述排序中选择对应数量的所述属性值填充到预测表。
进一步的,在上述申请实施例的基础上,预测表模块501还包括:
信息提取单元,用于在所述点云的属性信息集中提取当前属性信息;
信息判断单元,用于确定所述预测表是否已存在所述当前属性信息的属性值;
信息处理单元,用于若存在,则更新所述预测表中的所述属性值的计数值;若不存在,则在所述预测表未满的情况下将所述属性值更新到所述预测表。
进一步的,在上述申请实施例的基础上,信息处理单元中将所述属性值更新到所述预测表,包括以下至少之一:
将阈值时间内出现次数最多的所述属性值更新到所述预测表;
根据先入先出原则将所述属性值更新到所述预测表;
将所述预测表中所述计数值最少的已存属性值替换为当前属性值。
进一步的,在上述申请实施例的基础上,预测表模块501还包括:
分组单元,用于将所述点云的全部的属性信息划分为到至少两个属性信息组。
表生成单元,用于确定各所述属性信息组对应的预测表。进一步的,在上述申请实施例的基础上,分组单元具体用于:按照点云的几何信息将各所述属性信息划分到对应的所述属性信息组。
进一步的,在上述申请实施例的基础上,所述几何信息包括以下至少之一:莫顿码排序、希尔伯特码排序、点云三维坐标的八叉树分块或分层、点云三维坐标的K-D树的分块或分层。
进一步的,在上述申请实施例的基础上,预测表至少包括属性值,其中,所述属性值包括至少一个属性分量值。
进一步的,在上述申请实施例的基础上,所述属性信息包括颜色属性,则所述预测表包括调色板,所述调色板的属性分量值设置有权重。
进一步的,在上述申请实施例的基础上,确定点云的属性信息对应的预测表,包括:
基于预设的神经网络生成所述预测表,其中,所述神经网络预先经过阈值数量的点云的属性信息训练生成,所述属性信息包括具有属性值和预测值。
进一步的,在上述申请实施例的基础上,残差确定模块502包括:
表差值单元,用于按照各所述属性信息的属性值在所述预测表内选择预测值以及预测值索引。
残差处理单元,用于将所述预测值与所述属性信息的属性值之差作为残差。
进一步的,在上述申请实施例的基础上,残差处理单元具体用于将所述属性值与所述预测表内各所述属性值的差值和/或加权差值,将具有最小绝对值的所述差值和/或所述加权差值对应的所述预测表内的所述属性值作为所述属性信息的预测值,并将所述预测表内所述属性值的索引作为预测值索引。
图11是本申请实施例提供的一种数据处理装置的结构示意图,可执行本申请任意实施例提供的数据处理方法,具备执行方法相应的功能模块和有益效果,该装置可以由软件和/或硬件实现,具体包括:码流接收模块504、预测表模块505和数据解码模块506。
码流接收模块504,用于接收码流并获取所述码流中的残差和预测值索引。
预测表模块505,用于确定所述残差和所述预测值索引对应的预测表。
数据解码模块506,用于按照所述预测表、所述残差和所述预测值索引确定点云的属性信息。
本申请实施例,通过码流接收模块接收码流并获取码流中的残差和预测值索引,预测表模块按照残差和预测值索引获取预测表,数据解码模块按照预测表、残差和预测值索引确定出点云的属性信息,实现了点云属性信息的快速解码,可增强点云的传输效率。
示例性的,图12是本申请实施例提供的一种数据处理装置的示例图,参见图12,该装置包括:
预测表模块A01:用于生成预测表。
属性编码模块A02:用于生成残差信息,编码残差信息和索引。
传输模块A03:用于传输属性编码后数据,也可以对预测表进行编码传输。
预测表模块A04:用于建立或者动态生成预测表。
属性解码模块A05:用于解码属性信息,包括残差信息和索引。
传输模块A06:用于传输属性信息压缩数据,也可以对预测表进行解码。
图13是本申请实施例提供的一种电子设备的结构示意图,该电子设备包括处理器60、存储器61、输入装置62和输出装置63;电子设备中处理器60的数量可以是一个或多个,图13中以一个处理器60为例;电子设备中处理器60、存储器61、输入装置62和输出装置63可以通过总线或其他方式连接,图13中以通过总线连接为例。
存储器61作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本申请实施例中的数据处理装置对应的模块(预测表模块501、残差确定模块502和数据编码模块503,或者,码流接收模块504、预测表模块505和数据解码模块506)。处理器60通过运行存储在存储器61中的软件程序、指令以及模块,从而执行电子设备的各种功能应用以及数据处理,即实现上述的数据处理方法。
存储器61可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据电子设备的使用所创建的数据等。此外,存储器61可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器61可进一步包括相对于处理器60远程设置的存储器,这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置62可用于接收输入的数字或字符信息,以及产生与电子设备的用户设置以及功能控制有关的键信号输入。输出装置63可包括显示屏等显示设备。
本申请实施例还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种数据处理方法,该方法包括:
确定点云的属性信息对应的预测表;
根据所述预测表确定所述属性信息的残差和预测值索引;
编码所述残差和所述预测值索引以形成码流发送或存储。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,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)执行本申请各个实施例所述的方法。
值得注意的是,上述装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
在硬件实施方式中,在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分;例如,一个物理组件可以具有多个功能,或者一个功能或步骤可以由若干物理组件合作执行。某些物理组件或所有物理组件可以被实施为由处理器,如中央处理器、数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
以上参照附图说明了本发明的优选实施例,并非因此局限本发明的权利范围。本领域技术人员不脱离本发明的范围和实质内所作的任何修改、等同替换和改进,均应在本发明的权利范围之内。
Claims (22)
1.一种数据处理方法,其特征在于,所述方法包括:
确定点云的属性信息对应的预测表;
根据所述预测表确定所述属性信息的残差和预测值索引;
编码所述残差和所述预测值索引以形成码流发送或存储。
2.根据权利要求1所述的方法,其特征在于,所述确定点云的属性信息对应的预测表,包括:
按照各所述属性信息的取值确定点云属性分布特征;
根据所述点云属性分布特征生成预测表。
3.根据权利要求2所述的方法,其特征在于,所述按照各所述属性信息的取值确定点云属性分布特征,包括:
在所述点云的各类所述属性信息中统计至少一个属性值的出现次数,并将各所述出现次数作为所述点云属性分布特征。
4.根据权利要求2所述的方法,其特征在于,所述点云属性分布特征包括属性值出现次数、属性值均值、属性值方差中至少之一。
5.根据权利要求3所述的方法,其特征在于,所述根据所述点云属性分布特征生成预测表,包括:
在各类所述属性信息中,按照各所述出现次数的取值从高到低对各所述属性值排序;
在所述排序中按照从高到低的顺序选择预设数量的所述属性值填充到预测表。
6.根据权利要求3所述的方法,其特征在于,所述根据所述点云属性分布特征生成预测表,包括:
在各类所述属性信息中,将各所述属性值从高到低排序;
按照各所述属性值对应的出现次数在所述排序中选择对应数量的所述属性值填充到预测表。
7.根据权利要求1所述的方法,其特征在于,所述确定点云的属性信息对应的预测表,包括:
在所述点云的属性信息集中提取当前属性信息;
确定所述预测表是否已存在所述当前属性信息的属性值;
若存在,则更新所述预测表中的所述属性值的计数值;
若不存在,则在所述预测表未满的情况下将所述属性值更新到所述预测表。
8.根据权利要求7所述的方法,其特征在于,将所述属性值更新到所述预测表,包括以下至少之一:
将阈值时间内出现次数最多的所述属性值更新到所述预测表;
根据先入先出原则将所述属性值更新到所述预测表;
将所述预测表中所述计数值最少的已存属性值替换为当前属性值。
9.根据权利要求1所述的方法,其特征在于,所述确定点云的属性信息对应的预测表,包括:
将所述点云的全部的属性信息划分为到至少两个属性信息组;
确定各所述属性信息组对应的预测表。
10.根据权利要求9所述的方法,其特征在于,所述将所述点云的全部的属性信息划分为到至少两个属性信息组,包括:
按照点云的几何信息将各所述属性信息划分到对应的所述属性信息组。
11.根据权利要求10所述的方法,其特征在于,所述几何信息包括以下至少之一:莫顿码排序、希尔伯特码排序、点云三维坐标的八叉树分块或分层、点云三维坐标的K-D树的分块或分层。
12.根据权利要求1所述的方法,其特征在于,所述预测表至少包括属性值,其中,所述属性值包括至少一个属性分量值。
13.根据权利要求1所述的方法,其特征在于,所述预测表的数量包括至少一个。
14.根据权利要求1所述的方法,其特征在于,所述属性信息包括颜色属性,则所述预测表包括调色板,所述调色板的属性分量值设置有权重。
15.根据权利要求1所述的方法,其特征在于,所述确定点云的属性信息对应的预测表,包括:
基于预设的神经网络生成所述预测表,其中,所述神经网络预先经过阈值数量的点云的属性信息训练生成,所述属性信息包括具有属性值和预测值。
16.根据权利要求1所述的方法,其特征在于,所述根据所述预测表确定所述属性信息的残差和预测值索引,包括:
按照各所述属性信息的属性值在所述预测表内选择预测值以及预测值索引;
将所述预测值与所述属性信息的属性值之差作为残差。
17.根据权利要求16所述的方法,其特征在于,所述按照各所述属性信息的属性值在所述预测表内选择预测值以及预测值索引,包括:
将所述属性值与所述预测表内各所述属性值的差值和/或加权差值,将具有最小绝对值的所述差值和/或所述加权差值对应的所述预测表内的所述属性值作为所述属性信息的预测值,并将所述预测表内所述属性值的索引作为预测值索引。
18.一种数据处理方法,其特征在于,所述方法包括:
接收码流并获取所述码流中的残差和预测值索引;
确定所述残差和所述预测值索引对应的预测表;
按照所述预测表、所述残差和所述预测值索引确定点云的属性信息。
19.一种数据处理装置,其特征在于,所述装置包括:
预测表模块,用于确定点云的属性信息对应的预测表;
残差确定模块,用于根据所述预测表确定所述属性信息的残差和预测值索引;
数据编码模块,用于编码所述残差和所述预测值索引以形成码流发送或存储。
20.一种数据处理装置,其特征在于,所述装置包括:
码流接收模块,用于接收码流并获取所述码流中的残差和预测值索引;
预测表模块,用于确定所述残差和所述预测值索引对应的预测表;
数据解码模块,用于按照所述预测表、所述残差和所述预测值索引确定点云的属性信息。
21.一种电子设备,其特征在于,所述电子设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-18中任一所述的数据处理方法。
22.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行实现如权利要求1-18中任一所述的数据处理方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110662694.5A CN115484462A (zh) | 2021-06-15 | 2021-06-15 | 一种数据处理方法、装置、电子设备和存储介质 |
PCT/CN2022/095290 WO2022262546A1 (zh) | 2021-06-15 | 2022-05-26 | 一种数据处理方法、装置、电子设备和存储介质 |
EP22824026.3A EP4358516A1 (en) | 2021-06-15 | 2022-05-26 | Data processing method and apparatus, electronic device, and storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110662694.5A CN115484462A (zh) | 2021-06-15 | 2021-06-15 | 一种数据处理方法、装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115484462A true CN115484462A (zh) | 2022-12-16 |
Family
ID=84418942
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110662694.5A Pending CN115484462A (zh) | 2021-06-15 | 2021-06-15 | 一种数据处理方法、装置、电子设备和存储介质 |
Country Status (3)
Country | Link |
---|---|
EP (1) | EP4358516A1 (zh) |
CN (1) | CN115484462A (zh) |
WO (1) | WO2022262546A1 (zh) |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11140395B2 (en) * | 2019-07-03 | 2021-10-05 | Tencent America LLC | Method and apparatus for adaptive point cloud attribute coding |
WO2021003726A1 (zh) * | 2019-07-10 | 2021-01-14 | 深圳市大疆创新科技有限公司 | 一种数据编码、数据解码方法、设备及存储介质 |
CN110418135B (zh) * | 2019-08-05 | 2022-05-27 | 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 |
CN111145090B (zh) * | 2019-11-29 | 2023-04-25 | 鹏城实验室 | 一种点云属性编码方法、解码方法、编码设备及解码设备 |
CN111405281A (zh) * | 2020-03-30 | 2020-07-10 | 北京大学深圳研究生院 | 一种点云属性信息的编码方法、解码方法、存储介质及终端设备 |
CN112565734B (zh) * | 2020-12-03 | 2022-04-19 | 西安电子科技大学 | 基于混合编码的点云属性编解码方法及装置 |
-
2021
- 2021-06-15 CN CN202110662694.5A patent/CN115484462A/zh active Pending
-
2022
- 2022-05-26 EP EP22824026.3A patent/EP4358516A1/en active Pending
- 2022-05-26 WO PCT/CN2022/095290 patent/WO2022262546A1/zh active Application Filing
Also Published As
Publication number | Publication date |
---|---|
EP4358516A1 (en) | 2024-04-24 |
WO2022262546A1 (zh) | 2022-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11625865B2 (en) | Three-dimensional data encoding method, three-dimensional data decoding method, three-dimensional data encoding device, and three-dimensional data decoding device | |
US11936910B2 (en) | Three-dimensional data encoding method, three-dimensional data decoding method, three-dimensional data encoding device, and three-dimensional data decoding device | |
WO2020162495A1 (ja) | 三次元データ符号化方法、三次元データ復号方法、三次元データ符号化装置、及び三次元データ復号装置 | |
US11606551B2 (en) | Three-dimensional data encoding method, three-dimensional data decoding method, three-dimensional data encoding device, and three-dimensional data decoding device | |
US11212519B2 (en) | Three-dimensional data encoding method, three-dimensional data decoding method, three-dimensional data encoding device, and three-dimensional data decoding device | |
US20210084289A1 (en) | Three-dimensional data encoding method, three-dimensional data decoding method, three-dimensional data encoding device, and three-dimensional data decoding device | |
US20220130074A1 (en) | Method, device, and storage medium for data encoding/decoding | |
US20240114167A1 (en) | Three-dimensional data encoding method, three-dimensional data decoding method, three-dimensional data encoding device, and three-dimensional data decoding device | |
CN112313711A (zh) | 三维数据编码方法、三维数据解码方法、三维数据编码装置、以及三维数据解码装置 | |
US20210082153A1 (en) | Three-dimensional data encoding method, three-dimensional data decoding method, three-dimensional data encoding device, and three-dimensional data decoding device | |
US11443459B2 (en) | Three-dimensional data encoding method, three-dimensional data decoding method, three-dimensional data encoding device, and three-dimensional data decoding device | |
US11695943B2 (en) | Three-dimensional data encoding method, three-dimensional data decoding method, three-dimensional data encoding device, and three-dimensional data decoding device | |
US20210314612A1 (en) | Three-dimensional data encoding method, three-dimensional data decoding method, three-dimensional data encoding device, and three-dimensional data decoding device | |
US20240177357A1 (en) | Three-dimensional data encoding method, three-dimensional data decoding method, three-dimensional data encoding device, and three-dimensional data decoding device | |
EP4258671A1 (en) | Point cloud attribute predicting method, encoder, decoder, and storage medium | |
WO2022133753A1 (zh) | 点云编解码方法与系统、及点云编码器与点云解码器 | |
CN116250008A (zh) | 点云的编码、解码方法、编码器、解码器以及编解码系统 | |
CN115484462A (zh) | 一种数据处理方法、装置、电子设备和存储介质 | |
WO2022141461A1 (zh) | 点云编解码方法、编码器、解码器以及计算机存储介质 | |
CN116325732A (zh) | 点云的解码、编码方法、解码器、编码器和编解码系统 | |
KR100959053B1 (ko) | 복수의 이미지 프레임을 갖는 비디오 시퀀스 검색을 위한비선형 양자화 및 유사도 매칭 방법 | |
KR20130119781A (ko) | 비디오 중복 검출 장치 및 방법 | |
WO2022217472A1 (zh) | 点云编解码方法、编码器、解码器及计算机可读存储介质 | |
JP7444849B2 (ja) | 三次元データ符号化方法、三次元データ復号方法、三次元データ符号化装置、及び三次元データ復号装置 | |
CN115474050A (zh) | 熵编码、解码方法及装置 |
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 |