CN117579832A - 一种基于自适应采样和量化的点云属性压缩方法 - Google Patents

一种基于自适应采样和量化的点云属性压缩方法 Download PDF

Info

Publication number
CN117579832A
CN117579832A CN202311641107.XA CN202311641107A CN117579832A CN 117579832 A CN117579832 A CN 117579832A CN 202311641107 A CN202311641107 A CN 202311641107A CN 117579832 A CN117579832 A CN 117579832A
Authority
CN
China
Prior art keywords
point cloud
quantization
compression
calculating
texture
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
Application number
CN202311641107.XA
Other languages
English (en)
Other versions
CN117579832B (zh
Inventor
崔丽
车垚峰
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.)
Yanbian University
Original Assignee
Yanbian University
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 Yanbian University filed Critical Yanbian University
Priority to CN202311641107.XA priority Critical patent/CN117579832B/zh
Priority claimed from CN202311641107.XA external-priority patent/CN117579832B/zh
Publication of CN117579832A publication Critical patent/CN117579832A/zh
Application granted granted Critical
Publication of CN117579832B publication Critical patent/CN117579832B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • H04N19/102—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or selection affected or controlled by the adaptive coding
    • H04N19/124—Quantisation
    • 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
    • H04N19/169—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding
    • H04N19/17—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding the unit being an image region, e.g. an object
    • H04N19/176—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding the unit being an image region, e.g. an object the region being a block, e.g. a macroblock
    • 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
    • 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
    • H04N19/91—Entropy coding, e.g. variable length coding [VLC] or arithmetic coding
    • 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, Expansion, Code Conversion, And Decoders (AREA)

Abstract

本发明公开了一种基于自适应采样和量化的点云属性压缩方法，包括：划分点云子块，并计算所述点云子块的纹理复杂度；根据配置信息判断所述点云子块的压缩类型，所述压缩类型包括：无损压缩和有损压缩；若为无损压缩，则根据所述纹理复杂度计算采样距离，生成细节级别，根据所述细节级别，生成预测器，完成点云的无损压缩；若为有损压缩，在量化阶段，则根据所述纹理复杂度计算量化参数，根据所述量化参数量化预测残差，完成点云的有损压缩。本发明在无损压缩时，根据纹理复杂度更新每个子块的采样距离，提高了参考点的预测精度使得预测误差减小，在有损压缩时根据纹理复杂度更新每个子块的量化参数，有效提升了复杂区域的图像质量。

Description

一种基于自适应采样和量化的点云属性压缩方法
技术领域
本发明属于点云数据处理技术领域，尤其涉及一种基于自适应采样和量化的点云属性压缩方法。
背景技术
近年来，随着现代三维感知技术的快速发展，三维点云数据已被广泛应用于机器人、增强现实和自动驾驶等各个领域。然而，3D点云数据通常包含数百万个点，这给存储空间和网络传输带宽带来了巨大挑战。因此，提高点云编码的性能十分必要。
点云压缩主要分为几何数据压缩和属性数据压缩。目前，主流的压缩方案是由MPEG(Moving Pictures ExpertsGroup)提出的的基于几何的点云压缩(Geometry-basedPoint Cloud Compression-GPCC)方案。现有的GPCC方法采用固定的采样距离来划分细节层次，其预测结果的误差较大，并且对相同细节级别采用相同的量化步长，从而导致在低码率情况下重要的区域(例如人脸等)被过度量化，其主观质量较差。
发明内容
为解决上述技术问题，本发明提出了一种基于自适应采样和量化的点云属性压缩方法，能够克服现有的GPCC属性压缩方案中基于细节层次的预测方法存在压缩率较低，并且在低码率下重要区域被过度量化导致其主观质量较差的技术缺陷。
为实现上述目的，本发明提出了一种基于自适应采样和量化的点云属性压缩方法，包括：
划分点云子块，并计算所述点云子块的纹理复杂度；
根据配置信息判断所述点云子块的压缩类型，所述压缩类型包括：无损压缩和有损压缩；
若为无损压缩，则根据所述纹理复杂度计算采样距离，生成细节级别，根据所述细节级别，生成预测器，完成点云的无损压缩；
若为有损压缩，在量化阶段，则根据所述纹理复杂度计算量化参数，根据所述量化参数量化预测残差，完成点云的有损压缩。
可选的，利用八叉树将点云划分为立方体点云子块。
可选的，计算所述点云子块的纹理复杂度包括：
使用灰度共生矩阵计算所述点云子块的纹理信息；
利用熵计算所述点云子块的纹理信息的灰度，获取所述点云子块的纹理复杂度。
可选的，所述熵的计算方法为：
其中，H(E)为熵，L为灰度级的数量，Gi,j为灰度对，i为行索引，j为列索引。
可选的，根据所述纹理复杂度计算采样距离，生成细节级别包括：则根据所述纹理复杂度计算对应的采样距离，并更新所述采样距离，根据更新后的所述采样距离生成细节级别。
可选的，更新所述采样距离的方法为：
Dbest＝(1-α×H(E))×Dgpcc
其中，Dbest为更新后的采样距离，α为自定义参数，H(E)为纹理复杂度的熵，Dgpcc为G-PCC中的原始采样距离。
可选的，根据所述量化参数，完成点云的有损压缩包括：根据所述量化参数，量化残差，并对量化后的所述残差进行编码。
可选的，根据所述纹理复杂度计算量化参数包括：
对所述点云子块的平滑纹理区域和复杂纹理区域计算量化参数；
对所述点云子块的平滑纹理区域计算量化参数的方法为：
QPsmo＝QPgpcc+W×(1-H(E))
其中，QPsmo为平滑纹理区域的量化参数，QPgpcc是G-PCC中的原始量化步长，W是自定义参数，H(E)为纹理复杂度的熵；
对所述点云子块的复杂纹理区域计算量化参数的方法为：
QPcom＝QPgpcc-W×H(E)
其中，QPcom为复杂纹理区域计算量化参数，QPgpcc是G-PCC中的原始量化步长，W是自定义参数，H(E)为纹理复杂度的熵。
与现有技术相比，本发明具有如下优点和技术效果：
本发明提供的一种自适应采样和量化的点云属性压缩方法，在现有G-PCC的基础上，计算子块的纹理复杂度，在无损压缩时，根据纹理复杂度更新每个子块的采样距离，提高了参考点的预测精度使得预测误差减小，从而有效降低了码流。在有损压缩时根据纹理复杂度更新每个子块的量化参数，有效提升了复杂区域的图像质量。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是本发明实施例的一种基于自适应采样和量化的点云属性压缩方法的流程示意图；
图2是本发明实施例的采用灰度共生矩阵(GLCM)计算的复杂性可视化图，其中，图2(a)为点云测试序列soldier的纹理复杂性可视化结果，图2(b)为点云测试序列loot的纹理复杂性可视化结果，图2(c)为点云测试序列redandblack的纹理复杂性可视化结果；
图3是本发明实施例的有损压缩的主观质量对比图，其中，图3(a)为R01编码条件下点云测试序列soldier_vox10_0690.ply的重建结果对比，图3(b)为R02编码条件下点云测试序列loot_vox10_1200.ply的重建结果对比，图3(c)为R03编码条件下点云测试序列redandblack_vox10_1550.ply的重建结果对比；
图4是本发明实施例的有损压缩下，soldier_vox10_0690.ply和redandblack_vox10_1550.ply的客观性能对比图示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
通过分析点云不同局部区域的纹理复杂度，无损压缩时，在细节级别划分阶段根据不同的纹理信息使用不同的采样距离来提高预测精度。有损压缩时，在量化阶段根据不同的纹理复杂度，选择不同的量化步长，提高重要区域的图像质量。
本发明提出了一种基于自适应采样和量化的点云属性压缩方法，如图1所示，具体包括以下步骤：
(1)点云子块划分：读入待处理的点云几何和属性信息，使用八叉树将点云划分为N*N*N的立方体子块。每个立方体子块代表相应的局部区域。
(2)计算每个立方体子块的纹理复杂度：使用灰度共生矩阵(GLCM)计算每个点云子块的纹理信息，并使用熵计算GLCM的灰度对来评估子块的纹理复杂度。熵H(E)的计算公式为：
其中，L表示灰度级的数量，Gi,j表示灰度对，i为行索引，j为列索引。纹理区域越复杂，其熵值就越大。
图2为采用灰度共生矩阵(GLCM)计算的复杂性可视化图，其中图(a)、(b)、(c)的左图分别为soldier、loot和redandblack的原始点云序列，右图为相应的纹理复杂性可视化结果，颜色越深表示该区域的纹理越复杂。
(3)根据子块的纹理复杂性计算采样距离，生成细节级别(LOD)：无损压缩时，在细节层次(LOD)划分阶段，根据不同子块的纹理复杂度计算对应的采样距离。纹理越复杂，采样距离越小，上层的点就越多，根据更新后的采样距离生成细节层次(LOD)，同时有更多的参考点，预测更准确。根据纹理复杂度更新采样距离Dbest，计算公式为：
Dbest＝(1-α×H(E))×Dgpcc (2)
其中，α是自定义参数，H(E)表示纹理复杂度的熵，Dgpcc是G-PCC中的原始采样距离。
(4)根据细节级别生成预测器，根据预测器预测点云属性。
(5)若为无损压缩，则直接进行编码，若为有损压缩，则根据子块的纹理复杂性计算量化参数：对复杂纹理区域减小量化参数以在点云的重要区域中保留更多细节信息，对纹理平滑区域增大量化参数以平衡码率，提升图像质量。在平滑纹理区域中增加量化步长以平衡复杂区域增加的比特。复杂纹理区域的量化参数(QPcom)的计算公式如下，
QPcom＝QPgpcc-W×H(E) (3)
其中，QPgpcc是G-PCC中的原始量化参数，W是自定义参数。
平滑区域的QPsmo计算公式如下，
QPsmo＝QPgpcc+W×(1-H(E)) (4)
其中QPgpcc是G-PCC中的原始量化步长，W是自定义参数。
(6)根据更新后的量化参数量化残差，并对残差进行熵编码。
为了验证本发明的基于纹理复杂性自适应采样和量化的点云属性压缩方法的效果，本发明使用MPEG发布的公开数据集进行实验，在压缩性能上与现有的主流压缩方案G-PCC的预测/提升变换属性压缩方法对比结果如表1、图3和图4所示。
表1
点云测试序列 比特流节省(无损几何无损属性)
boxer_viewdep_vox12 -0.26％
loot_vox10_1200 -0.88％
longdress_vox10_1300 -0.87％
redandblack_vox10_1550 -1.03％
soldier_vox10_0690 -0.99％
thaidancer_viewdep_vox12 -0.68％
Average -0.69％
从表1中可以看出，在该点云测试集中，比特流最大节省了1.03％，平均节省了0.69％。本发明的方法在属性无损压缩中性能优于现有的主流方法G-PCC。
图3为有损压缩下的主观质量对比结果，图4为有损压缩下的客观性能对比的率失真RD曲线对比结果。从图3和图4中可以看出，在有损压缩下,本发明方法在保持性能的同时，可以保留更多的细节信息，从而提升主观质量。本发明的方法在属性有损压缩中性能优于现有的主流方法G-PCC。
以上，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。

Claims (8)

1.一种基于自适应采样和量化的点云属性压缩方法，其特征在于，包括：
划分点云子块，并计算所述点云子块的纹理复杂度；
根据配置信息判断所述点云子块的压缩类型，所述压缩类型包括：无损压缩和有损压缩；
若为无损压缩，则根据所述纹理复杂度计算采样距离，生成细节级别，根据所述细节级别，生成预测器，完成点云的无损压缩；
若为有损压缩，在量化阶段，则根据所述纹理复杂度计算量化参数，根据所述量化参数量化预测残差，完成点云的有损压缩。
2.根据权利要求1所述的一种基于自适应采样和量化的点云属性压缩方法，其特征在于，利用八叉树将点云划分为立方体点云子块。
3.根据权利要求1所述的一种基于自适应采样和量化的点云属性压缩方法，其特征在于，计算所述点云子块的纹理复杂度包括：
使用灰度共生矩阵计算所述点云子块的纹理信息；
利用熵计算所述点云子块的纹理信息的灰度，获取所述点云子块的纹理复杂度。
4.根据权利要求3所述的一种基于自适应采样和量化的点云属性压缩方法，其特征在于，所述熵的计算方法为：
其中，H(E)为熵，L为灰度级的数量，Gi,j为灰度对，i为行索引，j为列索引。
5.根据权利要求1所述的一种基于自适应采样和量化的点云属性压缩方法，其特征在于，根据所述纹理复杂度计算采样距离，生成细节级别包括：则根据所述纹理复杂度计算对应的采样距离，并更新所述采样距离，根据更新后的所述采样距离生成细节级别。
6.根据权利要求5所述的一种基于自适应采样和量化的点云属性压缩方法，其特征在于，更新所述采样距离的方法为：
Dbest＝(1-α×H(E))×Dgpcc
其中，Dbest为更新后的采样距离，α为自定义参数，H(E)为纹理复杂度的熵，Dgpcc为G-PCC中的原始采样距离。
7.根据权利要求1所述的一种基于自适应采样和量化的点云属性压缩方法，其特征在于，根据所述量化参数，完成点云的有损压缩包括：根据所述量化参数，量化残差，并对量化后的所述残差进行编码。
8.根据权利要求7所述的一种基于自适应采样和量化的点云属性压缩方法，其特征在于，根据所述纹理复杂度计算量化参数包括：
对所述点云子块的平滑纹理区域和复杂纹理区域计算量化参数；
对所述点云子块的平滑纹理区域计算量化参数的方法为：
QPsmo＝QPgpcc+W×(1-H(E))
其中，QPsmo为平滑纹理区域的量化参数，QPgpcc是G-PCC中的原始量化步长，W是自定义参数，H(E)为纹理复杂度的熵；
对所述点云子块的复杂纹理区域计算量化参数的方法为：
QPcom＝QPgpcc-W×H(E)
其中，QPcom为复杂纹理区域计算量化参数，QPgpcc是G-PCC中的原始量化步长，W是自定义参数，H(E)为纹理复杂度的熵。
CN202311641107.XA 2023-12-04 一种基于自适应采样和量化的点云属性压缩方法 Active CN117579832B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311641107.XA CN117579832B (zh) 2023-12-04 一种基于自适应采样和量化的点云属性压缩方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311641107.XA CN117579832B (zh) 2023-12-04 一种基于自适应采样和量化的点云属性压缩方法

Publications (2)

Publication Number Publication Date
CN117579832A true CN117579832A (zh) 2024-02-20
CN117579832B CN117579832B (zh) 2024-06-21

Family

ID=

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2959093A1 (fr) * 2010-04-20 2011-10-21 Canon Kk Procede et dispositif de prediction d'une information de complexite de texture contenue dans une image
CN110139109A (zh) * 2018-02-08 2019-08-16 北京三星通信技术研究有限公司 图像的编码方法及相应终端
CN114782564A (zh) * 2022-06-21 2022-07-22 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
CN115314701A (zh) * 2022-01-19 2022-11-08 青岛大学 一种v-pcc编码点云感知质量评估方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2959093A1 (fr) * 2010-04-20 2011-10-21 Canon Kk Procede et dispositif de prediction d'une information de complexite de texture contenue dans une image
CN110139109A (zh) * 2018-02-08 2019-08-16 北京三星通信技术研究有限公司 图像的编码方法及相应终端
CN115314701A (zh) * 2022-01-19 2022-11-08 青岛大学 一种v-pcc编码点云感知质量评估方法
CN114782564A (zh) * 2022-06-21 2022-07-22 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

Similar Documents

Publication Publication Date Title
CN110418135B (zh) 一种基于邻居的权重优化的点云帧内预测方法及设备
US20220005230A1 (en) Point Cloud Encoding and Decoding Methods, Encoding Device and Decoding Device
WO2019213986A1 (zh) 一种基于多角度自适应帧内预测的点云属性压缩方法
CN101925926B (zh) 基于预测的图像处理
JP2012529825A (ja) １以上のコンポーネントから構成される３ｄメッシュモデルを符号化／復号化する方法
EP4040393A1 (en) Division method, encoder, decoder, and computer storage medium
WO2021062772A1 (zh) 预测方法、编码器、解码器及计算机存储介质
CN113163203A (zh) 深度学习特征压缩和解压缩方法、系统及终端
CN115278257A (zh) 一种图像压缩方法、装置、电子设备及存储介质
CN117542488B (zh) 一种用于脑肿瘤ct数据的智能处理方法
CN112702600B (zh) 一种图像编解码神经网络分层定点化方法
CN117579832B (zh) 一种基于自适应采样和量化的点云属性压缩方法
CN117579832A (zh) 一种基于自适应采样和量化的点云属性压缩方法
CN116250008A (zh) 点云的编码、解码方法、编码器、解码器以及编解码系统
US20230245347A1 (en) Parent-child cluster compression
CN112929663B (zh) 一种基于知识蒸馏的图像压缩质量增强方法
WO2022120594A1 (zh) 点云编解码方法、编码器、解码器及计算机存储介质
CN112243129B (zh) 视频数据处理方法、装置、计算机设备及存储介质
CN110035285B (zh) 基于运动矢量敏感度的深度预测方法
CN109618155B (zh) 压缩编码方法
CN114189695A (zh) 一种基于gan的hevc压缩视频视觉感知提升方法
CN113992911A (zh) 全景视频h264编码的帧内预测模式确定方法和设备
CN110855991A (zh) 一种计算机图像处理的图形数据压缩方法
JP6985609B2 (ja) 符号化装置、画像補間システム及び符号化プログラム
Tao et al. Improvement of re-sample template matching for lossless screen content video

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