WO2022067782A1 - 一种点云数据的层次划分方法、编码器及存储介质 - Google Patents

一种点云数据的层次划分方法、编码器及存储介质 Download PDF

Info

Publication number
WO2022067782A1
WO2022067782A1 PCT/CN2020/119698 CN2020119698W WO2022067782A1 WO 2022067782 A1 WO2022067782 A1 WO 2022067782A1 CN 2020119698 W CN2020119698 W CN 2020119698W WO 2022067782 A1 WO2022067782 A1 WO 2022067782A1
Authority
WO
WIPO (PCT)
Prior art keywords
division
layer
point cloud
prediction error
detail
Prior art date
Application number
PCT/CN2020/119698
Other languages
English (en)
French (fr)
Inventor
万帅
魏磊
杨付正
丁晓斌
Original Assignee
Oppo广东移动通信有限公司
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 Oppo广东移动通信有限公司 filed Critical Oppo广东移动通信有限公司
Priority to CN202080104522.XA priority Critical patent/CN116097650A/zh
Priority to PCT/CN2020/119698 priority patent/WO2022067782A1/zh
Publication of WO2022067782A1 publication Critical patent/WO2022067782A1/zh

Links

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
    • H04N19/60—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using transform coding

Definitions

  • the number of division layers for the LOD is manually set by the user.
  • the number of LOD division layers is usually set to a large number. Since different point clouds have different characteristics, if the number of division layers is too large, although the best coding performance can be obtained, unnecessary LOD layers may also be generated at the same time, which will increase the time complexity and cause coding problems. Performance has not improved.
  • the process of implementing LOD pre-division for point cloud data based on Morton codes is as follows:
  • each iteration is traversed according to the index of the savepoint in the variable I.
  • Each traversal calculates the distance from the current point to all points within a certain range in the set O(k). Based on the Morton order value corresponding to the current point, search is performed in a search range SR1 of the set O(k) (SR1 represents the search range based on Morton order, generally 8, 16, 64), if it is within this range If the distance from the current point is found to be less than the threshold dl, the current point is added to the set L(k), otherwise it is added to the set O(k).
  • the division of the LOD is described by taking the division of the LOD as the division based on the sampling distance as an example.
  • the preset number of layers model can be shown in formula (7), as follows:
  • formula (9) and formula (10) are the corresponding relationship between the division parameter and the weighting ratio parameter.
  • ri is related to the division parameter (here, the sampling distance).
  • ri is related to the sampling distance D 0 for the first layer, and for the second layer and above, ri is related to the ratio of two adjacent sampling distances.
  • ri is related to the sampling distance ratio of two adjacent layers of LODs.
  • the LOD sampling distance ratio of two adjacent layers is set to 2 (this application does not limit this distance ratio).
  • i P, where the ratio r 1 of the first division of the LOD is related to the initial division distance D 0 .
  • the encoder performs power function fitting on the first functional relationship and the second functional relationship, respectively, to obtain the first error model (for example, formula (5)) and the second error with the division parameters as variables model (such as formula (6)), the encoder then replaces the prediction error of the enhancement layer and the prediction error of the detail layer in the first prediction error model with the expressions of the first error model and the second error model, and obtains the minimum prediction error. ization model.
  • Equation (16) Equation (16)
  • an acquisition part 10 configured to acquire point cloud data to be processed
  • the determining part 11 is further configured to perform a first prediction process on the estimated enhancement layer, and determine the enhancement layer prediction error of the estimated enhancement layer;
  • the layer performs a second prediction process to determine the layer of detail prediction error for the estimated layer of detail.
  • the pre-division includes: a Morton code-based division.
  • the embodiments of the present application provide a method for dividing point cloud data, an encoder, and a storage medium.
  • the encoder can use analog division for the point cloud data, and perform After the fitting process, it is determined that the fitting parameters that can ensure the best coding performance are obtained.
  • the fitting parameters can be used to specifically confirm the number of levels of detail that can be divided into the point cloud data. It is not necessarily the largest, but the coding performance can be guaranteed to be optimal, and the accuracy of the number of detail division layers can be improved under the premise of ensuring the coding performance.

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Compression, Expansion, Code Conversion, And Decoders (AREA)
  • Compression Or Coding Systems Of Tv Signals (AREA)

Abstract

本申请实施例提供了一种点云数据的层次划分方法、编码器及存储介质。上述方法包括：获取待处理的点云数据；对点云数据进行预分析和预拟合，确定拟合参数；基于拟合参数，确定编码性能最优的细节层次划分层数；根据细节层次划分层数，对点云数据进行层次划分，并对点云数据进行编码。

Description

一种点云数据的层次划分方法、编码器及存储介质 技术领域
本申请实施例涉及通信领域中的视频编解码技术，尤其涉及一种点云数据的层次划分方法、编码器及存储介质。
背景技术
在基于几何的点云压缩(Geometry-based Point Cloud Compression，G-PCC)编码器框架中，点云的几何信息和每个点云所对应的属性信息是分开进行编码的。几何编码完成后，会对几何信息进行重建，而属性信息的编码将依赖于重建的几何信息。其中，属性信息编码主要针对颜色信息的编码，而在颜色信息编码中，主要有两种变换方法，一是基于距离进行细节层次(Level of Detail，LOD)划分的提升变换，另一是直接进行的区域自适应分层变换(Region Adaptive Hierarchal Transform，RAHT)，这两种方法都会将颜色信息从空间域转换到频域，通过变换得到高频系数和低频系数，最后对系数进行量化并编码，生成二进制码流。
在相关技术中，在点云的LOD划分的过程中，由用户手动设置对LOD的划分层数。在点云基于几何的点云的G-PCC编码器框架的通用测试条件中，通常将LOD的划分层数设置为一个较大的数。由于不同的点云具有不同的特性，因此，若划分层数选择太大，虽然可以得到最佳的编码性能，但是同时可能也会生成不必要的LOD层，这会增加时间复杂度而对编码性能则没有提升。
发明内容
本申请实施例期望提供一种点云数据的层次划分方法、编码器及存储介质，能够保证编码性能的前提下，提升细节划分层数的准确性。
本申请实施例的技术方案可以如下实现：
第一方面，本申请实施例提供了一种点云数据的层次划分方法，包括：
获取待处理的点云数据；
对所述点云数据进行预分析和预拟合，确定拟合参数；
基于所述拟合参数，确定编码性能最优的细节层次划分层数；
根据所述细节层次划分层数，对所述点云数据进行层次划分，并对所述点云数据进行编码。
第二方面，本申请实施例提供了一种编码器，包括：
获取部分，被配置为获取待处理的点云数据；
确定部分，被配置为对所述点云数据进行预分析和预拟合，确定拟合参数；以及基于所述拟合参数，确定出编码性能最优的细节层次划分层数；
划分部分，被配置为根据所述细节层次划分层数，对所述点云数据进行层次划分；
编码部分，被配置为对所述点云数据进行编码。
第三方面，本申请实施例还提供了一种编码器，包括：
存储器和处理器；
所述存储器，用于存储能够在所述处理器上运行的计算机程序；
所述处理器，用于在运行所述计算机程序时，执行本申请实施例提供的点云数据的层次划分方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，存储有可执行点云层次划分指令，用于引起处理器执行时，实现本申请实施例提供的点云数据的层次划分方法。
本申请实施例提供了一种点云数据的层次划分方法、编码器及存储介质，包括：获取待处理的点云数据；对点云数据进行预分析和预拟合，确定拟合参数；基于拟合参数，确定编码性能最优的细节层次划分层数；根据细节层次划分层数，对点云数据进行层次划分，并对点云数据进行编码。采用上述技术实现方案，由于编码器在对待处理的点云数据进行编码的过程中，可以采用针对点云数据的模拟划分，并进行拟合处理，确定得到了可以保证编码性能最优的拟合参数，这样就可以采用该拟合参数再具体的确认出该点云数据可以划分的细节层次划分层数，该细节层次划分层数不一定是最大的，但是已经可以保证编码性能最优了，达到了保证编码性能的前提下，提升细节划分层数的准确性。
附图说明
图1为本申请实施例提供的示例性的编码流程框图；
图2为本申请实施例提供的示例性的解码流程框图；
图3为本申请实施例提供的示例性的LOD划分的实现流程示意图；
图4为本申请实施例提供的一种点云数据的层次划分方法的流程图；
图5为本申请实施例提供的示例性的基于莫顿码进行LOD划分的结构示意图；
图6为本申请实施例提供的一种编码器的结构示意图一；
图7为本申请实施例提供的一种编码器的结构示意图二。
具体实施方式
为了能够更加详尽地了解本申请实施例的特点与技术内容，下面结合附图对本申请实施例的实现进行详细阐述，所附附图仅供参考说明之用，并非用来限定本申请实施例。
在本申请实施例中，在点云G-PCC编码器框架中，将输入三维图像模型的点云进行slice划分后，对每一个slice进行独立编码。
如图1所示的G-PCC编码的流程框图中，应用于点云编码器中，针对待编码的点云数据，先通过slice划分，将点云数据划分为多个slice。在每一个slice中，点云的几何信息和每个点云所对应的属性信息是分开进行编码的。在几何编码过程中，对几何信息进行坐标转换，使点云全都包含在一个bounding box(包围盒)中，然后再进行量化，这一步量化主要起到缩放的作用，由于量化取整，使得一部分点云的几何信息相同，于是在基于参数来决定是否移除重复点，量化和移除重复点这一过程又被称为体素化过程。接着对bounding box进行八叉树划分。在基于八叉树的几何信息编码流程中，将包围盒八等分为8个子立方体，对非空的(包含点云中的点)的子立方体继续进行八等分，直到划分得到的叶子结点为1x1x1的单位立方体时停止划分，对叶子结点中的点进行算术编码，生成二进制的几何比特流，即几何码流。在基于trisoup(triangle soup，三角面片集)的几何信息编码过程中，同样也要先进行八叉树划分，但区别于基于八叉树的几何信息编码，该trisoup不需要将点云逐级划分到边长为1x1x1的单位立方体，而是划分到block(子块)边长为W时停止划分，基于每个block中点云的分布所形成的表面，得到该表面与block的十二条边所产生的至多十二个vertex(交点)，对vertex进行算术编码(基于交点进行表面拟合)，生成二进制的几何比特流，即几何码流。Vertex还用于 在几何重建的过程的实现，而重建的集合信息在对点云的属性编码时使用。
在属性编码过程中，几何编码完成，对几何信息进行重建后，进行颜色转换，将颜色信息(即属性信息)从RGB颜色空间转换到YUV颜色空间。然后，利用重建的几何信息对点云重新着色，使得未编码的属性信息与重建的几何信息对应起来。在颜色信息编码过程中，主要有两种变换方法，一是依赖于细节层次(Level of Detail，LOD)划分的基于距离的提升变换，二是直接进行区域自适应分层变换(Region Adaptive Hierarchal Transform，RAHT)的变换，这两种方法都会将颜色信息从空间域转换到频域，通过变换得到高频系数和低频系数，最后对系数进行量化(即量化系数)，最后，将经过八叉树划分及表面拟合的几何编码数据与量化系数处理属性编码数据进行slice合成后，依次编码每个block的vertex坐标(即算数编码)，生成二进制的属性比特流，即属性码流。
如图2所示的G-PCC解码的流程框图中，应用于点云解码器中。解码器获取二进制码流，针对二进制码流中的几何比特流和属性比特流分别进行独立解码。在对几何比特流的解码时，通过算术解码-八叉树合成-表面拟合-重建几何-反坐标变换，得到点云的几何信息；在对属性比特流的解码时，通过算术解码-反量化-基于LOD的反提升或者基于RAHT的反变换-反颜色转换，得到点云的属性信息，基于几何信息和属性信息还原待编码的点云数据的三维图像模型。
需要说明的是，属性信息的编码分为三种模式：预测模式、提升模式和RAHT模式。对于预测模式和提升模式，需要对点云进行LOD划分。LOD就是根据某种方式将点云划分为一系列的增强层和细节层，如图3所示，图3为本申请一示例性实施例进行LOD划分的实现流程示意图，结合图3进行以下说明：
对于点集合401(LOD1)，将其划分为表示点云细节信息的集合A1，与表示点云的骨架信息的点集合402(LOD2)；然后，针对点集合402，将其划分为表示点云细节信息的集合A2，与表示点云的骨架信息的点集合403(LOD3)。
在相关技术中，对于LOD的划分层数没有规定，由用户手动设置，但是同时也没有规定LOD划分层数的范围。在当前G-PCC的通用测试条件下，对所有点云都设置一个较大的LOD生成层数。然而，对于具有不同特征的点云，应该设置不同的LOD层数。如果该层数选择不当，很可能得不到最优的编码性。另一方面，如果LOD层数设置得太大，虽然可以得到最佳的编码性能，但是同时可能也会生成不必要的LOD层，这会增加时间复杂度而对编码性能则没有提升。
基于上述介绍的背景下，下面介绍本申请实施例提供的点云数据的层次划分方法，应用于点云数据的层次划分设备中，这里的点云数据的层次划分设可以为点云编码器，即编码器中。本申请作用于生成LOD的过程中。
如图4所示，本申请实施例提供了一种点云数据的层次划分方法，该方法可以包括：
S101、获取待处理的点云数据；
S102、对点云数据进行预分析和预拟合，确定拟合参数；
S103、基于拟合参数，确定编码性能最优的细节层次划分层数；
S104、根据细节层次划分层数，对点云数据进行层次划分，并对点云数据进行编码。
在S101中，在本申请实施例中，针对一个三维图像模型的编码处理过程中，获取待编码的三维图像模型在空间中的原始点云数据，原始点云数据中可以三维图像模型的几何信息和属性信息。在对三维图像模型进行编码的过程中，点云的几何信息和每点所对应的属性信息是分开进行编码的。其中，几何信息包括：点云法向量、曲率、点云密度、点云表面粗糙度、点云重心、点云权重重心、点云协方差和点云互协方差等。属性信息包括：输入点云的划分距离的平方、划分总层数、颜色空间的信息、空间分辨率、点位精度和表面法向量等。在几何信息编码时的条带(slice)的划分完成后，针对每个 slice的点云数据，即待处理的点云数据进行几何编码和属性编码，在属性编码的生成LOD的过程中，采用本申请实施例提供的点云数据的层次划分方法实现。
在S102中，编码器在进行属性编码的LOD划分时，对待处理的点云数据进行特性分析和拟合，来确定出进行LOD划分时的拟合参数。
需要说明的是，编码器对待处理的点云数据进行预分析和预拟合的目的是为了得到编码性能最优，即达到无损压缩时的拟合参数的。
在本申请实施例中，预分析可以包括预划分的方式，也可以包括其他可以分析出待处理的点云数据的可达到无损压缩目的的其他方式，本申请实施例不作限制。
在本申请的一些实施例中，当预分析为预划分时，编码器对点云数据进行预划分，得到增强层划分参数、估计增强层、估计细节层和细节层划分参数；对估计增强层和估计细节层进行预测，确定增强层预测误差和细节层预测误差；基于增强层预测误差、增强层划分参数、细节层预测误差和细节层划分参数进行预拟合，确定拟合参数。
需要说明的是，预划分只是模拟划分的过程，并不是实际进行LOD划分的过程。
在本申请实施例中，预划分的分层的方式可以是基于莫顿码实现，还可以是基于采样距离实现。
在本申请实施例中，即预划分包括：基于采样距离的划分。增强层划分参数为当前层所采用的采样距离，细节层划分参数为当前层的相邻点之间的距离。
在本申请实施例中，预划分包括：基于莫顿码的划分。增强层划分参数为当前层的莫顿码的比特右移位数，细节层划分参数为基于划分顺序的前一层的莫顿码的比特右移位数；其中，根据点云数据中点的位置参数确定莫顿码。
需要说明的是，增强层可以为多层，每层都对应一个增强层划分参数。
在一些可能的实现方式中，基于莫顿码实现对点云数据进行LOD的预划分的过程如下：
首先，假设变量(P i) i＝1...N保存原始的待处理的点云数据，变量(M i) i＝1....N为与每个点相关的莫顿值。并且设置D0和ρ分别为两个用户设置的初始参数，用于作为预划分LOD距离阈值的参数，其中，ρ>1。其中计算莫顿码的具体方法描述如下所示，对于每一个分量用d比特二进制数表示的三维坐标，其三个分量可以表示为公式(1)所示：
Figure PCTCN2020119698-appb-000001
其中，x l,y l,z l∈{0,1}分别是x，y，z的最高位(l＝1)到最低位(l＝d)对应的二进制数值。莫顿码M是对x，y，z从最高位开始，依次交叉排列x l,y l,z l到最低位，M的计算公式如下公式(2)所示：
Figure PCTCN2020119698-appb-000002
其中，m l'∈{0,1}分别是M的最高位(l'＝1)到最低位(l'＝3d)的值。在得到点云中每个点的莫顿码M后，将点云中的点按莫顿码由小到大的顺序进行排列。
在一些实施例中，在点云的压缩过程中，根据几何信息的编码可以得到点云的包围盒大小，根据最长的边构造一个立方体，即为点云的根节点。
在一些可能的实现方式中，基于莫顿码右移的LOD生成过程中，首先根据aps.dist2和输入点云进行计算得到abh.attr_dist2_delta，然后根据aps.dist2和abh.attr_dist2_delta计算得到初始右移位数shiftbits0，如公式(3)所示：
shiftbits0＝aps.dist2+abh.attr_dist2_delta     (3)
其中，第一次右移位数shiftbits为shiftbits0，对应的节点大小为2 shifbits0，表示为图5中的A。接着进行LOD划分时，每划分一层，shiftbits加1；而每右移1位，节点的边长增加为前一层节点的2倍，表示为图5中的2A。
当划分到第N层时，shiftbits＝shiftbits0+(N-1)，此时节点大小为2 N-1+shifbits0。在本申请一示例性实施例中，LOD划分终止的条件为：当划分到根节点时，结束LOD划分，此时根节点大小为2 maxRootNodeDimLog2，可以得到公式(4)：
2 N-1+shifbits0≤2 maxRootNodeDimLog2        (4)
编码器预划分结束时，前N-1层为估计增强层，第N层为估计细节层，且增强层划分参数为每层当前的右移位数，细节层划分参数为第N-1层的右移位数。
在本申请的另一实现方式中，基于采样距离实现对点云数据进行LOD预分层的过程如下：
LOD的生成过程是通过一组用户设置的不同距离阈值(d l) l＝0...L-1将原始输入点云划分为不同的细化级别(R l) l＝0...L-1。注意该距离阈值(d l) l＝0...L-1需要满足公式(1)所示的两个条件：即，
Figure PCTCN2020119698-appb-000003
该LOD的预划分过程是确定的，是在点云几何重建之后，这时候可以得到点云的几何坐标信息。该划分LOD的过程同时应用在点云的编码和解码端，LOD划分的具体过程如下：
变量I中保存着所有点的索引，该算法进行不断地迭代，在第k迭代时，属于LODk中的点会从LOD0到第LODk-1层中进行查找最近邻居。该算法的具体过程如下：
首先，初始化采样距离D＝D 0；
然后，在第k次迭代时，k＝0,1…N-1(N为LOD划分的总层数)。变量L(k)保存属于第k层LOD中的点，变量O(k)属于比LODk层更高的点集。其中，L(k)和O(k)的计算步骤如下：
第一步，首先，O(k)和L(k)被初始化；
其中，L(k)被初始化为空集；O(k)初始化为空集。
第二步，每一次迭代按照变量I中保存点的索引进行遍历。每一次遍历都会计算当前点到集合O(k)中一定范围内所有点的距离。基于当前点所对应的莫顿序值，在集合O(k)的一个搜索范围SR1内进行查找(SR1代表基于莫顿序的搜索范围，一般为8，16，64)，如果在该范围内查找到距离当前点距离小于阈值dl，就将当前的点加入到集合L(k)中，否则加入到集合O(k)中。
第三步，在每一次迭代的过程中，集合L(k)和O(K)分别进行计算，并且O(k)中的点会被用来作为集合L(k)中点的预测点，如此，实现对点云数据的LOD预分层。假设集合R(k)＝L(k)\L(k-1)，其中R(k)代表LOD(k-1)与LOD(k)集合相差部分的点集。
其中，最后预划分得到的一系列O(k)就是估计增强层，而得到的最后一个L(k)就是估计细节层。其中，每层所采用的采样距离为该层对应的增强层划分参数，细节层中的当前层的相邻点之间的距离为细节层划分参数。
采用上述方法，编码器可以进行预划分得到划分后的增强层划分参数、估计增强层、细节层划分参数和估计细节层。编码器对估计增强层进行第一预测处理，确定估计增强层的增强层预测误差；对估计细节层进行第二预测处理，确定估计细节层的细节层预测误差。
在本申请实施例中，第一预测处理包括：层间预测和层内预测；第二预测处理为层内预测。
在本申请的一些实施例中，编码器对估计增强层进行层间预测和层内预测，确定估计增强层的增强层预测误差；对估计细节层进行层内预测，确定估计细节层的细节层预测误差。
在本申请的一些实施例中，拟合参数包括：第一拟合参数和第二拟合参数；编码器可以根据增强层预测误差和增强层划分参数，使用第一误差模型进行预拟合处理，确定第一拟合参数；根据细节层预测误差和细节层划分参数，使用第二误差模型进行预拟合处理，确定第二拟合参数。
在本申请实施例中，第一误差模型和第二误差模型可以为幂函数的模型。
示例性的，第一误差模型可以为公式(5)，第二误差模型可以为公式(6)。如下：
Figure PCTCN2020119698-appb-000004
Figure PCTCN2020119698-appb-000005
其中，f(d 1)表示细节层预测误差，g(d 2)表示增强层预测误差，d 1表示细节层划分参数，d 2表示增强层划分参数。
编码器可以根据公式(5)，增强层预测误差和增强层划分参数，进行拟合处理，确定出第一拟合参数a 2和b 2，以及根据公式(6)，细节层预测误差和细节层划分参数，进行拟合处理，确定出第二拟合参数a 1和b 1。
在本申请的一些实施例中，编码器将细节层次划分层数设置为不大于划分层数阈值的数值。其中，划分层数阈值是预设值。
在本申请的一些实施例中，预设值是与符合性(Conformance)参数对应的取值，其中，所述符合性参数包括如下参数至少之一：档次(Profile)、等级(Tier)、级别(Level)。
在S103中，编码器基于拟合参数，确定编码性能最优的细节层次划分层数的过程就可以为根据第一述拟合参数和第二拟合参数，确定编码性能最优的细节层次划分层数。
在本申请的一些实施例中，编码器根据拟合参数，利用预设层数模型进行最优层计算，得到所述细节层次划分层数；其中，预设层数模型表征达到编码性能最优时的拟合参数与细节层次划分层数的对应关系。
在本申请实施例中，编码性能最优对应于预测误差最小。因此，预设层数模型可以是将关于编码误差有关拟合参数、划分参数和划分层数的关系式进行最小编码误差求解的过程得到的。
示例性的，在本申请实施例中，以LOD的划分为基于采样距离的划分为例进行说明。预设层数模型可以为公式(7)所示，如下：
Figure PCTCN2020119698-appb-000006
其中，N op为细节层次划分层数，D 0表示预设的初始采样距离。C 1为a 2和b 2的表达式，C 2为a 1和b 1的表达式。
其中，
Figure PCTCN2020119698-appb-000007
其中P为每次划分时，预设的增强层中的点占对应的细节层中的点的比例。详细的P的预设过程将在后续实施例中进行说明。
在本申请实施例中，将a 2、b 2、a 1和b 1代入公式(7)，得到N op。
在本申请的一些实施例中，确定预设层数模型的过程如下：
S1、确定预设预测误差模型，其中，预设预测误差模型通过增强层平均绝对误差与细节层平均绝对误差的加权构建的，预设预测误差模型包括加权比例参数；
S2、确定划分参数与加权比例参数之间的对应关系，其中，划分参数包括增强层划分参数和细节层划分参数至少之一；
S3、基于对应关系和预设预测误差模型，确定对应于划分参数的第一预测误差模型；
S4、构建划分参数与增强层预测误差的第一函数关系，以及划分参数与细节层的预测误差的第二函数关系；
S5、基于第一函数关系、第二函数关系，对第一预测误差模型进行转换，确定预测误差最小化模型；
S6、根据预测误差最小化模型，确定预测误差最小时对应的预设层数模型。
针对S1，编码器对于LOD的预测误差建立模型，点云在进行N(即N op)层的LOD划分后，被划分为{A 1，A 2，……，A N-1，LOD N}。定义平均绝对误差为E，整个点云序列的预测误差的平均绝对误差E total可以表示为LOD划分后各部分的预测误差的平均绝对误差的加权和，即增强层(A i) i＝1,…,N-1的平均绝对误差(E Ai) i＝1,…,N-1(即增强层平均绝对误差)与细节层LOD N的平均绝对误差
Figure PCTCN2020119698-appb-000008
(细节层平均绝对误差)的加权和，得到预设预测误差模型。其中，加权比例参数为p 1,i和p 2,N。
示例性的，预设预测误差模型如公式(8)所示：
Figure PCTCN2020119698-appb-000009
其中，p 1,i为A i中的点的数量占点云中全部点数的比例，p 2,N为LOD N中的点的数量占点云中全部点数的比例，且有
Figure PCTCN2020119698-appb-000010
针对S2，在LOD划分(以采样距离为例)过程中，划分参数包括增强层划分参数和细节层划分参数至少之一，编码器确定划分参数与加权比例参数之间的对应关系可以为：
设r i为增强层A i中点的数量占对应的细节层LOD i中点的数量的比例。对于A i，有
Figure PCTCN2020119698-appb-000011
对于LOD i，有
Figure PCTCN2020119698-appb-000012
其中，公式(9)和公式(10)为划分参数与加权比例参数之间的对应关系。其中，r i与划分参数的(这里为采样距离)有关。其中，r i针对第一层，与采样距离D 0有关，针对第二层以上，r i与相邻两次的采样距离比有关。
需要说明的是，假设待处理的点云是均匀分布的，那么除了第一次采样之外，其他的采样距离都是定值，这样r i与相邻两层LOD的采样距离比有关。在G-PCC中，相邻两层的LOD采样距离比设置为2(本申请不限制该距离比)，在LOD划分到第二层以上时，每次LOD划分的比例都是一致的，r i＝P，其中，而LOD第一次划分的比例r 1与初始划分距离D 0有关。
在本申请实施例中，在实际中，点云中的点全都位于物体的表面，可以将一定范围内的点看作是二维的，此时
Figure PCTCN2020119698-appb-000013
在S3中，编码器采用对应关系，替换预设预测误差模型中的加权比例参数，得到与划分参数相关的第一预测误差模型。
在LOD划分(以采样距离为例)过程中，在N＝1时，式(1)为：
Figure PCTCN2020119698-appb-000014
LOD 1层即为点云本身。在N≥2时，第一预测误差模型如公式(11)所示：
Figure PCTCN2020119698-appb-000015
在S4中，编码器构建划分参数与增强层预测误差的第一函数关系，以及划分参数与细节层的预测误差的第二函数关系。
需要说明的是，第一函数关系表征的是划分参数与增强层预测误差的对应关系，第二函数关系为划分参数与细节层预测误差的对应关系，其中，第一函数关系中的划分参数可以为增强层划分参数，第二函数关系中的划分参数可以为细节层划分参数。
示例性的，构建的划分参数与增强层预测误差的第一函数关系如公式(12)所示，构建的划分参数与细节层预测误差的第二函数关系如公式(13)所示：
Figure PCTCN2020119698-appb-000016
Figure PCTCN2020119698-appb-000017
其中，d 1表示增强层划分参数，d 2表示细节层划分参数。
也就是说，LOD的预测编码中，对于只有层内预测的情况，设
Figure PCTCN2020119698-appb-000018
其中d 1为该层内相邻点之间的距离；对于既有层间预测也有层内预测的情况，设
Figure PCTCN2020119698-appb-000019
其中d 2为当前增强层的采样距离。
在S5中，编码器对第一函数关系和第二函数关系分别进行幂函数拟合，得到以划分参数为变量的第一误差模型和第二误差模型；采用第一误差模型和第二误差模型，对第一预测误差模型进行转换，确定预测误差最小化模型。
在本申请实施例中，编码器对第一函数关系和第二函数关系分别进行幂函数拟合，就得到了以划分参数为变量的第一误差模型(例如公式(5))和第二误差模型(例如公式(6))，编码器再用第一误差模型和第二误差模型的表达式替换掉第一预测误差模型中的增强层预测误差和细节层预测误差，就得到了预测误差最小化模型。
示例性的，在LOD划分(以采样距离为例)过程中，预测误差最小化模型为公式(14)所示：
Figure PCTCN2020119698-appb-000020
其中，d 2,1为LOD初始采样距离D 0，d 2,i为生成LOD i+1层的采样距离(d 2,i＝2 i-1D 0)，d 1,N为LOD N层内相邻点的距离上一层的采样的距离(d 1,N＝d 2,N-1)。
需要说明的是，编码器可以先将第一函数关系和第二函数关系代入，第一预测误差模型，得到公式(15)后，再通过第一误差模型和第二误差模型的拟合，得到预测误差最小化模型。
Figure PCTCN2020119698-appb-000021
在S6中，编码器可以对预测误差最小化模型进行针对划分层数的求导运算，确定预设层数模型。
在本申请实施例中，E total(N)为凸函数，求E total(N)关于N的偏导数
Figure PCTCN2020119698-appb-000022
得到公式(16)：
Figure PCTCN2020119698-appb-000023
令
Figure PCTCN2020119698-appb-000024
当
Figure PCTCN2020119698-appb-000025
时，E total(N)取得极小值，即对预测误差最小化模型进行针对划分层数的求导运算，使得编码性能最优，此时的N＝N op，从而得到了预设层数模型。
示例性的，预设层数模型为公式(7)。
在本申请实施例中，即LOD划分层数为N op时，点云的预测误差的平均绝对误差E total最小，无损压缩性能达到最优。
在S104中，编码器在确定了可以达到编码性能最优的细节层次划分层数，就可以根据细节层次划分层数，对点云数据进行层次划分，并对点云数据进行编码。
在本申请的一些实施例中，编码器可以根据细节层次划分层数，对点云数据进行层次划分，得到增强层和细节层；对增强层进行层间预测和层内预测，得到高频系数；对细节层进行层内预测，得到低频系数；对高频系数和低频系数进行编码。
需要说明的是，根据细节层次划分层数，对点云数据进行层次划分的过程可以与上述描述的基于采样距离或莫顿码的划分的过程一致，此处不在赘述。
在本申请实施例中，编码器根据细节层次划分层数，对点云数据进行层次划分，并对细节层次划分层数进行编码，将编码比特写入码流，以供解码端在解码时使用。
在本申请实施例中，编码器拟合过程需要对点云数据进行两次处理：
对点云进行基于LOD的允许层内预测和层间预测的无损压缩，统计每个增强层中的预测误差，以及当前增强层的采样距离，进行拟合，得到第一拟合参数；对点云进行基于LOD的只允许层内预测的压缩和拟合，得到第二拟合参数；拟合后，利用第一拟合参数、第二拟合参数和公式(7)计算最优的LOD划分层数，即细节层次划分层数。
可以理解的是，由于编码器在对待处理的点云数据进行编码的过程中，可以采用针对点云数据的模拟划分，并进行拟合处理，确定得到了可以保证编码性能最优的拟合参数，这样就可以采用该拟合参数再具体的确认出该点云数据可以划分的细节层次划分层数，该细节层次划分层数不一定是最大的，但是已经可以保证编码性能最优了，达到了保证编码性能的前提下，提升细节划分层数的准确性。
进一步的，编码器首先对LOD的预测误差进行建模，其次对LOD各层的预测误差与距离的关系进行拟合，最后根据拟合结果和预测误差的模型可以计算得到最优的LOD划分层数使点云无损压缩的属性比特率最小，同时可以避免不需要的LOD划分，从而节省了编解码时间。
对来自于静态物体和场景中的A类数据集点云序列longdress_vox10_1300，redandblack_vox10_1550，soldier_vox10_0690，basketball_player_vox11_00000200， dancer_vox11_00000001，facade_00015_vox14和frog_00067_vox12进行测试，使用所提方法计算所得的最优LOD划分层数N op与G-PCC的通用测试条件中设置的LOD划分层数N G进行比较，如表1所示。
表1
Figure PCTCN2020119698-appb-000026
从表1中可以看出，，LOD划分层数对比，采用本申请需要的N op比N G少。这样在编码过程中使点云无损压缩的属性比特率最小，同时可以避免不需要的LOD划分，从而节省了编解码时间。
如表2所示，为N op层数LOD划分时的码率占与N G层数LOD划分时的码率的比例，以及N op层数LOD划分时的复杂度占N G层数LOD划分时的复杂度的比例。
表2
Figure PCTCN2020119698-appb-000027
Figure PCTCN2020119698-appb-000028
从表2中可以看出，N op时的复杂度都小于N G，而压缩后的码率则是一致的，表示无损压缩的性能是一致的。同时使用本申请的方法计算得到的LOD划分层数则会明显的减少时间复杂度。
基于前述实施例的实现基础，如图6所示，本申请实施例提供了本申请实施例提供了一种编码器1，包括：
获取部分10，被配置为获取待处理的点云数据；
确定部分11，被配置为对所述点云数据进行预分析和预拟合，确定拟合参数；以及基于所述拟合参数，确定出编码性能最优的细节层次划分层数；
划分部分12，被配置为根据所述细节层次划分层数，对所述点云数据进行层次划分；
编码部分13，被配置为对所述点云数据进行编码。
在本申请的一些实施例中，所述确定部分11，还被配置为对所述点云数据进行预划分，得到增强层划分参数、估计增强层、细节层划分参数和估计细节层；所述预分析包括：所述预划分；对所述估计增强层和所述估计细节层进行预测，确定增强层预测误差和细节层预测误差；基于所述增强层预测误差、所述增强层划分参数、所述细节层预测误差和所述细节层划分参数进行预拟合，确定所述拟合参数。
在本申请的一些实施例中，所述确定部分11，还被配置为对所述估计增强层进行第一预测处理，确定所述估计增强层的所述增强层预测误差；对所述估计细节层进行第二预测处理，确定所述估计细节层的所述细节层预测误差。
在本申请的一些实施例中，所述拟合参数包括：第一拟合参数和第二拟合参数；所述确定部分11，还被配置为根据所述增强层预测误差和所述增强层划分参数，使用第一误差模型进行预拟合处理，确定第一拟合参数；根据所述细节层预测误差和所述细节层划分参数，使用第二误差模型进行预拟合处理，确定第二拟合参数。
在本申请的一些实施例中，所述确定部分11，还被配置为根据所述拟合参数，利用预设层数模型进行最优层计算，得到所述细节层次划分层数；其中，所述预设层数模型表征达到编码性能最优时的拟合参数与细节层次划分层数的对应关系。
在本申请的一些实施例中，所述编码性能最优对应于预测误差最小。
在本申请的一些实施例中，所述确定部分11，还被配置为确定预设预测误差模型，其中，所述预设预测误差模型通过增强层平均绝对误差与细节层平均绝对误差的加权构建的，所述预设预测误差模型包括加权比例参数。
在本申请的一些实施例中，所述确定部分11，还被配置为所述确定预设预测误差模型之后，确定划分参数与所述加权比例参数之间的对应关系，其中，所述划分参数包括增强层划分参数和细节层划分参数至少之一；基于所述对应关系和所述预设预测误差模型，确定对应于所述划分参数的第一预测误差模型；构建所述划分参数与所述增强层预测误差的第一函数关系，以及所述划分参数与所述细节层的预测误差的第二函数关系；基于所述第一函数关系、所述第二函数关系，对所述第一预测误差模型进行转换，确定预测误差最小化模型；根据所述预测误差最小化模型，确定预测误差最小时对应的所述预设层数模型。
在本申请的一些实施例中，所述确定部分11，还被配置为对所述预测误差最小化模型进行针对划分层数的求导运算，确定所述预设层数模型。
在本申请的一些实施例中，所述确定部分11，还被配置为对所述第一函数关系和所 述第二函数关系分别进行幂函数拟合，得到以所述划分参数为变量的第一误差模型和第二误差模型；采用所述第一误差模型和所述第二误差模型，对所述第一预测误差模型进行转换，确定所述预测误差最小化模型。
在本申请的一些实施例中，所述预划分包括：基于采样距离的划分。
在本申请的一些实施例中，所述增强层划分参数为当前层所采用的采样距离，所述细节层划分参数为当前层的相邻点之间的距离。
在本申请的一些实施例中，所述预划分包括：基于莫顿码的划分。
在本申请的一些实施例中，所述增强层划分参数为当前层的莫顿码的比特右移位数，所述细节层划分参数为基于划分顺序的前一层的莫顿码的比特右移位数；其中，根据所述点云数据中点的位置参数确定所述莫顿码。
在本申请的一些实施例中，所述确定部分11，还被配置为将所述细节层次划分层数设置为不大于划分层数阈值的数值。
在本申请的一些实施例中，所述划分层数阈值是预设值。
在本申请的一些实施例中，所述预设值是与符合性参数对应的取值，其中，所述符合性参数包括如下参数至少之一：档次、等级、级别。
在本申请的一些实施例中，所述编码部分13，还被配置为所述根据所述细节层次划分层数，对所述点云数据进行层次划分，得到增强层和细节层；对所述增强层进行层间预测和层内预测，得到高频系数；对所述细节层进行层内预测，得到低频系数；对所述高频系数和所述低频系数进行编码。
在本申请的一些实施例中，所述编码部分13，还被配置为根据所述细节层次划分层数，对所述点云数据进行层次划分，并对所述细节层次划分层数进行编码，将编码比特写入码流。
在实际应用中，如图7所示，本申请实施例还提供了一种点云分割设备，包括：
存储器14，用于存储可执行点云层次划分指令；
处理器15，用于执行所述存储器14中存储的可执行层次划分指令时，实现本申请实施例提供的点云数据的层次划分方法。
其中，处理器15可以通过软件、硬件、固件或者其组合实现，可以使用电路、单个或多个专用集成电路(application specific integrated circuits，ASIC)、单个或多个通用集成电路、单个或多个微处理器、单个或多个可编程逻辑器件、或者前述电路或器件的组合、或者其他适合的电路或器件，从而使得该处理器15可以执行前述测量平台的实施例中的点云数据的层次划分的相应步骤。
可以理解的是，由于编码器在对待处理的点云数据进行编码的过程中，可以采用针对点云数据的模拟划分，并进行拟合处理，确定得到了可以保证编码性能最优的拟合参数，这样就可以采用该拟合参数再具体的确认出该点云数据可以划分的细节层次划分层数，该细节层次划分层数不一定是最大的，但是已经可以保证编码性能最优了，达到了保证编码性能的前提下，提升细节划分层数的准确性。
在本申请实施例中的各组成部分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。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
所述集成的单元如果以软件功能模块的形式实现并非作为独立的产品进行销售或使用时，可以存储在一个计算机可读取存储介质中，基于这样的理解，本实施例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全部或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)或processor(处 理器)执行本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：磁性随机存取存储器(FRAM，ferromagnetic random access memory)、只读存储器(ROM，Read Only Memory)、可编程只读存储器(PROM，Programmable Read-Only Memory)、可擦除可编程只读存储器(EPROM，Erasable Programmable Read-Only Memory)、电可擦除可编程只读存储器(EEPROM，Electrically Erasable Programmable Read-Only Memory)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(CD-ROM，Compact Disc Read-Only Memory)等各种可以存储程序代码的介质，本公开实施例不作限制。
本申请实施例提供了一种计算机可读存储介质，存储有可执行点云层次划分指令，用于引起处理器执行时，实现本申请实施例提供的点云数据的层次划分方法。
工业实用性
本申请实施例提供了一种点云数据的层次划分方法、编码器及存储介质，由于编码器在对待处理的点云数据进行编码的过程中，可以采用针对点云数据的模拟划分，并进行拟合处理，确定得到了可以保证编码性能最优的拟合参数，这样就可以采用该拟合参数再具体的确认出改点云数据可以划分的细节层次划分层数，该细节层次划分层数不一定是最大的，但是已经可以保证编码性能最优了，达到了保证编码性能的前提下，提升细节划分层数的准确性。

Claims (22)

  1. 一种点云数据的层次划分方法，应用于编码器，其特征在于，包括：
    获取待处理的点云数据；
    对所述点云数据进行预分析和预拟合，确定拟合参数；
    基于所述拟合参数，确定编码性能最优的细节层次划分层数；
    根据所述细节层次划分层数，对所述点云数据进行层次划分，并对所述点云数据进行编码。
  2. 根据权利要求1所述的方法，其特征在于，所述对所述点云数据进行预分析和预拟合，确定拟合参数，包括：
    对所述点云数据进行预划分，得到增强层划分参数、估计增强层、细节层划分参数和估计细节层；所述预分析包括：所述预划分；
    对所述估计增强层和所述估计细节层进行预测，确定增强层预测误差和细节层预测误差；
    基于所述增强层预测误差、所述增强层划分参数、所述细节层预测误差和所述细节层划分参数进行预拟合，确定所述拟合参数。
  3. 根据权利要求2所述的方法，其特征在于，所述对所述估计增强层和所述估计细节层进行预测，确定增强层预测误差和细节层预测误差，包括：
    对所述估计增强层进行第一预测处理，确定所述估计增强层的所述增强层预测误差；
    对所述估计细节层进行第二预测处理，确定所述估计细节层的所述细节层预测误差。
  4. 根据权利要求2所述的方法，其特征在于，所述拟合参数包括：第一拟合参数和第二拟合参数；所述基于所述增强层预测误差、所述增强层划分参数、所述细节层预测误差和所述细节层划分参数进行预拟合，确定所述拟合参数，包括：
    根据所述增强层预测误差和所述增强层划分参数，使用第一误差模型进行预拟合处理，确定第一拟合参数；
    根据所述细节层预测误差和所述细节层划分参数，使用第二误差模型进行预拟合处理，确定第二拟合参数。
  5. 根据权利要求1或2所述的方法，其特征在于，所述基于所述拟合参数，确定编码性能最优的细节层次划分层数，包括：
    根据所述拟合参数，利用预设层数模型进行最优层计算，得到所述细节层次划分层数；其中，所述预设层数模型表征达到编码性能最优时的拟合参数与细节层次划分层数的对应关系。
  6. 根据权利要求5所述的方法，其特征在于，
    所述编码性能最优对应于预测误差最小。
  7. 根据权利要求6所述的方法，其特征在于，所述方法还包括：
    确定预设预测误差模型，其中，所述预设预测误差模型通过增强层平均绝对误差与细节层平均绝对误差的加权构建的，所述预设预测误差模型包括加权比例参数。
  8. 根据权利要求7所述的方法，其特征在于，所述确定预设预测误差模型之后，所述方法还包括：
    确定划分参数与所述加权比例参数之间的对应关系，其中，所述划分参数包括增强层划分参数和细节层划分参数至少之一；
    基于所述对应关系和所述预设预测误差模型，确定对应于所述划分参数的第一预测误差模型；
    构建所述划分参数与所述增强层预测误差的第一函数关系，以及所述划分参数与所 述细节层的预测误差的第二函数关系；
    基于所述第一函数关系、所述第二函数关系，对所述第一预测误差模型进行转换，确定预测误差最小化模型；
    根据所述预测误差最小化模型，确定预测误差最小时对应的所述预设层数模型。
  9. 根据权利要求8所述的方法，所述根据所述预测误差最小化模型，确定预测误差最小时对应的所述预设层数模型，包括：
    对所述预测误差最小化模型进行针对划分层数的求导运算，确定所述预设层数模型。
  10. 根据权利要求8所述的方法，其特征在于，所述基于所述第一函数关系、所述第二函数关系，对所述第一预测误差模型进行转换，确定预测误差最小化模型，包括：
    对所述第一函数关系和所述第二函数关系分别进行幂函数拟合，得到以所述划分参数为变量的第一误差模型和第二误差模型；
    采用所述第一误差模型和所述第二误差模型，对所述第一预测误差模型进行转换，确定所述预测误差最小化模型。
  11. 根据权利要求2所述的方法，其特征在于，
    所述预划分包括：基于采样距离的划分。
  12. 根据权利要求11所述的方法，其特征在于，
    所述增强层划分参数为当前层所采用的采样距离，所述细节层划分参数为当前层的相邻点之间的距离。
  13. 根据权利要求2所述的方法，其特征在于，
    所述预划分包括：基于莫顿码的划分。
  14. 根据权利要求13所述的方法，其特征在于，
    所述增强层划分参数为当前层的莫顿码的比特右移位数，所述细节层划分参数为基于划分顺序的前一层的莫顿码的比特右移位数；其中，根据所述点云数据中点的位置参数确定所述莫顿码。
  15. 根据权利要求1所述的方法，所述基于所述拟合参数，确定编码性能最优的细节层次划分层数，包括：
    将所述细节层次划分层数设置为不大于划分层数阈值的数值。
  16. 根据权利要求15所述的方法，其特征在于，包括：
    所述划分层数阈值是预设值。
  17. 根据权利要求16所述的方法，其特征在于，包括：
    所述预设值是与符合性参数对应的取值，其中，所述符合性参数包括如下参数至少之一：档次、等级、级别。
  18. 根据权利要求1所述的方法，其特征在于，所述根据所述细节层次划分层数，对所述点云数据进行层次划分，对所述点云数据进行编码或解码，包括：
    所述根据所述细节层次划分层数，对所述点云数据进行层次划分，得到增强层和细节层；
    对所述增强层进行层间预测和层内预测，得到高频系数；
    对所述细节层进行层内预测，得到低频系数；
    对所述高频系数和所述低频系数进行编码。
  19. 根据权利要求1所述的方法，其特征在于，所述根据所述细节层次划分层数，对所述点云数据进行层次划分，并对所述点云数据进行编码，包括：
    根据所述细节层次划分层数，对所述点云数据进行层次划分，并对所述细节层次划分层数进行编码，将编码比特写入码流。
  20. 一种编码器，其特征在于，包括：
    获取部分，被配置为获取待处理的点云数据；
    确定部分，被配置为对所述点云数据进行预分析和预拟合，确定拟合参数；以及基于所述拟合参数，确定出编码性能最优的细节层次划分层数；
    划分部分，被配置为根据所述细节层次划分层数，对所述点云数据进行层次划分；
    编码部分，被配置为对所述点云数据进行编码。
  21. 一种编码器，其特征在于，包括：
    存储器和处理器；
    所述存储器，用于存储能够在所述处理器上运行的计算机程序；
    所述处理器，用于在运行所述计算机程序时，执行如权利要求1至19任一项所述的方法。
  22. 一种计算机可读存储介质，其特征在于，所述计算机存储介质存储有点云层次划分指令，用于引起处理器执行时，实现如权利要求1至19任一项所述的方法。
PCT/CN2020/119698 2020-09-30 2020-09-30 一种点云数据的层次划分方法、编码器及存储介质 WO2022067782A1 (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202080104522.XA CN116097650A (zh) 2020-09-30 2020-09-30 一种点云数据的层次划分方法、编码器及存储介质
PCT/CN2020/119698 WO2022067782A1 (zh) 2020-09-30 2020-09-30 一种点云数据的层次划分方法、编码器及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2020/119698 WO2022067782A1 (zh) 2020-09-30 2020-09-30 一种点云数据的层次划分方法、编码器及存储介质

Publications (1)

Publication Number Publication Date
WO2022067782A1 true WO2022067782A1 (zh) 2022-04-07

Family

ID=80949466

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2020/119698 WO2022067782A1 (zh) 2020-09-30 2020-09-30 一种点云数据的层次划分方法、编码器及存储介质

Country Status (2)

Country Link
CN (1) CN116097650A (zh)
WO (1) WO2022067782A1 (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105808672A (zh) * 2016-03-01 2016-07-27 重庆市勘测院 基于浏览器的海量三维点云数据的发布方法
US20170214943A1 (en) * 2016-01-22 2017-07-27 Mitsubishi Electric Research Laboratories, Inc. Point Cloud Compression using Prediction and Shape-Adaptive Transforms
CN109257604A (zh) * 2018-11-20 2019-01-22 山东大学 一种基于tmc3点云编码器的颜色属性编码方法
US20190311501A1 (en) * 2018-04-10 2019-10-10 Apple Inc. Hierarchical point cloud compression with smoothing
CN111095929A (zh) * 2017-09-14 2020-05-01 苹果公司 点云压缩

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020072665A1 (en) * 2018-10-02 2020-04-09 Futurewei Technologies, Inc. Hierarchical tree attribute coding in point cloud coding

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170214943A1 (en) * 2016-01-22 2017-07-27 Mitsubishi Electric Research Laboratories, Inc. Point Cloud Compression using Prediction and Shape-Adaptive Transforms
CN105808672A (zh) * 2016-03-01 2016-07-27 重庆市勘测院 基于浏览器的海量三维点云数据的发布方法
CN111095929A (zh) * 2017-09-14 2020-05-01 苹果公司 点云压缩
US20190311501A1 (en) * 2018-04-10 2019-10-10 Apple Inc. Hierarchical point cloud compression with smoothing
CN109257604A (zh) * 2018-11-20 2019-01-22 山东大学 一种基于tmc3点云编码器的颜色属性编码方法

Also Published As

Publication number Publication date
CN116097650A (zh) 2023-05-09

Similar Documents

Publication Publication Date Title
WO2019153342A1 (zh) 一种基于增强图变换的点云属性压缩方法
WO2019153326A1 (zh) 一种基于帧内预测的点云属性压缩方法
JP7330306B2 (ja) 変換方法、逆変換方法、エンコーダ、デコーダ及び記憶媒体
WO2021022621A1 (zh) 一种基于邻居的权重优化的点云帧内预测方法及设备
Huang et al. Octree-Based Progressive Geometry Coding of Point Clouds.
JP7386337B2 (ja) 分割方法、符号器、復号器及びコンピュータ記憶媒体
JP7520223B2 (ja) 点群階層化方法、デコーダ、エンコーダ及び記憶媒体
WO2022120594A1 (zh) 点云编解码方法、编码器、解码器及计算机存储介质
JP7546677B2 (ja) イントラ予測方法、装置、エンコーダ、デコーダ及び記憶媒体
US20220207781A1 (en) Transform method, inverse transform method, encoder, decoder and storage medium
WO2021218509A1 (zh) 一种最近邻搜索方法、编码器、解码器及存储介质
Lefebvre et al. Compressed random-access trees for spatially coherent data
WO2021138785A1 (zh) 划分方法、编码器、解码器及计算机存储介质
WO2022067782A1 (zh) 一种点云数据的层次划分方法、编码器及存储介质
WO2022217611A1 (zh) 编解码方法及相关设备、存储介质
CN110349228B (zh) 一种数据驱动最小二乘预测的三角网格压缩方法
TWI854112B (zh) 一種最近鄰搜索方法、編碼器、解碼器及儲存媒介
WO2021139796A1 (zh) 莫顿码的构建方法、编码器、解码器、及存储介质
WO2023155045A1 (zh) 预测的方法和装置、编码器、解码器和编解码系统
Chen et al. Geometric compression of a quadrilateral mesh
EP4233006A2 (en) Devices and methods for spatial quantization for point cloud compression
Kolesnikov Optimal algorithm for lossy vector data compression
JPWO2021218509A5 (zh)
Siddiqui et al. Multi Stage Vector Quantization for the Compression of Surface and Volumetric Point Cloud Data

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20955805

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20955805

Country of ref document: EP

Kind code of ref document: A1