WO2022183500A1 - 基于投影的点云质量评价方法、装置、设备和存储介质 - Google Patents
基于投影的点云质量评价方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- WO2022183500A1 WO2022183500A1 PCT/CN2021/079370 CN2021079370W WO2022183500A1 WO 2022183500 A1 WO2022183500 A1 WO 2022183500A1 CN 2021079370 W CN2021079370 W CN 2021079370W WO 2022183500 A1 WO2022183500 A1 WO 2022183500A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- point cloud
- target
- target point
- dimensional
- image
- Prior art date
Links
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 92
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000012545 processing Methods 0.000 claims abstract description 42
- 239000013598 vector Substances 0.000 claims description 40
- 238000004590 computer program Methods 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 17
- 210000000887 face Anatomy 0.000 description 14
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 230000004927 fusion Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 238000004364 calculation method 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
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010348 incorporation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本申请涉及图像处理技术领域,提出一种基于投影的点云质量评价方法、装置、终端设备和存储介质。该方法包括:获取原始点云和目标点云,所述目标点云为对所述原始点云执行预设处理后获得的点云;将所述原始点云和所述目标点云分别投影至所述目标点云的包围盒具有的各个面,得到多个投影图像;分别对各个所述投影图像进行图像质量评估处理,得到各个所述投影图像的图像质量分数;根据各个所述投影图像的图像质量分数,确定所述目标点云的质量评价结果。与传统的基于三维点的点云质量评价方法相比,本申请能够提高对点云进行质量预测的准确度。
Description
本申请涉及图像处理技术领域,尤其涉及一种基于投影的点云质量评价方法、装置、终端设备和存储介质。
点云是空间中大量三维点的集合,每个三维点可以包含几何属性和纹理属性等信息。在对点云进行压缩、传输和渲染等处理时,可能导致不同类型的点云失真,进而影响人眼感知。基于此,人们通常需要对处理后的点云进行质量评价,建立客观的点云质量评价模型,以确定处理后的点云的质量是否符合要求。
传统的基于三维点的点云质量评价方法通常是在点云对中寻找匹配点,计算点到点或者点到平面之间的距离,然后根据计算得到的距离评价处理后的点云的质量。然而,这种方式只在欧几里得空间进行距离度量,没有考虑人眼的视觉特性,对点云进行质量预测的准确度较低。
有鉴于此,本申请实施例提供了一种基于投影的点云质量评价方法、装置、终端设备和存储介质,能够提高对点云进行质量预测的准确度。
本申请实施例的第一方面提供了一种基于投影的点云质量评价方法,包括:
获取原始点云和目标点云,所述目标点云为对所述原始点云执行预设处理后获得的点云;
将所述原始点云和所述目标点云分别投影至所述目标点云的包围盒具有的各个面,得到多个投影图像;
分别对各个所述投影图像进行图像质量评估处理,得到各个所述投影图像的图像质量分数;
根据各个所述投影图像的图像质量分数,确定所述目标点云的质量评价结果。
本申请实施例将未经处理的原始点云以及经过处理的目标点云分别投影到点云包围盒具有的各个面,得到多个投影图像;然后,分别对各个投影图像进行图像质量评估处理,得到各个投影图像的图像质量分数;最后,根据各个投影图像的图像质量分数确定该目标点云的质量评价结果,进而完成点云的质量评估和预测。在上述过程中,通过将点云投影到包围盒的各个面,获得多个投影图像,然后融合各个投影图像的图像质量分数以确定点云质量,考虑的是点云的整体图像特征,与传统的基于三维点的点云质量评价方法相比,能够提高对点云进行质量预测的准确度。
在本申请的一个实施例中,将所述原始点云和所述目标点云分别投影至所述目标点云的包围盒具有的各个面,得到多个投影图像,可以包括:
将所述原始点云和所述目标点云分别投影至所述目标点云的包围盒具有的各个面,得到多个纹理图像,所述纹理图像为对点云的纹理属性数据进行转换而得到的二维图像;
和/或
将所述原始点云和所述目标点云分别投影至所述目标点云的包围盒具有的各个面,得到多个几何图像,所述几何图像为对点云的几何属性数据进行转换而得到的二维图像。
在投影时,可以将点云的纹理属性数据(例如颜色)进行转换,投影到点云包围盒平面中,从而获得二维的投影图像,称作纹理图像,纹理图像用于表征点云的颜色等纹理信息。也可以将点云的几何属性数据(例如尺寸、深度等)进行转换,投影到点云包围盒平面中,从而获得二维的投影图像,称作几何图像,几何图像用于表征点云的尺寸、深度等几何信息。
在本申请的一个实施例中,根据各个所述投影图像的图像质量分数,确定所述目标点云的质量评价结果,可以包括:
根据各个所述投影图像的图像质量分数,分别确定所述目标点云的包围盒具有的各个面的质量分数;
对所述各个面的质量分数执行加权求和操作,得到所述目标点云的质量评价参数,其中,每个面的质量分数执行加权求和操作时对应的权重和该面的面积成正比。
通过使用多视图投影,基于面积比例进行视图融合,能够赋予不同视图不同重要性,以反映人眼显著性特征。
在本申请的一个实施例中,将所述原始点云和所述目标点云分别投影至所述目标点云的包围盒具有的各个面,得到多个投影图像,可以包括:
对所述原始点云中包含的各个三维点执行聚类处理,得到各个所述三维点的分类结果;
根据各个所述三维点的分类结果构建多个连通区域;
将所述多个连通区域分别投影至所述目标点云的包围盒具有的各个面,得到多个参考补片,所述参考补片是由所述连通区域投影至所述目标点云的包围盒时形成的二维区域;
针对每个所述参考补片,均构建和其形状相同的失真补片,从而得到多个失真补片,所述失真补片是对所述参考补片执行预设处理后获得的二维区域;
将所述多个参考补片和所述多个失真补片填充至预设的二维空白图像中,得到目标图像;
根据所述目标图像生成所述多个投影图像。
对点云的三维点根据法向量进行聚类分割,形成片状的连通区域,再将点云投影到平面上,得到多个片状投影,称为补片。然后,将原始点云和目标点云投影得到的补片相同地插入到同一个空白图像中,形成纹理图像和几何图像,并使用图像质量指标计算几何图像和纹理图像的质量分数,以表征点云视觉质量。
进一步的,对所述原始点云中包含的各个三维点执行聚类处理,得到各个所述三维点的分类结果,可以包括:
计算所述原始点云中包含的每个三维点的法向量;
针对每个所述三维点,均分别计算该三维点的法向量和所述目标点云的包围盒具有的 每个面的法向量的点积,并将该三维点分类至所述目标点云的包围盒的第一目标面对应的类别,从而得到该三维点的分类结果,其中,所述第一目标面的法向量和该三维点的法向量的点积最大;
所述根据各个所述三维点的分类结果构建多个连通区域,可以包括:
将具有相同分类结果且距离处于设定范围内的所述三维点归入同一连通区域,从而构建出多个连通区域。
对所有的三维点都执行上述相同的操作后,即完成将所有的三维点划分到包围盒各个面对应的类别的处理,这个过程也可称作三维点的初始分割。在构建连通区域时,将分类结果相同且相互距离接近的所有三维点归入同一连通区域,通过这样设置,即可将该原始点云划分为多个不同的连通区域。
进一步的,在将该三维点分类至所述目标点云的包围盒的第一目标面对应的类别之后,还可以包括:
若与该三维点相邻的各个其他三维点的分类结果均属于所述目标点云的包围盒的第二目标面对应的类别,则将该三维点的分类结果修改为所述第二目标面对应的类别。
在完成某个三维点的初始分类后,获取与该三维点相邻的各个其他三维点的分类结果,若这些相邻三维点的分类结果都属于另一个面对应的类别,则将该三维点也分类至该另一个面对应的类别。
进一步的,针对每个所述参考补片,均构建和其形状相同的失真补片,从而得到多个失真补片,可以包括:
针对所述原始点云中的每个三维点,均在所述目标点云中查找与该三维点最近的邻点,并根据该三维点所属的参考补片的信息构建对应的失真补片,其中,所述邻点在所述失真补片中的相对位置和该三维点在其所属的参考补片中的相对位置相同。
例如,针对原始点云中的某个点p
1,可以通过K近邻(K=1)算法或者迭代最近点算法等方法从目标点云中查找与p
1对应的最近邻点p
2;然后,复制p
1所属的参考补片的信息,根据该信息构建出和该参考补片的形状相同的二维补片(即失真补片),将点p
2分配到该失真补片中,且点p
2在该失真补片中的相对位置与点p
1在该参考补片中的相对位置相同。
本申请实施例的第二方面提供了一种基于投影的点云质量评价装置,包括:
点云获取模块,用于获取原始点云和目标点云,所述目标点云为对所述原始点云执行预设处理后获得的点云;
点云投影模块,用于将所述原始点云和所述目标点云分别投影至所述目标点云的包围盒具有的各个面,得到多个投影图像;
图像质量评估模块,用于分别对各个所述投影图像进行图像质量评估处理,得到各个所述投影图像的图像质量分数;
点云质量评价模块,用于根据各个所述投影图像的图像质量分数,确定所述目标点云的质量评价结果。
本申请实施例的第三方面提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如本申请实施例的第一方面提供的基于投影的点云质量评价方法的步骤。
本申请实施例的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如本申请实施例的第一方面提供 的基于投影的点云质量评价方法的步骤。
本申请实施例的第五方面提供了一种计算机程序产品,当计算机程序产品在终端设备上运行时,使得终端设备执行本申请实施例的第一方面所述的基于投影的点云质量评价方法的步骤。
可以理解的是,上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述,在此不再赘述。
图1是本申请实施例提供的一种基于投影的点云质量评价方法的一个实施例的流程图;
图2是本申请实施例提供的使用多视图正交投影,并基于面积比例进行视图融合的一种实施原理示意图;
图3是本申请实施例提供的另一种基于投影的点云质量评价方法的一个实施例的流程图;
图4是本申请实施例提供的三维点与二维像素的变换关系示意图;
图5是本申请实施例提供的使用补片投影进行点云质量评价的一种实施原理示意图;
图6是本申请实施例提供的一种基于投影的点云质量评价装置的一个实施例的结构图;
图7是本申请实施例提供的一种终端设备的示意图。
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
本申请提出一种基于投影的点云质量评价方法、装置、终端设备和存储介质,能够提高对点云进行质量预测的准确度。应当理解,本申请各个方法实施例的执行主体为各种类型的终端设备或服务器,比如手机、平板电脑、笔记本电脑、台式电脑和可穿戴设备等。
请参阅图1,示出了本申请实施例提出的一种基于投影的点云质量评价方法,包括:
101、获取原始点云和目标点云,所述目标点云为对所述原始点云执行预设处理后获得的点云;
首先,获取原始点云和目标点云。其中,原始点云是未经处理的点云,目标点云是对该原始点云执行预设处理后获得的点云,这种处理一般会带来点云的视觉质量损失,产生点云的失真现象。例如,对原始点云进行压缩,加噪声等处理,可以得到产生失真的目标点云,本申请所要评价的即为该目标点云的质量。
102、将所述原始点云和所述目标点云分别投影至所述目标点云的包围盒具有的各个面,得到多个投影图像;
然后,将该原始点云和该目标点云分别投影到该目标点云的包围盒具有的各个面,从而得到多个投影图像。包围盒是点云的最小外接几何体,包含点云内的所有三维点。包围盒是一个体积相对于点云稍大且特性简单的几何体,可以近似代替复杂的几何对象。
在处理时,会将该原始点云分别投影至该包围盒的各个面,投影至一个面即产生一个投影图像,因此若该包围盒具有N个面,则对原始点云进行投影后,将产生N个投影图像;与此类似的,将目标点云投影至该包围盒的N个面时,也会产生N个投影图像,也即总共产生2N个投影图像。另外,在投影时,可以采用正交投影或者透视投影等不同的投影方式,本申请对此不做限定。
在本申请的一种实现方式中,将所述原始点云和所述目标点云分别投影至所述目标点云的包围盒具有的各个面,得到多个投影图像,可以包括:
将所述原始点云和所述目标点云分别投影至所述目标点云的包围盒具有的各个面,得到多个纹理图像,所述纹理图像为对点云的纹理属性数据进行转换而得到的二维图像。
在投影时,可以将点云的纹理属性数据(例如颜色)进行转换,投影到点云包围盒平面中,从而获得二维的投影图像,称作纹理图像,纹理图像用于表征点云的颜色等纹理信息。
在本申请的另一种实现方式中,将所述原始点云和所述目标点云分别投影至所述目标点云的包围盒具有的各个面,得到多个投影图像,可以包括:
将所述原始点云和所述目标点云分别投影至所述目标点云的包围盒具有的各个面,得到多个几何图像,所述几何图像为对点云的几何属性数据进行转换而得到的二维图像。
在投影时,也可以将点云的几何属性数据(例如尺寸、深度等)进行转换,投影到点云包围盒平面中,从而获得二维的投影图像,称作几何图像,几何图像用于表征点云的尺寸、深度等几何信息。
另外,本申请在投影时,可以同时投影获得纹理图像和几何图像,若这样设置,假设点云包围盒具有N个面,则将原始点云投影至该包围盒的N个面时,会产生2N个投影图像(N个纹理图像和N各几何图像),将目标点云投影至该包围盒的N个面时,也会产生2N个投影图像(N个纹理图像和N各几何图像),也即总共产生4N个投影图像。
具体的,该包围盒可以是具有6个面的长方体,具有12个面的正十二面体等不同类型的几何体,本申请实施例对该包围盒的形状不做限定,
103、分别对各个所述投影图像进行图像质量评估处理,得到各个所述投影图像的图像质量分数;
在获得各个投影图像之后,可以采用现有的各类图像质量评价方法,对每个投影图像(纹理图像或者几何图像)进行图像质量评估处理,从而得到每个投影图像的质量分数。现有的图像质量评价方法主要包括:GMSD、GSM、IFC、IW-SSIM、MS-SSIM、SSIM、VIF和VSI等,本申请对采用的图像质量评价方法不做任何限定。
104、根据各个所述投影图像的图像质量分数,确定所述目标点云的质量评价结果。
在得到各个投影图像的质量分数之后,可以根据这些质量分数来确定该目标点云的质量参数,从而评估该目标点云的质量,获得该目标点云的质量评价结果。例如,可以通过融合各个投影图像的质量分数,从而得到一个可以用于表征目标点云质量的参数值。另外,结合该参数值进行点云质量评估,可以获得该目标点云的质量评估结果,例如该目标点云的质量是否合格,是否满足后续的处理需求,等等。具体的,在融合各个质量分数时,可 以采用相乘融合、线性融合和非线性融合等各种融合方法。在本申请的一种实现方式中,根据各个所述投影图像的图像质量分数,确定所述目标点云的质量评价结果,可以包括:
(1)根据各个所述投影图像的图像质量分数,分别确定所述目标点云的包围盒具有的各个面的质量分数;
(2)对所述各个面的质量分数执行加权求和操作,得到所述目标点云的质量评价参数,其中,每个面的质量分数执行加权求和操作时对应的权重和该面的面积成正比。
对于上述步骤(1),对于该目标点云的包围盒具有的任意一个面的质量分数,可以根据投影至该面所获得的所有投影图像的质量分数确定。假设点云包围盒为长方体,则其具有6个面(分别为前视图、后视图、左视图、右视图、俯视图和仰视图),其中任意一个面(例如前视图)的质量分数可以表示为Q
i(P
i(pc
ref),P
i(pc
dist)),P
i(pc
ref)表示原始点云投影至该前视图获得的投影图像(纹理图像和/或几何图像)的质量分数,P
i(pc
dist)表示目标点云投影至该前视图获得的投影图像(纹理图像和/或几何图像)的质量分数,括号中的pc
ref表示原始点云,pc
dist表示目标点云。Q
i(P
i(pc
ref),P
i(pc
dist))可以根据P
i(pc
ref)和P
i(pc
dist)计算得到,例如可以是它们的平均值或者加权求和得到的数值,等等。
对于上述步骤(2),在获得该包围盒具有的各个面的质量分数之后,可以对这些质量分数执行加权求和的操作,从而得到该目标点云的质量评价参数。其中,每个面的质量分数执行加权求和操作时对应的权重可以和该面的面积成正比。
具体的,可以采用以下公式计算某个面(视图)对应的权重:
其中,K表示面(视图)的数量,area
i表示面(视图)i的面积,w
i表示表示面(视图)i的权重。例如,一个包围盒为(200,300,400)的点云,则其具有的前视图的面积大小为60000,左视图的大小为120000,俯视图的大小为80000,该前视图对应的权重为该前视图的面积除以该包围盒的所有视图的面积之和,以此类推。进一步的,在采用上述公式计算某个面(视图)对应的权重时,area
i表示的面积可以是该面(视图)中去除空白部分的有效面积。
具体的,可以采用以下公式计算得到该目标点云的质量评价参数:
其中,S
final表示该目标点云的质量评价参数。该质量评价参数越大,则表示获得的目标点云的质量越高,也可以理解为该目标点云的失真程度越小,即和原始点云越接近。上述过程通过使用多视图正交投影,基于面积比例进行视图融合,能够赋予不同视图不同重要性,以反映人眼显著性特征。
上述使用多视图正交投影,并基于面积比例进行视图融合的一种实施原理示意图如图 2所示。在图2中,首先分别对原始点云和目标点云进行正交投影,各自得到6个视图的纹理图像,然后采用现有的图像质量评价方法对各个纹理图像进行图像质量评估处理,得到各个纹理图像的质量分数。接着,根据各个纹理图像的质量分数确定该6个视图中每个视图对应的质量分数,然后采用基于面积的多视图融合方式(即采用加权求和的方式,且各个视图的权重根据视图的面积决定),融合各个视图对应的质量分数,最终得到该目标点云的质量评价结果。
在本申请的一个实施例中,在获得该目标点云的质量评价结果之后,还可以根据该质量评价结果调整对原始点云进行压缩、渲染等处理的参数,从而获得更优的点云处理效果。
本申请实施例将未经处理的原始点云以及经过处理的目标点云分别投影到点云包围盒具有的各个面,得到多个投影图像;然后,分别对各个投影图像进行图像质量评估处理,得到各个投影图像的图像质量分数;最后,根据各个投影图像的图像质量分数确定该目标点云的质量评价结果,进而完成点云的质量评估和预测。在上述过程中,通过将点云投影到包围盒的各个面,获得多个投影图像,然后融合各个投影图像的图像质量分数以确定点云质量,考虑的是点云的整体图像特征,与传统的基于三维点的点云质量评价方法相比,能够提高对点云进行质量预测的准确度。
请参阅图3,示出了本申请实施例提出的另一种基于投影的点云质量评价方法,包括:
301、获取原始点云和目标点云,所述目标点云为对所述原始点云执行预设处理后获得的点云;
步骤301与步骤101相同,具体可参照步骤101的相关说明。
302、对所述原始点云中包含的各个三维点执行聚类处理,得到各个所述三维点的分类结果;
点云是包含大量三维点的集合,在步骤302中,需要对该原始点云中包含的各个三维点执行点聚类的操作,以得到各个三维点的分类结果。在完成三维点的分类后,即可将同一类别的三维点归入同一连通区域,从而构建出多个不同的连通区域。
在本申请的一种实施方式中,对所述原始点云中包含的各个三维点执行聚类处理,得到各个所述三维点的分类结果,可以包括:
(1)计算所述原始点云中包含的每个三维点的法向量;
(2)针对每个所述三维点,均分别计算该三维点的法向量和所述目标点云的包围盒具有的每个面的法向量的点积,并将该三维点分类至所述目标点云的包围盒的第一目标面对应的类别,从而得到该三维点的分类结果,其中,所述第一目标面的法向量和该三维点的法向量的点积最大。
对于上述步骤(1),可以采用现有技术中的各类点法向量计算方法确定每个点云三维点的法向量。每个点云三维点的法向量都是唯一确定的,可以结合该三维点附近的其它三维点的属性参数计算得到。
对于上述步骤(2),针对每个三维点,在计算得到该三维点的法向量之后,可以分别计算该三维点的法向量和该目标点云的包围盒具有的每个面的法向量的点积,然后将该三维点分类至该点积最大的面对应的类别。假设点云包围盒为长方体,其具有6个面(分别为前视图、后视图、左视图、右视图、俯视图和仰视图),则分别计算该三维点的法向量和前视图的法向量的点积、该三维点的法向量和后视图的法向量的点积、该三维点的法向量和左视图的法向量的点积…然后,找出其中最大的点积,假设为该三维点的法向量和 前视图的法向量的点积,则表示该三维点的法向量和前视图的朝向最接近,故将该三维点划分到该前视图对应的类别。对所有的三维点都执行上述相同的操作后,即完成将所有的三维点划分到包围盒各个面对应的类别的处理,这个过程也可称作三维点的初始分割。
进一步的,在将该三维点分类至所述目标点云的包围盒的第一目标面对应的类别之后,还可以包括:
若与该三维点相邻的各个其他三维点的分类结果均属于所述目标点云的包围盒的第二目标面对应的类别,则将该三维点的分类结果修改为所述第二目标面对应的类别。
在上述初始分割过程之后,还可以进一步执行细化分割的处理,具体操作方式为:在完成某个三维点的初始分类后,获取与该三维点相邻的各个其他三维点的分类结果,若这些相邻三维点的分类结果都属于另一个面对应的类别,则将该三维点也分类至该另一个面对应的类别。另外,也可以设置一个数量阈值或者比例阈值,当检测到这些相邻三维点中指定数量以上或者指定比例以上的三维点的分类结果都属于另一个面对应的类别,即执行该三维点分类结果的修改。
303、根据各个所述三维点的分类结果构建多个连通区域;
在采用上述方式获得该原始点云中各个三维点的分类结果之后,可以根据这些分类结果构建多个连通区域。在本申请的一种实现方式中,所述根据各个所述三维点的分类结果构建多个连通区域,可以包括:
将具有相同分类结果且距离处于设定范围内的所述三维点归入同一连通区域,从而构建出多个连通区域。
在构建连通区域时,将分类结果相同且相互距离接近的所有三维点归入同一连通区域,通过这样设置,即可将该原始点云划分为多个不同的连通区域。其中,该距离范围阈值可以根据该原始点云的整体大小以及三维点的稠密程度合理设置。
304、将所述多个连通区域分别投影至所述目标点云的包围盒具有的各个面,得到多个参考补片,所述参考补片是由所述连通区域投影至所述目标点云的包围盒时形成的二维区域;
在划分出多个连通区域之后,将这些连通区域分别投影到该目标点云的包围盒具有的各个面。具体的,针对每个连通区域,分别按照该连通区域内的三维点的分类结果所对应的包围盒平面的法向量的朝向进行投影,也即每个连通区域只投影至其包含的三维点的分类结果所对应的那个面。在将一个连通区域投影至该包围盒的一个面时,会产生一个片状的二维投影区域,本申请将其称作参考补片。
上述步骤描述了三维点投影到二维的空间变换关系,一个连通区域内的三维点具有相似方向的法向量。三维点与二维像素的变换关系如图4所示,三维点(x′,y′,z′)所在连通区域的顶点为(a,b,c),以投影到YOZ平面为例,投影后记录为像素(x,y),投影后产生的二维补片的顶点为(u0,v0),补片的长和宽分别为u1和v1。三维点(x′,y′,z′)与投影像素(x,y)的几何关系为:
该二维补片的信息可以包含u0、v0、u1和v1等,以及该二维补片所含的所有三维点的信息。
305、针对每个所述参考补片,均构建和其形状相同的失真补片,从而得到多个失真补片,所述失真补片是对所述参考补片执行预设处理后获得的二维区域;
然后,针对每个参考补片,都构建和其形状相同的失真补片,也即参考补片和失真补片的数量和形状都相同,失真补片是从该目标点云中构建出来的和该参考补片对应的二维片状区域。
在本申请的一种实现方式中,针对每个所述参考补片,均构建和其形状相同的失真补片,从而得到多个失真补片,可以包括:
针对所述原始点云中的每个三维点,均在所述目标点云中查找与该三维点最近的邻点,并根据该三维点所属的参考补片的信息构建对应的失真补片,其中,所述邻点在所述失真补片中的相对位置和该三维点在其所属的参考补片中的相对位置相同。
例如,针对原始点云中的某个点p
1,可以通过K近邻(K=1)算法或者迭代最近点算法等算法从目标点云中查找与p
1对应的最近邻点p
2;然后,复制p
1所属的参考补片的信息,根据该信息构建出和该参考补片的形状相同的二维补片(即失真补片),将点p
2分配到该失真补片中,且点p
2在该失真补片中的相对位置与点p
1在该参考补片中的相对位置相同。
在本申请的另一种实现方式中,在建立原始点云和目标点云的点匹配关系时,也可以采用在目标点云中查找原始点云的匹配点的方式。也即,步骤302-304处理的可以是目标点云,此时在步骤305中,可以根据目标点云获得的失真补片构建形状相同的参考补片。
306、将所述多个参考补片和所述多个失真补片填充至预设的二维空白图像中,得到目标图像;
接着,将构建得到的多个参考补片和多个失真补片都填充到某个预设的二维空白图像中,从而得到目标图像,该空白图像可以是根据原始点云的大小而合理设置的一定尺寸的图像。
进一步的,为了避免图像空间的浪费,在填充补片时,可以先由大至小对各个补片(包含参考补片和失真补片)进行排序,然后按照次序依次插入各个补片至该空白图像中,也即先插入大补片,后插入小补片。
307、根据所述目标图像生成多个投影图像;
在获得目标图像之后,根据该目标图像生成多个投影图像,这些投影图像可以包含纹理图像和几何图像。具体地,基于该目标图像中具有的各个参考补片中各个三维点的颜色属性数据,可以生成一个对应的纹理图像,可以表示为T
1(pc
ref);基于该目标图像中具有的各个参考补片中各个三维点的深度值等数据,可以生成对应的几何图像,可以表示为G
1(pc
ref);基于该目标图像中具有的各个失真补片中各个三维点的颜色属性数据,可以生成对应的纹理图像,可以表示为T
2(pc
ref,pc
dist);基于该目标图像中具有的各个失真补片中各个三维点的深度值等数据,可以生成对应的几何图像,可以表示为G
2(pc
ref,pc
dist)。在生成纹理图像时,可以根据该目标图像中像素(x,y)对应的三维点(x′,y′,z′)的颜色属性, 填充像素数值,从而得到纹理图像。在生成几何图像时,可以根据三维点(x′,y′,z′)距离包围盒的深度值x′-a(以投影到YOZ平面为例),填充像素亮度数值,从而得到几何图像。
308、分别对各个所述投影图像进行图像质量评估处理,得到各个所述投影图像的图像质量分数;
在获得纹理图和几何图等投影图像之后,分别对每个投影图像进行图像质量评估处理,以得到每个投影图像的图像质量分数,这里采用的图像质量评估方法同样可以采用现有技术中的各类方法。
309、根据各个所述投影图像的图像质量分数,确定所述目标点云的质量评价结果。
最后,结合各个投影图像的图像质量分数,以确定该目标点云的质量评价结果。例如,可以通过融合各个投影图像的质量分数,从而得到一个可以用于表征目标点云质量的参数,并根据该参数对该目标点云的质量进行评价,获得最终的质量评价结果。
在本申请的一种实现方式中,根据各个所述投影图像的图像质量分数,确定所述目标点云的质量评价结果,可以包括:
采用以下公式对纹理图像的质量分数和几何图像的质量分数进行融合,从而得到该目标点云的质量评价参数:
S
final=a·Q(T
1(pc
ref),T
2(pc
ref,pc
dist))+b·Q(G
1(pc
ref),G
2(pc
ref,pc
dist))
其中,S
final表示该目标点云的质量评价参数。该质量评价参数越大,则表示获得的目标点云的质量越高,也可以理解为该目标点云的失真程度越小,即和原始点云越接近。T
1(pc
ref)表示由原始点云投影获得的纹理图像,T
2(pc
ref,pc
dist)表示由目标点云投影获得的纹理图像;G
1(pc
ref)表示由原始点云投影获得的几何图像,G
2(pc
ref,pc
dist)表示由目标点云投影获得的几何图像,Q(*)表示进行全参考图像质量评价,以获得相应的图像质量分数;a和b是预设的权重参数,用于调节纹理特征和几何特征的权重,例如可以设置为a=0.6,b=0.4,或者a=0.5,b=0.5,等等。
上述使用补片投影进行点云质量评价的一种实施原理示意图如图5所示。在图5中,首先对原始点云的各个三维点进行点聚类操作,构建出各个连通区域;然后,将连通区域投影至点云包围盒的面,结合补片信息和连通区域中的三维点集生成对应的参考补片;从目标点云的三维点集中查找对应的相邻点,完成对应点匹配,然后结合参考补片的补片信息,采用对应点替代的方式生成失真补片;接着,基于参考补片生成对应的纹理图像T
1(pc
ref)和几何图像G
1(pc
ref),基于失真补片生成对应的纹理图像T
2(pc
ref,pc
dist)和几何图像G
2(pc
ref,pc
dist);最后,采用现有的图像质量评价方法对各个纹理图像和几何图像进行图像质量评估处理,并进行纹理图像和几何图像的质量分数融合,从而得到该目标点云的质量评价结果。
在本申请实施例中,对点云的三维点根据法向量进行聚类分割,形成片状的连通区域,再将点云投影到平面上,得到多个片状投影,称为补片。然后,将原始点云和目标点云投影得到的补片相同地插入到同一个空白图像中,形成纹理图像和几何图像,并使用图像质量指标计算几何图像和纹理图像的质量分数,以表征点云视觉质量。另外,为了解决补片的错匹配问题,本申请实施例还提出了基于原始点云与目标点云对应关系的匹配补片生成方法,通过本方法得到的失真补片的形状和位置将与参考补片相同,即原始点云和目标点云通过补片投影形成的图像具有相同的轮廓形状。
应理解,上述各个实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
上面主要描述了一种基于投影的点云质量评价方法,下面将对一种基于投影的点云质量评价装置进行描述。
请参阅图6,本申请实施例中一种基于投影的点云质量评价装置的一个实施例包括:
点云获取模块601,用于获取原始点云和目标点云,所述目标点云为对所述原始点云执行预设处理后获得的点云;
点云投影模块602,用于将所述原始点云和所述目标点云分别投影至所述目标点云的包围盒具有的各个面,得到多个投影图像;
图像质量评估模块603,用于分别对各个所述投影图像进行图像质量评估处理,得到各个所述投影图像的图像质量分数;
点云质量评价模块604,用于根据各个所述投影图像的图像质量分数,确定所述目标点云的质量评价结果。
在本申请的一个实施例中,所述点云投影模块可以包括:
纹理投影单元,用于将所述原始点云和所述目标点云分别投影至所述目标点云的包围盒具有的各个面,得到多个纹理图像,所述纹理图像为对点云的纹理属性数据进行转换而得到的二维图像;
几何投影单元,用于将所述原始点云和所述目标点云分别投影至所述目标点云的包围盒具有的各个面,得到多个几何图像,所述几何图像为对点云的几何属性数据进行转换而得到的二维图像。
进一步的,所述点云质量评价模块可以包括:
质量分数确定单元,用于根据各个所述投影图像的图像质量分数,分别确定所述目标点云的包围盒具有的各个面的质量分数;
加权求和单元,用于对所述各个面的质量分数执行加权求和操作,得到所述目标点云的质量评价参数,其中,每个面的质量分数执行加权求和操作时对应的权重和该面的面积成正比。
在本申请的一个实施例中,所述点云投影模块可以包括:
点聚类单元,用于对所述原始点云中包含的各个三维点执行聚类处理,得到各个所述三维点的分类结果;
连通区域构建单元,用于根据各个所述三维点的分类结果构建多个连通区域;
补片投影单元,用于将所述多个连通区域分别投影至所述目标点云的包围盒具有的各个面,得到多个参考补片,所述参考补片是由所述连通区域投影至所述目标点云的包围盒时形成的二维区域;
失真补片构建单元,用于针对每个所述参考补片,均构建和其形状相同的失真补片,从而得到多个失真补片,所述失真补片是对所述参考补片执行预设处理后获得的二维区域;
补片填充单元,用于将所述多个参考补片和所述多个失真补片填充至预设的二维空白图像中,得到目标图像;
投影图像生成单元,用于根据所述目标图像生成所述多个投影图像。
进一步的,所述点聚类单元可以包括:
法向量计算子单元,用于计算所述原始点云中包含的每个三维点的法向量;
点积计算子单元,用于针对每个所述三维点,均分别计算该三维点的法向量和所述目标点云的包围盒具有的每个面的法向量的点积,并将该三维点分类至所述目标点云的包围盒的第一目标面对应的类别,从而得到该三维点的分类结果,其中,所述第一目标面的法向量和该三维点的法向量的点积最大;
所述连通区域构建单元可以包括:
三维点归类子单元,用于将具有相同分类结果且距离处于设定范围内的所述三维点归入同一连通区域,从而构建出多个连通区域。
更进一步的,所述点聚类单元还可以包括:
三维点类别修改子单元,用于若与该三维点相邻的各个其他三维点的分类结果均属于所述目标点云的包围盒的第二目标面对应的类别,则将该三维点的分类结果修改为所述第二目标面对应的类别。
进一步的,所述失真补片构建单元可以包括:
邻点查找子单元,用于针对所述原始点云中的每个三维点,均在所述目标点云中查找与该三维点最近的邻点,并根据该三维点所属的参考补片的信息构建对应的失真补片,其中,所述邻点在所述失真补片中的相对位置和该三维点在其所属的参考补片中的相对位置相同。
本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如图1或图3表示的任意一种基于投影的点云质量评价方法的步骤。
本申请实施例还提供一种计算机程序产品,当该计算机程序产品在终端设备上运行时,使得终端设备执行实现如图1或图3表示的任意一种基于投影的点云质量评价方法的步骤。
图7是本申请一实施例提供的终端设备的示意图。如图7所示,该实施例的终端设备7包括:处理器70、存储器71以及存储在所述存储器71中并可在所述处理器70上运行的计算机程序72。所述处理器70执行所述计算机程序72时实现上述各个基于投影的点云质量评价方法的实施例中的步骤,例如图1所示的步骤101至104。或者,所述处理器70执行所述计算机程序72时实现上述各装置实施例中各模块/单元的功能,例如图6所示模块601至604的功能。
所述计算机程序72可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器71中,并由所述处理器70执行,以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序72在所述终端设备7中的执行过程。
所称处理器70可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通 用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器71可以是所述终端设备7的内部存储单元,例如终端设备7的硬盘或内存。所述存储器71也可以是所述终端设备7的外部存储设备,例如所述终端设备7上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器71还可以既包括所述终端设备7的内部存储单元也包括外部存储设备。所述存储器71用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器71还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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单元的形式实现。另外,各功能单元、模块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。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
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,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,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。例如,以上所描述的系统实施例仅仅是示意性的,例如,所述模块或单元的划分,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,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讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,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,在本申请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。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单元的形式实现。
所述集成的单元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,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
- 一种基于投影的点云质量评价方法,其特征在于,包括:获取原始点云和目标点云,所述目标点云为对所述原始点云执行预设处理后获得的点云;将所述原始点云和所述目标点云分别投影至所述目标点云的包围盒具有的各个面,得到多个投影图像;分别对各个所述投影图像进行图像质量评估处理,得到各个所述投影图像的图像质量分数;根据各个所述投影图像的图像质量分数,确定所述目标点云的质量评价结果。
- 如权利要求1所述的方法,其特征在于,将所述原始点云和所述目标点云分别投影至所述目标点云的包围盒具有的各个面,得到多个投影图像,包括:将所述原始点云和所述目标点云分别投影至所述目标点云的包围盒具有的各个面,得到多个纹理图像,所述纹理图像为对点云的纹理属性数据进行转换而得到的二维图像;和/或将所述原始点云和所述目标点云分别投影至所述目标点云的包围盒具有的各个面,得到多个几何图像,所述几何图像为对点云的几何属性数据进行转换而得到的二维图像。
- 如权利要求1或2所述的方法,其特征在于,根据各个所述投影图像的图像质量分数,确定所述目标点云的质量评价结果,包括:根据各个所述投影图像的图像质量分数,分别确定所述目标点云的包围盒具有的各个面的质量分数;对所述各个面的质量分数执行加权求和操作,得到所述目标点云的质量评价参数,其中,每个面的质量分数执行加权求和操作时对应的权重和该面的面积成正比。
- 如权利要求1所述的方法,其特征在于,将所述原始点云和所述目标点云分别投影至所述目标点云的包围盒具有的各个面,得到多个投影图像,包括:对所述原始点云中包含的各个三维点执行聚类处理,得到各个所述三维点的分类结果;根据各个所述三维点的分类结果构建多个连通区域;将所述多个连通区域分别投影至所述目标点云的包围盒具有的各个面,得到多个参考补片,所述参考补片是由所述连通区域投影至所述目标点云的包围盒时形成的二维区域;针对每个所述参考补片,均构建和其形状相同的失真补片,从而得到多个失真补片,所述失真补片是对所述参考补片执行预设处理后获得的二维区域;将所述多个参考补片和所述多个失真补片填充至预设的二维空白图像中,得到目标图像;根据所述目标图像生成所述多个投影图像。
- 如权利要求4所述的方法,其特征在于,对所述原始点云中包含的各个三维点执行聚类处理,得到各个所述三维点的分类结果,包括:计算所述原始点云中包含的每个三维点的法向量;针对每个所述三维点,均分别计算该三维点的法向量和所述目标点云的包围盒具有的每个面的法向量的点积,并将该三维点分类至所述目标点云的包围盒的第一目标面对应的 类别,从而得到该三维点的分类结果,其中,所述第一目标面的法向量和该三维点的法向量的点积最大;所述根据各个所述三维点的分类结果构建多个连通区域,包括:将具有相同分类结果且距离处于设定范围内的所述三维点归入同一连通区域,从而构建出多个连通区域。
- 如权利要求5所述的方法,其特征在于,在将该三维点分类至所述目标点云的包围盒的第一目标面对应的类别之后,还包括:若与该三维点相邻的各个其他三维点的分类结果均属于所述目标点云的包围盒的第二目标面对应的类别,则将该三维点的分类结果修改为所述第二目标面对应的类别。
- 如权利要求4至6中任一项所述的方法,其特征在于,针对每个所述参考补片,均构建和其形状相同的失真补片,从而得到多个失真补片,包括:针对所述原始点云中的每个三维点,均在所述目标点云中查找与该三维点最近的邻点,并根据该三维点所属的参考补片的信息构建对应的失真补片,其中,所述邻点在所述失真补片中的相对位置和该三维点在其所属的参考补片中的相对位置相同。
- 一种基于投影的点云质量评价装置,其特征在于,包括:点云获取模块,用于获取原始点云和目标点云,所述目标点云为对所述原始点云执行预设处理后获得的点云;点云投影模块,用于将所述原始点云和所述目标点云分别投影至所述目标点云的包围盒具有的各个面,得到多个投影图像;图像质量评估模块,用于分别对各个所述投影图像进行图像质量评估处理,得到各个所述投影图像的图像质量分数;点云质量评价模块,用于根据各个所述投影图像的图像质量分数,确定所述目标点云的质量评价结果。
- 一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的基于投影的点云质量评价方法的步骤。
- 一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的基于投影的点云质量评价方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2021/079370 WO2022183500A1 (zh) | 2021-03-05 | 2021-03-05 | 基于投影的点云质量评价方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2021/079370 WO2022183500A1 (zh) | 2021-03-05 | 2021-03-05 | 基于投影的点云质量评价方法、装置、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2022183500A1 true WO2022183500A1 (zh) | 2022-09-09 |
Family
ID=83154892
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/CN2021/079370 WO2022183500A1 (zh) | 2021-03-05 | 2021-03-05 | 基于投影的点云质量评价方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
WO (1) | WO2022183500A1 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115908432A (zh) * | 2023-03-13 | 2023-04-04 | 单县龙宇生物科技有限公司 | 一种物料输出品质检测系统及预测方法 |
CN116071694A (zh) * | 2023-03-07 | 2023-05-05 | 浙江华是科技股份有限公司 | 船舶检测方法、装置及计算机可读存储介质 |
CN116824110A (zh) * | 2023-08-25 | 2023-09-29 | 宁德思客琦智能装备有限公司 | 一种基于点云的3d目标检测的数据增强方法和系统 |
CN117197211A (zh) * | 2023-09-04 | 2023-12-08 | 北京斯年智驾科技有限公司 | 一种深度图像生成方法、系统、装置及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103489218A (zh) * | 2013-09-17 | 2014-01-01 | 中国科学院深圳先进技术研究院 | 点云数据质量自动优化方法及系统 |
US20140253543A1 (en) * | 2013-03-08 | 2014-09-11 | Raytheon Company | Performance prediction for generation of point clouds from passive imagery |
CN107767375A (zh) * | 2017-11-02 | 2018-03-06 | 广东电网有限责任公司电力科学研究院 | 一种点云质量评估方法及装置 |
WO2020013631A1 (ko) * | 2018-07-12 | 2020-01-16 | 삼성전자 주식회사 | 3차원 영상을 부호화 하는 방법 및 장치, 및 3차원 영상을 복호화 하는 방법 및 장치 |
-
2021
- 2021-03-05 WO PCT/CN2021/079370 patent/WO2022183500A1/zh active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140253543A1 (en) * | 2013-03-08 | 2014-09-11 | Raytheon Company | Performance prediction for generation of point clouds from passive imagery |
CN103489218A (zh) * | 2013-09-17 | 2014-01-01 | 中国科学院深圳先进技术研究院 | 点云数据质量自动优化方法及系统 |
CN107767375A (zh) * | 2017-11-02 | 2018-03-06 | 广东电网有限责任公司电力科学研究院 | 一种点云质量评估方法及装置 |
WO2020013631A1 (ko) * | 2018-07-12 | 2020-01-16 | 삼성전자 주식회사 | 3차원 영상을 부호화 하는 방법 및 장치, 및 3차원 영상을 복호화 하는 방법 및 장치 |
Non-Patent Citations (2)
Title |
---|
TORLIG, ERIC M. ET AL.: "A Novel Methodology for Quality Assessment of Voxelized Point Clouds", APPLICATIONS OF DIGITAL IMAGE PROCESSING XLI, vol. 10752, 17 September 2018 (2018-09-17), XP060110650, DOI: 10.1117/12.2322741 * |
XINJU WU; YUN ZHANG; CHUNLING FAN; JUNHUI HOU; SAM KWONG: "Subjective Quality Study and Database of Compressed Point Clouds with 6DoF Head-mounted Display", ARXIV.ORG, CORNELL UNIVERSITY LIBRARY, 201 OLIN LIBRARY CORNELL UNIVERSITY ITHACA, NY 14853, 6 August 2020 (2020-08-06), 201 Olin Library Cornell University Ithaca, NY 14853 , XP081734825 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116071694A (zh) * | 2023-03-07 | 2023-05-05 | 浙江华是科技股份有限公司 | 船舶检测方法、装置及计算机可读存储介质 |
CN115908432A (zh) * | 2023-03-13 | 2023-04-04 | 单县龙宇生物科技有限公司 | 一种物料输出品质检测系统及预测方法 |
CN116824110A (zh) * | 2023-08-25 | 2023-09-29 | 宁德思客琦智能装备有限公司 | 一种基于点云的3d目标检测的数据增强方法和系统 |
CN116824110B (zh) * | 2023-08-25 | 2023-11-07 | 宁德思客琦智能装备有限公司 | 一种基于点云的3d目标检测的数据增强方法和系统 |
CN117197211A (zh) * | 2023-09-04 | 2023-12-08 | 北京斯年智驾科技有限公司 | 一种深度图像生成方法、系统、装置及介质 |
CN117197211B (zh) * | 2023-09-04 | 2024-04-26 | 北京斯年智驾科技有限公司 | 一种深度图像生成方法、系统、装置及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022183500A1 (zh) | 基于投影的点云质量评价方法、装置、设备和存储介质 | |
CN110458805B (zh) | 一种平面检测方法、计算设备以及电路系统 | |
US9811880B2 (en) | Backfilling points in a point cloud | |
US20200058153A1 (en) | Methods and Devices for Acquiring 3D Face, and Computer Readable Storage Media | |
CN110276829B (zh) | 通过多尺度体素哈希处理的三维表示 | |
US8711143B2 (en) | System and method for interactive image-based modeling of curved surfaces using single-view and multi-view feature curves | |
CN109859305B (zh) | 基于多角度二维人脸的三维人脸建模、识别方法及装置 | |
US8610712B2 (en) | Object selection in stereo image pairs | |
WO2021169404A1 (zh) | 深度图像生成方法、装置及存储介质 | |
Nguyen et al. | Support local pattern and its application to disparity improvement and texture classification | |
WO2020034785A1 (zh) | 三维模型处理方法和装置 | |
WO2023284713A1 (zh) | 一种三维动态跟踪方法、装置、电子设备和存储介质 | |
CN111611934A (zh) | 一种人脸检测模型生成和人脸检测方法、装置及设备 | |
Pound et al. | A patch-based approach to 3D plant shoot phenotyping | |
CN113192179A (zh) | 一种基于双目立体视觉的三维重建方法 | |
Yang et al. | Non-parametric depth distribution modelling based depth inference for multi-view stereo | |
CN113313832B (zh) | 三维模型的语义生成方法、装置、存储介质与电子设备 | |
CN115439607A (zh) | 一种三维重建方法、装置、电子设备及存储介质 | |
Dinesh et al. | Local 3D point cloud denoising via bipartite graph approximation & total variation | |
US20210209776A1 (en) | Method and device for depth image fusion and computer-readable storage medium | |
Dinesh et al. | Fast 3D point cloud denoising via bipartite graph approximation & total variation | |
CN114332125A (zh) | 点云重建方法、装置、电子设备和存储介质 | |
CN111739071A (zh) | 基于初始值的快速迭代配准方法、介质、终端和装置 | |
CN114627244A (zh) | 三维重建方法及装置、电子设备、计算机可读介质 | |
US11816857B2 (en) | Methods and apparatus for generating point cloud histograms |
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: 21928583 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: 21928583 Country of ref document: EP Kind code of ref document: A1 |