WO2023245981A1 - 一种点云的压缩方法、装置、电子设备及存储介质 - Google Patents
一种点云的压缩方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- WO2023245981A1 WO2023245981A1 PCT/CN2022/134512 CN2022134512W WO2023245981A1 WO 2023245981 A1 WO2023245981 A1 WO 2023245981A1 CN 2022134512 W CN2022134512 W CN 2022134512W WO 2023245981 A1 WO2023245981 A1 WO 2023245981A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- point cloud
- sub
- graph
- pairs
- matrix
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 79
- 238000007906 compression Methods 0.000 title claims abstract description 72
- 230000006835 compression Effects 0.000 title claims abstract description 70
- 239000011159 matrix material Substances 0.000 claims abstract description 189
- 230000003595 spectral effect Effects 0.000 claims abstract description 8
- 238000005457 optimization Methods 0.000 claims description 61
- 230000006870 function Effects 0.000 claims description 53
- 238000004590 computer program Methods 0.000 claims description 14
- 238000010586 diagram Methods 0.000 claims description 13
- 238000005192 partition Methods 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 7
- 238000012545 processing Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N13/00—Stereoscopic video systems; Multi-view video systems; Details thereof
- H04N13/10—Processing, recording or transmission of stereoscopic or multi-view image signals
- H04N13/106—Processing image signals
- H04N13/161—Encoding, multiplexing or demultiplexing different image signal components
Definitions
- the present disclosure relates to the technical field of point cloud processing, and specifically, to a point cloud compression method, device, electronic equipment and storage medium.
- Three-dimensional point cloud is an important representation of the digitization of the real world. With the rapid development of 3D scanning equipment (laser, radar, etc.), point clouds have higher accuracy and resolution. High-precision point clouds are widely used in the construction of urban digital maps and play a technical supporting role in many popular studies such as smart cities, driverless driving, and cultural relic protection. Point clouds are obtained by sampling the surface of objects with a 3D scanning device. The number of points in a frame of point cloud is generally in the millions. Each point contains geometric information and attribute information such as color and reflectivity. The amount of data is very large. The huge data volume of 3D point cloud brings huge challenges to data storage and transmission, so point cloud compression is very necessary.
- Embodiments of the present disclosure at least provide a point cloud compression method, device, electronic device and storage medium, which can improve the compression performance and compression effect of point cloud attribute compression.
- Embodiments of the present disclosure provide a point cloud compression method.
- the method may include:
- the Laplacian matrix corresponding to the optimization graph is determined according to the updated weight matrix, and the point cloud to be compressed is compressed according to the Laplacian matrix.
- dividing the point cloud to be compressed into multiple sub-point cloud blocks may specifically include:
- the point cloud to be compressed is divided into a plurality of point cloud blocks
- the point cloud block For each point cloud block, the point cloud block is over-divided into a plurality of sub-point cloud blocks using a normalized division method.
- each sub-point cloud block can be described by a graph, where each sub-point cloud block can be composed of some point cloud nodes with the same characteristics.
- determining the weight matrix corresponding to the sub-point cloud block may specifically include:
- a Gaussian kernel function is used to calculate edge weights between the vertices, and the weight matrix is constructed based on the edge weights.
- the edge weights between the vertices can be calculated through the following formula:
- d(i,j) represents the Euclidean distance between vertex i and vertex j in the sub-point cloud
- ⁇ represents the median absolute deviation of the Euclidean distance between vertex i and vertex j
- exp represents e Exponential operation
- W i,j represents the edge weight between vertex i and vertex j.
- iteratively merging the subgraphs according to a preset cost function and determining the optimization graph corresponding to the subgraphs may include:
- the subgraph after the merging is completed is determined as the optimization graph.
- the cost function can be defined by the following formula:
- determining the target adjacency matrix corresponding to the optimization graph, and updating the weight matrix according to the target adjacency matrix may specifically include:
- the penalty function can be defined by the following formula:
- A represents the adjacency matrix
- W represents the weight matrix
- the Laplacian matrix can be calculated by the following formula:
- Embodiments of the present disclosure also provide a device for compressing point clouds.
- the device may include:
- the acquisition module is configured to acquire the point cloud to be compressed
- a first dividing module configured to divide the point cloud to be compressed into a plurality of sub-point cloud blocks, where the sub-point cloud blocks are described through a diagram and determine the weight matrix corresponding to the sub-point cloud blocks;
- a second partitioning module configured to over-partition the graph into multiple subgraphs using a spectral clustering algorithm
- a merging module configured to iteratively merge the subgraphs according to a preset cost function and determine the optimization graph corresponding to the subgraphs;
- a determination module configured to determine the target adjacency matrix corresponding to the optimization graph, and update the weight matrix according to the target adjacency matrix
- the first dividing module may be specifically configured to:
- the point cloud to be compressed is divided into a plurality of point cloud blocks
- the point cloud block For each point cloud block, the point cloud block is over-divided into a plurality of sub-point cloud blocks using a normalized division method.
- the first dividing module may also be configured to:
- a Gaussian kernel function is used to calculate edge weights between the vertices, and the weight matrix is constructed based on the edge weights.
- the merging module may be specifically configured to:
- the subgraph after the merging is completed is determined as the optimization graph.
- Embodiments of the present disclosure also provide a computer-readable storage medium.
- a computer program can be stored on the computer-readable storage medium.
- the computer program When the computer program is run by a processor, it can execute the above-mentioned point cloud compression method, or the above-mentioned point cloud compression. steps in any possible implementation of the method.
- Embodiments of the present disclosure also provide a computer program product.
- the computer program product may include computer instructions. When the computer instructions are executed by a processor, the computer instructions may perform the above point cloud compression method, or any of the above point cloud compression methods. steps in the implementation.
- Target adjacency matrix update the weight matrix according to the target adjacency matrix; determine the Laplacian matrix corresponding to the optimization graph according to the updated weight matrix, and compress the to-be-compressed object according to the Laplacian matrix Point cloud. It can improve the compression performance and effect of point cloud attribute compression.
- FIG. 4 shows a schematic structural diagram of an electronic device provided by an embodiment of the present disclosure.
- 300-compression device 310-acquisition module; 320-first division module; 330-second division module; 340-merge module; 350-update module; 360-compression module; 400-electronic equipment; 41-processing 42-memory; 421-memory; 422-external memory; 43-bus.
- a and/or B can mean: A alone exists, A and B exist simultaneously, and B alone exists. situation.
- at least one herein means any one of a plurality or any combination of at least two of a plurality, for example, including at least one of A, B, and C, which can mean including from A, Any one or more elements selected from the set composed of B and C.
- the source of the compressed point cloud here is a sparse point cloud obtained by using a three-dimensional coordinate measuring machine with a relatively small number of points and a relatively large distance between points, or a three-dimensional laser scanner. Or a dense point cloud obtained by a photographic scanner with a relatively large number of points and a relatively dense density can be compressed using the point cloud compression method provided by the embodiment of the present disclosure.
- the obtained point cloud to be compressed is divided and processed, and the point cloud to be compressed is divided into multiple sub-point cloud blocks, and each sub-point cloud block is initialized into an independent graph, and the sub-point cloud is described in the form of a graph. point cloud block, and then calculate the weight matrix corresponding to each sub-point cloud block.
- the preset cost function can be defined by the following formula:
- V (1 ⁇ N) corresponds to the eigenvector with a matrix eigenvalue of 0, and m represents different color components.
- for multiple subgraph pairs generated by merging adjacent subgraph pairs for each two subgraph pairs in the multiple subgraph pairs, calculate the sum of the merge costs corresponding to each subgraph pair in the two subgraph pairs. and, calculate the corresponding merging cost when these two subgraph pairs are merged, determine the difference between the two as the cost difference between the two subgraph pairs, and select the two subgraph pairs with the largest cost difference for merging.
- the vertices and weights of the unoptimized subgraph are in a fully connected state.
- the Gaussian kernel function is used to calculate the edge weights between vertices, only the geometric metric is considered to define the graph weight. If the paired vertices When i and j have similar attribute values or assign low weights to edges connecting different vertices, the change in attribute values on the subgraph is small, fully applicable to texture patches, and the additional cost of describing the graph structure can be avoided. But if these pairs of vertices cross texture boundaries, weight outliers are likely to occur.
- the adjacency matrix needs to be written into the bit stream for decoding.
- the optimal adjacency matrix is found using the optimization graph merged by the cost function to update the weight matrix.
- the optimization graph can be converted into a corresponding target adjacency matrix according to the connectivity corresponding to the optimization graph; a penalty function using the adjacency matrix as a variable and associated with the weight matrix can be constructed to convert the target The adjacency matrix is substituted into the penalty function to determine the updated weight matrix.
- the target adjacency matrix is the best adjacency matrix used to update the weight matrix.
- the target adjacency matrix is determined based on the connectivity within the optimization graph, that is, in the optimization graph, the vertices in each subgraph are fully connected, and different subgraphs Vertices between graphs are disconnected.
- A represents the adjacency matrix
- W represents the weight matrix
- the corresponding degree matrix can be determined based on the weight matrix.
- the degree matrix is a diagonal matrix, and the value on the diagonal is equal to the sum of the elements in each row of the weight matrix. The sum is the sum of the edge weights of all edges connecting vertex i.
- the Laplacian matrix can be determined.
- the feature vectors in the Laplacian matrix can reflect the attribute information in the point cloud to be compressed. Use the preset compressor to encode according to the Laplacian matrix. This completes the compression work of the point cloud to be compressed.
- the writing order of each step does not mean a strict execution order and does not constitute any limitation on the implementation process.
- the specific execution order of each step should be based on its function and possible The internal logic is determined.
- the embodiments of the present disclosure also provide a point cloud compression device corresponding to the point cloud compression method. Since the problem-solving principle of the device in the embodiments of the present disclosure is consistent with the above-mentioned point cloud compression method in the embodiments of the present disclosure, are similar, so the implementation of the device can refer to the implementation of the method, and repeated details will not be repeated.
- FIG. 3 is a schematic diagram of a point cloud compression device provided by an embodiment of the present disclosure.
- the compression device 300 provided by the embodiment of the present disclosure may include:
- the acquisition module 310 is configured to acquire the point cloud to be compressed.
- the first dividing module 320 is configured to divide the point cloud to be compressed into a plurality of sub-point cloud blocks, wherein the sub-point cloud blocks are described by sub-graphs, and determine the weights corresponding to the sub-point cloud blocks. matrix.
- the second partitioning module 330 is configured to use a spectral clustering algorithm to over-partition the graph into multiple subgraphs.
- the merging module 340 is configured to iteratively merge the subgraphs according to a preset cost function and determine the optimization graph corresponding to the subgraphs.
- the update module 350 is configured to determine the target adjacency matrix corresponding to the optimization graph, and update the weight matrix according to the target adjacency matrix.
- the compression module 360 is configured to determine the Laplacian matrix corresponding to the optimization graph according to the updated weight matrix, and compress the point cloud to be compressed according to the Laplacian matrix.
- the point cloud to be compressed is divided into a plurality of point cloud blocks
- the point cloud block For each point cloud block, the point cloud block is over-divided into a plurality of sub-point cloud blocks using a normalized division method.
- the first dividing module 320 may also be configured to:
- a Gaussian kernel function is used to calculate edge weights between the vertices, and the weight matrix is constructed based on the edge weights.
- the merging module 340 may be specifically configured to:
- the subgraph after the merging is completed is determined as the optimization graph.
- the update module 350 may be specifically configured to:
- a point cloud compression device obtained by an embodiment of the present disclosure obtains a point cloud to be compressed and divides the point cloud to be compressed into a plurality of sub-point cloud blocks, wherein the sub-point cloud blocks are described by sub-pictures, Determine the weight matrix corresponding to the sub-point cloud block; iteratively merge the sub-graphs according to the preset cost function, determine the optimization graph corresponding to the sub-graph; determine the target adjacency matrix corresponding to the optimization graph, according to the target The adjacency matrix updates the weight matrix; the Laplacian matrix corresponding to the optimization graph is determined according to the updated weight matrix, and the point cloud to be compressed is compressed according to the Laplacian matrix. It can improve the compression performance and effect of point cloud attribute compression.
- Embodiments of the present disclosure also provide a computer-readable storage medium.
- a computer program is stored on the computer-readable storage medium.
- the storage medium may be a volatile or non-volatile computer-readable storage medium.
- the units described as separate components may or may not be physically separated, and the components shown as units may or may not be physical units, that is, they may be located in one place, or they may be distributed to multiple network units. Some or all of the units can be selected according to actual needs to achieve the purpose of the solution of this embodiment.
- each functional unit in various embodiments of the present disclosure may be integrated into one processing unit, or each unit may exist physically alone, or two or more units may be integrated into one unit.
- the functions are implemented in the form of software functional units and sold or used as independent products, they can be stored in a non-volatile computer-readable storage medium that is executable by a processor.
- the technical solution of the present disclosure is essentially or the part that contributes to the existing technology or the part of the technical solution can be embodied in the form of a software product.
- the computer software product is stored in a storage medium, including Several instructions are used to cause a computer device (which can be a personal computer, a server, or a network device, etc.) to execute all or part of the steps of the methods described in various embodiments of the present disclosure.
- the aforementioned storage media include: U disk, mobile hard disk, read-only memory (ROM), random access memory (Random Access Memory, RAM), magnetic disk or optical disk and other media that can store program code. .
- the present disclosure provides a point cloud compression method, device, electronic equipment and storage medium, by obtaining a point cloud to be compressed; dividing the point cloud to be compressed into a plurality of sub-point cloud blocks, wherein the sub-point cloud blocks Describe through sub-graphs, determine the weight matrix corresponding to the sub-point cloud block; iteratively merge the sub-graphs according to the preset cost function, determine the optimization graph corresponding to the sub-graph; determine the target adjacency corresponding to the optimization graph matrix, update the weight matrix according to the target adjacency matrix; determine the Laplacian matrix corresponding to the optimization graph according to the updated weight matrix, and compress the point cloud to be compressed according to the Laplacian matrix . It can improve the compression performance and effect of point cloud attribute compression.
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Compression Of Band Width Or Redundancy In Fax (AREA)
- Image Processing (AREA)
Abstract
本公开提供了一种点云的压缩方法、装置、电子设备及存储介质，通过获取待压缩点云（S101）；将该待压缩点云划分为多个子点云块，其中，该子点云块通过图进行描述，确定该子点云块对应的权重矩阵（S102）；采用谱聚类算法将该图过划分为多个子图（S103）；根据预设的代价函数迭代合并该子图，确定该子图对应的优化图（S104）；确定该优化图对应的目标邻接矩阵，根据该目标邻接矩阵更新该权重矩阵（S105）；根据更新后的该权重矩阵确定该优化图对应的拉普拉斯矩阵，根据该拉普拉斯矩阵压缩该待压缩点云（S106）。可以提升点云属性压缩的压缩性能与压缩效果。
Description
相关申请的交叉引用
本申请要求于2022年06月20日提交中国国家知识产权局的申请号为202210694204.4、名称为“一种点云的压缩方法、装置、电子设备及存储介质”的中国专利申请的优先权以及于2022年06月21日提交中国国家知识产权局的申请号为202210700940.6、名称为“一种点云的压缩方法、装置、电子设备及存储介质”的中国专利申请的优先权，其全部内容通过引用结合在本申请中。
本公开涉及点云处理技术领域，具体而言，涉及一种点云的压缩方法、装置、电子设备及存储介质。
三维点云是现实世界数字化的重要表现形式。随着三维扫描设备(激光、雷达等)的快速发展，点云的精度和分辨率更高。高精度点云广泛应用于城市数字化地图的构建，在如智慧城市、无人驾驶、文物保护等众多热门研究中起技术支撑作用。点云是通过三维扫描设备对物体表面采样来获取的，一帧点云的点数一般是百万级别，其中每个点包含几何信息和颜色、反射率等属性信息，数据量十分庞大。三维点云庞大的数据量给数据存储、传输等带来巨大挑战，所以点云压缩十分必要。
目前，各种各样的几何压缩方法被提出，包括：渐进式八叉树、预测树、动态二值分解、形状自适应小波变换、图变换、平面近似和旅行商预测等多种几何表示模型。其中的图变换，因为它对不规则离散结构上的信号具有频域稀疏表示能力，常常用于点云的属性压缩。然而，现有的图定义方法只考虑几何拓扑，不能充分反映点之间的属性相关性，限制了压缩性能。在纹理丰富的点云块中，由于具有快速变换的属性值，点与点之间的属性相关性变弱，并不能有效的利用点之间的距离体现属性相关，因此往往压缩性能较差。
发明内容
本公开实施例至少提供一种点云的压缩方法、装置、电子设备及存储介质，可以提升点云属性压缩的压缩性能与压缩效果。
本公开实施例提供了一种点云的压缩方法，所述方法可以包括：
获取待压缩点云；
将所述待压缩点云划分为多个子点云块，其中，所述子点云块通过图进行描述，确定所述子点云块对应的权重矩阵；
采用谱聚类算法将所述图过划分为多个子图；
根据预设的代价函数迭代合并所述子图，确定所述子图对应的优化图；
确定所述优化图对应的目标邻接矩阵，根据所述目标邻接矩阵更新所述权重矩阵；
根据更新后的所述权重矩阵确定所述优化图对应的拉普拉斯矩阵，根据所述拉普拉斯矩阵压缩所述待压缩点云。
一种可选的实施方式中，所述将所述待压缩点云划分为多个子点云块，具体可以包括：
根据所述待压缩点云的几何结构，将所述待压缩点云划分为多个点云块；
针对每个所述点云块，采用归一化分割方式将该所述点云块过分割为多个所述子点云块。
一种可选的实施方式中，每个子点云块可以通过一个图进行描述，其中，每个子点云块可以由一些具有相同特征的点云节点构成。
一种可选的实施方式中，所述确定所述子点云块对应的权重矩阵，具体可以包括：
将所述子点云块中的每个节点转换为所述权重矩阵中的顶点；
采用高斯核函数计算所述顶点之间的边权值，根据所述边权值构建所述权重矩阵。
一种可选的实施方式中，可以通过以下公式计算所述顶点之间的边权值：
其中，d(i,j)代表子点云块中，顶点i与顶点j之间的欧氏距离；θ代表顶点i与顶点j之间的欧氏距离的中位数绝对偏差；exp代表e指数运算；W
i,j代表顶点i与顶点j之间的边权值。
一种可选的实施方式中，所述根据预设的代价函数迭代合并所述子图，确定所述子图对应的优化图，具体可以包括：
将相邻的所述子图两两合并，生成多个子图对；
根据所述代价函数，确定每个所述子图对对应的合并代价；
确定全部所述子图对中每两个所述子图对之间的代价差，合并所述代价差最大的两个所述子图对，其中，所述代价差为两个所述子图对分别对应的所述合并代价之和，与两个所述子图对合并后对应的合并代价之间的差值；
重复所述确定全部所述子图对中，每两个所述子图对之间的代价差，合并所述代价差最大的两个所述子图对的步骤，直至全部所述子图对之间的代价差小于零；
将合并完成后的所述子图确定为所述优化图。
一种可选的实施方式中，可以通过以下公式定义所述代价函数：
其中，A
i,j代表对应子图的邻接矩阵；s.t.代表约束条件；K代表子图总数。
一种可选的实施方式中，所述确定所述优化图对应的目标邻接矩阵，根据所述目标邻接矩阵更新所述权重矩阵，具体可以包括：
根据所述优化图对应的连通性，将所述优化图转换为对应的目标邻接矩阵；
构建以邻接矩阵作为变量，与所述权重矩阵相关联的惩罚函数，将所述目标邻接矩阵代入至所述惩罚函数，确定更新后的所述权重矩阵。
一种可选的实施方式中，可以通过以下公式定义所述惩罚函数：
f(A)＝AW
其中，A代表邻接矩阵；W代表权重矩阵；代表哈达玛积运算。
一种可选的实施方式中，可以通过以下公式计算所述拉普拉斯矩阵：
其中，
代表拉普拉斯矩阵；D代表度矩阵；W代表权重矩阵。
本公开实施例还提供一种点云的压缩装置，所述装置可以包括：
获取模块，被配置成用于获取待压缩点云；
第一划分模块，被配置成用于将所述待压缩点云划分为多个子点云块，其中，所述子点云块通过图进行描述，确定所述子点云块对应的权重矩阵；
第二划分模块，被配置成用于采用谱聚类算法将所述图过划分为多个子图；
合并模块，被配置成用于根据预设的代价函数迭代合并所述子图，确定所述子图对应的优化图；
确定模块，被配置成用于确定所述优化图对应的目标邻接矩阵，根据所述目标邻接矩阵更新所述权重矩阵；
压缩模块，被配置成用于根据更新后的所述权重矩阵确定所述优化图对应的拉普拉斯矩阵，根据所述拉普拉斯矩阵压缩所述待压缩点云。
一种可选的实施方式中，所述第一划分模块可以具体被配置成用于：
根据所述待压缩点云的几何结构，将所述待压缩点云划分为多个点云块；
针对每个所述点云块，采用归一化分割方式将该所述点云块过分割为多个所述子点云块。
一种可选的实施方式中，所述第一划分模块还可以被配置成用于：
将所述子点云块中的每个节点转换为所述权重矩阵中的顶点；
采用高斯核函数计算所述顶点之间的边权值，根据所述边权值构建所述权重矩阵。
一种可选的实施方式中，所述合并模块可以具体被配置成用于：
将相邻的所述子图两两合并，生成多个子图对；
根据所述代价函数，确定每个所述子图对对应的合并代价；
确定全部所述子图对中每两个所述子图对之间的代价差，合并所述代价差最大的两个所述子图对，其中，所述代价差为两个所述子图对分别对应的所述合并代价之和，与两个所述子图对合并后对应的合并代价之间的差值；
重复所述确定全部所述子图对中，每两个所述子图对之间的代价差，合并所述代价差最大的两个所述子图对的步骤，直至全部所述子图对之间的代价差小于零；
将合并完成后的所述子图确定为所述优化图。
一种可选的实施方式中，所述更新模块可以具体被配置成用于：
根据所述优化图对应的连通性，将所述优化图转换为对应的目标邻接矩阵；
构建以邻接矩阵作为变量，与所述权重矩阵相关联的惩罚函数，将所述目标邻接矩阵代入至所述惩罚函数，确定更新后的所述权重矩阵。
本公开实施例还提供一种电子设备，该电子设备可以包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时可以执行上述点云的压缩方法，或上述点云的压缩方法中任一种可能的实施方式中的步骤。
本公开实施例还提供一种计算机可读存储介质，该计算机可读存储介质上可以存储有计算机程序，该计算机程序被处理器运行时可以执行上述点云的压缩方法，或上述点云的压缩方法中任一种可能的实施方式中的步骤。
本公开实施例还提供一种计算机程序产品，该计算机程序产品可以包括计算机指令，该计算机指令被处理器执行时可以执行上述点云的压缩方法，或上述点云的压缩方法中任一种可能的实施方式中的步骤。
本公开实施例提供的一种点云的压缩方法、装置、电子设备及存储介质，通过获取待压缩点云；将所述待压缩点云划分为多个子点云块，其中，所述子点云块通过子图进行描述，确定所述子点云块对应的权重矩阵；根据预设的代价函数迭代合并所述子图，确定所述子图对应的优化图；确定所述优化图对应的目标邻接矩阵，根据所述目标邻接矩阵更新所述权重矩阵；根据更新后的所述权重矩阵确定所述优化图对应的拉普拉斯矩阵，根据所述拉普拉斯矩阵压缩所述待压缩点云。可以提升点云属性压缩的压缩性能与压缩效果。
为使本公开的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，此处的附图被并入说明书中并构成本说明书中的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。应当理解，以下附图仅示出了本公开的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1示出了本公开实施例所提供的一种点云的压缩方法的流程图；
图2示出了本公开实施例所提供一种子图的合并方法的流程图；
图3示出了本公开实施例所提供的一种点云的压缩装置的示意图；
图4示出了本公开实施例所提供的一种电子设备的结构示意图。
图中：300-压缩装置；310-获取模块；320-第一划分模块；330-第二划分模块；340-合并模块；350-更新模块；360-压缩模块；400-电子设备；41-处理器；42-存储器；421-内存；422-外部存储器；43-总线。
为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本公开实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本公开的实施例的详细描述并非旨在限制要求保护的本公开的范围，而是仅仅表示本公开的选定实施例。基于本公开的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本公开保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
本文中术语“和/或”，仅仅是描述一种关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
经研究发现，目前，各种各样的几何压缩方法被提出，包括：渐进式八叉树、预测树、动态二值分解、形状自适应小波变换、图变换、平面近似和旅行商预测等多种几何表示模型。其中的图变换，因为它对不规则离散结构上的信号具有频域稀疏表示能力，常常用于 点云的属性压缩。然而，现有的图定义方法只考虑几何拓扑，不能充分反映点之间的属性相关性，限制了压缩性能。在纹理丰富的点云块中，由于具有快速变换的属性值，点与点之间的属性相关性变弱，并不能有效的利用点之间的距离体现属性相关，因此往往压缩性能较差。
基于上述研究，本公开提供了一种点云的压缩方法、装置、电子设备及存储介质，通过获取待压缩点云；将所述待压缩点云划分为多个子点云块，其中，所述子点云块通过子图进行描述，确定所述子点云块对应的权重矩阵；根据预设的代价函数迭代合并所述子图，确定所述子图对应的优化图；确定所述优化图对应的目标邻接矩阵，根据所述目标邻接矩阵更新所述权重矩阵；根据更新后的所述权重矩阵确定所述优化图对应的拉普拉斯矩阵，根据所述拉普拉斯矩阵压缩所述待压缩点云。可以提升点云属性压缩的压缩性能与压缩效果。
为便于对本实施例进行理解，首先对本公开实施例所公开的一种点云的压缩方法进行详细介绍，本公开实施例所提供的点云的压缩方法的执行主体一般为具有一定计算能力的计算机设备，该计算机设备例如包括：终端设备或服务器或其它处理设备，终端设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中，该点云的压缩方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。
参见图1所示，为本公开实施例提供的一种点云的压缩方法的流程图，所述方法可以包括步骤S101～S106，其中：
S101、获取待压缩点云。
在具体实施中，可以通过测绘激光雷达、3D相机等三维扫描设备对物体表面采样来获取得到待压缩点云，待压缩点云中包含有反映被扫描物体表面特征的海量点数据集合。
需要说明的是，这里不对待压缩点云的来源进行限制，不论是使用三维坐标测量机所得到的点数量比较少，点与点的间距也比较大的稀疏点云，还是使用三维激光扫描仪或照相式扫描仪得到的点数量比较大并且比较密集的密集点云，均可采用本公开实施例提供的点云的压缩方法进行压缩处理。
S102、将所述待压缩点云划分为多个子点云块，其中，所述子点云块通过图进行描述，确定所述子点云块对应的权重矩阵。
在具体实施中，针对获取到的待压缩点云进行划分处理，将待压缩点云划分为多个子点云块，并将每个子点云块初始化为独立的图，采用图的方式描述该子点云块，之后计算每个子点云块对应的权重矩阵。
这里，在将待压缩点云划分为多个子点云块的过程中，首先需要根据待压缩点云的几何结构，将待压缩点云划分为多个点云块，之后针对划分后的每个所述点云块，利用归一化分割算法将点云块过分割为多个子点云块，每个子点云块通过一个图进行描述，其中，每个子点云块由一些具有相同特征(纹理、颜色、明度等)的点云节点构成。
需要说明的是，在使用归一化分割算法将点云块过分割为多个子点云块的过程中，需要将点云块对应的色彩信号作为相似性度量输入至归一化分割算法中。
作为一种可能的实施方式，可以利用三维KD树结构将待压缩点云划分为多个点云块，对于待压缩点云中的每一个非叶节点，可以被一个超平面划分为两个子空间，并且相应的每一个子空间又可以以相同的方式递归地通过超平面进行分割。其中，KD树的分割是沿坐标轴进行的，所有超平面都垂直于相应的坐标轴。例如沿着x轴分割，只需要给定某x值就可以确定超平面的位置，该超平面将原节点空间分割成两个子空间，其中一个子空间的所有点的x值均小于另外一个子空间中所有点的x值。
需要说明的是，将待压缩点云划分为点云块的方法包括但不局限于KD树，八叉树，K-means聚类算法和超体素聚类等方式，在此不做具体限制。
可选地，确定子点云块对应的权重矩阵的方法可以为：将所述子点云块中的每个节点转换为所述权重矩阵中的顶点；采用高斯核函数计算所述顶点之间的边权值，根据所述边权值构建所述权重矩阵。在具体实施中，点云块中顶点与顶点之间的边权值可以通过如下公式进行计算：
其中，d(i,j)代表子点云块中，顶点i与顶点j之间的欧氏距离；θ代表顶点i与顶点j之间的欧氏距离的中位数绝对偏差；exp代表e指数运算；W
i,j代表顶点i与顶点j之间的边权值。
这里，边权值可以反映两个顶点之间的信号相似性，两个顶点上的信号相似性越大，则两个顶点之间的边权值越大，并且这两个顶点之间的信号是平滑的。针对用以描述子点云块的子图，如果图上信号是平滑的，则图中能量集中在低频范围，因此很容易被压缩。
S103、采用谱聚类算法将所述图过划分为多个子图。
在具体实施中，针对每个子点云块，将用于描述该子点云块的图采用谱聚类算法进行过划分处理，每个图均可得到对应的多个子图。
S104、根据预设的代价函数迭代合并所述子图，确定所述子图对应的优化图。
在具体实施中，针对被过分割的多个子点云块，在预设的代价函数的指导下将描述每 个子图进行迭代合并，以生成对应的优化图。
作为一种可能的实施方式，预设的代价函数可以通过如下公式定义：
其中，A
i,j代表对应子图的邻接矩阵；s.t.代表约束条件；K代表子图总数。该代价函数可以分为
以及
三项，具体的
以及
三项可以由如下公式描述：
其中，q代表量化步长；A
i,j代表对应子图的邻接矩阵；W
i,j代表对应子图的权重矩阵；X代表子点云块对应的属性值；
代表拉普拉斯矩阵，可以根据权重矩阵以及对应的度矩阵计算得到，其中度矩阵为一个对角矩阵，对角线上的值为权重矩阵的每行元素之和；T代表矩阵的转置；N代表子点云块中的顶点总数。这里，采用加权信号差分平方和的方式代替拉普拉斯矩阵特征分解，具有较低的计算复杂度，并且当子图的平滑度增加时，码率降低。
其中，V
(1×N)对应矩阵特征值为0的特征向量，m代表不同的颜色分量。
其中，N
k表示第K个子图。
可选地，根据预设的代价函数迭代合并所述子图，确定所述子图对应的优化图的步骤可以如图2所示，图2为本公开实施例提供的一种子图的合并方法的流程图，所述方法包括步骤S1041～S1045，其中：
S1041、将相邻的所述子图两两合并，生成多个子图对。
这里，可以采用贪心算法将相邻的两个子图两两合并，组成多个子图对。
S1042、根据所述代价函数，确定每个所述子图对对应的合并代价。
S1043、确定全部所述子图对中每两个所述子图对之间的代价差，合并所述代价差最大的两个所述子图对，其中，所述代价差为两个所述子图对分别对应的所述合并代价之和，与两个所述子图对合并后对应的合并代价之间的差值。
在具体实施中，针对相邻子图两两合并生成的多个子图对，针对多个子图对中的每两个子图对，计算这两个子图对中每个子图对分别对应的合并代价之和，并计算这两个子图对若进行合并时对应的合并代价，将两者差值确定为两个子图对之间的代价差，筛选出代价差最大的两个子图对进行合并。
需要说明的是，若代价差小于零，则说明两个子图对之间无法进行合并。若出现两个相同的代价差，则同时合并每个代价差对应的两个子图对。
示例性的，针对子图对1、子图对2、子图对3以及子图对4，子图对1对应的合并代价值为0.8、子图对2对应的合并代价值为0.3、子图对3对应的合并代价值为0.5、子图对4对应的合并代价值为0.9。在进行合并时，以子图对1为例，若子图对1与子图对2进行合并后的合并代价值为0.4，则子图对1与子图对2之间的代价差为：0.8+0.3-0.4＝0.7；若子图对1与子图对3进行合并后的合并代价值为0.1，则子图对1与子图对3之间的代价差为：0.8+0.5-0.1＝1.2；若子图对1与子图对4进行合并后的合并代价值为0.7，则子图对1与子图对3之间的代价差为：0.8+0.9-0.7＝1.0；由此可见子图对1与子图对3进行合并的代价差最大，因此可以将子图对1与子图对3进行合并。
S1044、重复所述确定全部所述子图对中，每两个所述子图对之间的代价差，合并所述代价差最大的两个所述子图对的步骤，直至全部所述子图对之间的代价差小于零。
在具体实施过程中，可以将合并后的子图对作为新的子图对再次进行步骤S1043的处理方式，继续获取子图对之间的代价差并将代价差最大的两个子图对进行合并，如此重复进行，直至全部子图对之间的代价差均小于零，此时即可认为合并完成，合并完成后形成的新的子图即为优化图。
S1045、将合并完成后的所述子图确定为所述优化图。
S105、确定所述优化图对应的目标邻接矩阵，根据所述目标邻接矩阵更新所述权重矩阵。
在具体实施中，未优化的子图的顶点与权重处于全连通的状态，在采用高斯核函数计算顶点之间的边权值时，仅考虑了几何度量来定义图形权重，若成对的顶点i和j具有相似的属性值或将低权重指定给连接不同顶点的边时，子图上的属性值变化很小，可完全适用于纹理块，并且可以避免描述图形结构的额外代价。但是如果这些成对顶点跨越纹理边界， 则很可能会出现权重异常值，在处理顶点之间的距离较为接近的情况时，这些跨越纹理边界的异常值将被赋予较高的权重值，但在评估它们的不同属性时，应该需要配置较低的权重值。因此，需要使用邻接矩阵作为惩罚函数的变量，经过惩罚函数的处理后更新权重矩阵来调整离群值。
需要说明的是，由于需要将邻接矩阵写入比特流中进行解码。为了联合优化图上的信号平滑度和邻接矩阵的编码成本，因此采用经过代价函数合并后的优化图寻找到最佳邻接矩阵，用以更新权重矩阵。
可选地，可以根据所述优化图对应的连通性，将所述优化图转换为对应的目标邻接矩阵；构建以邻接矩阵作为变量，与所述权重矩阵相关联的惩罚函数，将所述目标邻接矩阵代入至所述惩罚函数，确定更新后的所述权重矩阵。
这里，目标邻接矩阵即为用以更新权重矩阵的最佳邻接矩阵，目标邻接矩阵根据优化图内的连通性确定，即在优化图中，每个子图内的顶点是全连接的，不同的子图之间的顶点是断开的。
作为一种可能的实施方式，可以通过以下公式定义所述惩罚函数：
f(A)＝AW
其中，A代表邻接矩阵；W代表权重矩阵；代表哈达玛积运算。
S106、根据更新后的所述权重矩阵确定所述优化图对应的拉普拉斯矩阵，根据所述拉普拉斯矩阵压缩所述待压缩点云。
在具体实施中，在确定更新后的权重矩阵后，即可根据权重矩阵确定对应的度矩阵，这里，度矩阵为一个对角矩阵，其对角线上的值等于权重矩阵中每行元素之和，即连接顶点i的所有边的边权重之和。根据度矩阵以及权重矩阵，即可确定拉普拉斯矩阵，拉普拉斯矩阵中的特征向量可以反应待压缩点云中的属性信息，使用预设的压缩机根据拉普拉斯矩阵进行编码即可完成待压缩点云的压缩工作。
具体的，可以基于以下公式计算拉普拉斯矩阵：
其中，
代表拉普拉斯矩阵；D代表度矩阵；W代表权重矩阵。
本公开实施例提供的一种点云的压缩方法，通过获取待压缩点云；将所述待压缩点云划分为多个子点云块，其中，所述子点云块通过子图进行描述，确定所述子点云块对应的权重矩阵；根据预设的代价函数迭代合并所述子图，确定所述子图对应的优化图；确定所述优化图对应的目标邻接矩阵，根据所述目标邻接矩阵更新所述权重矩阵；根据更新后的所述权重矩阵确定所述优化图对应的拉普拉斯矩阵，根据所述拉普拉斯矩阵压缩所述待压缩点云。可以提升点云属性压缩的压缩性能与压缩效果。
本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
基于同一发明构思，本公开实施例中还提供了与点云的压缩方法对应的点云的压缩装置，由于本公开实施例中的装置解决问题的原理与本公开实施例上述点云的压缩方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。
请参阅图3，图3为本公开实施例提供的一种点云的压缩装置的示意图。如图3中所示，本公开实施例提供的压缩装置300可以包括：
获取模块310，被配置成用于获取待压缩点云。
第一划分模块320，被配置成用于将所述待压缩点云划分为多个子点云块，其中，所述子点云块通过子图进行描述，确定所述子点云块对应的权重矩阵。
第二划分模块330，被配置成用于采用谱聚类算法将所述图过划分为多个子图。
合并模块340，被配置成用于根据预设的代价函数迭代合并所述子图，确定所述子图对应的优化图。
更新模块350，被配置成用于确定所述优化图对应的目标邻接矩阵，根据所述目标邻接矩阵更新所述权重矩阵。
压缩模块360，被配置成用于根据更新后的所述权重矩阵确定所述优化图对应的拉普拉斯矩阵，根据所述拉普拉斯矩阵压缩所述待压缩点云。
一种可选的实施方式中，所述第一划分模块320可以具体被配置成用于：
根据所述待压缩点云的几何结构，将所述待压缩点云划分为多个点云块；
针对每个所述点云块，采用归一化分割方式将该所述点云块过分割为多个所述子点云块。
一种可选的实施方式中，所述第一划分模块320还可以被配置成用于：
将所述子点云块中的每个节点转换为所述权重矩阵中的顶点；
采用高斯核函数计算所述顶点之间的边权值，根据所述边权值构建所述权重矩阵。
一种可选的实施方式中，所述合并模块340可以具体被配置成用于：
将相邻的所述子图两两合并，生成多个子图对；
根据所述代价函数，确定每个所述子图对对应的合并代价；
确定全部所述子图对中每两个所述子图对之间的代价差，合并所述代价差最大的两个所述子图对，其中，所述代价差为两个所述子图对分别对应的所述合并代价之和，与两个所述子图对合并后对应的合并代价之间的差值；
重复所述确定全部所述子图对中，每两个所述子图对之间的代价差，合并所述代价差 最大的两个所述子图对的步骤，直至全部所述子图对之间的代价差小于零；
将合并完成后的所述子图确定为所述优化图。
一种可选的实施方式中，所述更新模块350可以具体被配置成用于：
根据所述优化图对应的连通性，将所述优化图转换为对应的目标邻接矩阵；
构建以邻接矩阵作为变量，与所述权重矩阵相关联的惩罚函数，将所述目标邻接矩阵代入至所述惩罚函数，确定更新后的所述权重矩阵。
关于装置中的各模块的处理流程、以及各模块之间的交互流程的描述可以参照上述方法实施例中的相关说明，这里不再详述。
本公开实施例提供的一种点云的压缩装置，通过获取待压缩点云；将所述待压缩点云划分为多个子点云块，其中，所述子点云块通过子图进行描述，确定所述子点云块对应的权重矩阵；根据预设的代价函数迭代合并所述子图，确定所述子图对应的优化图；确定所述优化图对应的目标邻接矩阵，根据所述目标邻接矩阵更新所述权重矩阵；根据更新后的所述权重矩阵确定所述优化图对应的拉普拉斯矩阵，根据所述拉普拉斯矩阵压缩所述待压缩点云。可以提升点云属性压缩的压缩性能与压缩效果。
对应于图1中的点云的压缩方法，本公开实施例还提供了一种电子设备400，如图4所示，为本公开实施例提供的电子设备400的结构示意图，包括：
处理器41、存储器42、和总线43；存储器42用于存储执行指令，包括内存421和外部存储器422；这里的内存421也称内存储器，用于暂时存放处理器41中的运算数据，以及与硬盘等外部存储器422交换的数据，处理器41通过内存421与外部存储器422进行数据交换，当所述电子设备400运行时，所述处理器41与所述存储器42之间通过总线43通信，使得所述处理器41执行图1中的点云的压缩方法的步骤。
本公开实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述方法实施例中所述的点云的压缩方法的步骤。其中，该存储介质可以是易失性或非易失的计算机可读取存储介质。
本公开实施例还提供一种计算机程序产品，该计算机程序产品包括有计算机指令，所述计算机指令被处理器执行时可以执行上述方法实施例中所述的点云的压缩方法的步骤，具体可参见上述方法实施例，在此不再赘述。
其中，上述计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述装置的具体 工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。在本公开所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本公开各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本公开的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本公开各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本公开的具体实施方式，用以说明本公开的技术方案，而非对其限制，本公开的保护范围并不局限于此，尽管参照前述实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本公开实施例技术方案的精神和范围，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应所述以权利要求的保护范围为准。
本公开提供了一种点云的压缩方法、装置、电子设备及存储介质，通过获取待压缩点云；将所述待压缩点云划分为多个子点云块，其中，所述子点云块通过子图进行描述，确定所述子点云块对应的权重矩阵；根据预设的代价函数迭代合并所述子图，确定所述子图对应的优化图；确定所述优化图对应的目标邻接矩阵，根据所述目标邻接矩阵更新所述权 重矩阵；根据更新后的所述权重矩阵确定所述优化图对应的拉普拉斯矩阵，根据所述拉普拉斯矩阵压缩所述待压缩点云。可以提升点云属性压缩的压缩性能与压缩效果。
此外，可以理解的是，本公开的点云的压缩方法、装置、电子设备及存储介质是可以重现的，并且可以用在多种工业应用中。例如，本公开的点云的压缩方法、装置、电子设备及存储介质可以用于点云处理技术领域。
Claims (18)
- 一种点云的压缩方法，其特征在于，包括：获取待压缩点云；将所述待压缩点云划分为多个子点云块，其中，所述子点云块通过图进行描述，确定所述子点云块对应的权重矩阵；采用谱聚类算法将所述图过划分为多个子图；根据预设的代价函数迭代合并所述子图，确定所述子图对应的优化图；确定所述优化图对应的目标邻接矩阵，根据所述目标邻接矩阵更新所述权重矩阵；根据更新后的所述权重矩阵确定所述优化图对应的拉普拉斯矩阵，根据所述拉普拉斯矩阵压缩所述待压缩点云。
- 根据权利要求1所述的方法，其特征在于，所述将所述待压缩点云划分为多个子点云块，具体包括：根据所述待压缩点云的几何结构，将所述待压缩点云划分为多个点云块；针对每个所述点云块，采用归一化分割方式将该所述点云块过分割为多个所述子点云块。
- 根据权利要求1或2所述的方法，其特征在于，每个所述子点云块通过一个图进行描述，其中，每个所述子点云块由一些具有相同特征的点云节点构成。
- 根据权利要求1至3中任一项所述的方法，其特征在于，所述确定所述子点云块对应的权重矩阵，具体包括：将所述子点云块中的每个节点转换为所述权重矩阵中的顶点；采用高斯核函数计算所述顶点之间的边权值，根据所述边权值构建所述权重矩阵。
- 根据权利要求4所述的方法，其特征在于，通过以下公式计算所述顶点之间的边权值：
其中，d(i,j)代表子点云块中，顶点i与顶点j之间的欧氏距离；θ代表顶点i与顶点j之间的欧氏距离的中位数绝对偏差；exp代表e指数运算；W i,j代表顶点i与顶点j之间的边权值。 - 根据权利要求1至5中任一项所述的方法，其特征在于，所述根据预设的代价函数迭代合并所述子图，确定所述子图对应的优化图，具体包括：将相邻的所述子图两两合并，生成多个子图对；根据所述代价函数，确定每个所述子图对对应的合并代价；确定全部所述子图对中每两个所述子图对之间的代价差，合并所述代价差最大的两个所述子图对，其中，所述代价差为两个所述子图对分别对应的所述合并代价之和，与两个所述子图对合并后对应的合并代价之间的差值；重复所述确定全部所述子图对中，每两个所述子图对之间的代价差，合并所述代价差最大的两个所述子图对的步骤，直至全部所述子图对之间的代价差小于零；将合并完成后的所述子图确定为所述优化图。
- 根据权利要求1至6中任一项所述的方法，其特征在于，通过以下公式定义所述代价函数：
其中，A i,j代表对应子图的邻接矩阵；s.t.代表约束条件；K代表子图总数。 - 根据权利要求1至7中任一项所述的方法，其特征在于，所述确定所述优化图对应的目标邻接矩阵，根据所述目标邻接矩阵更新所述权重矩阵，具体包括：根据所述优化图对应的连通性，将所述优化图转换为对应的目标邻接矩阵；构建以邻接矩阵作为变量，与所述权重矩阵相关联的惩罚函数，将所述目标邻接矩阵代入至所述惩罚函数，确定更新后的所述权重矩阵。
- 根据权利要求8所述的方法，其特征在于，通过以下公式定义所述惩罚函数：f(A)＝AW其中，A代表邻接矩阵；W代表权重矩阵；代表哈达玛积运算。
- 根据权利要求1至9中任一项所述的方法，其特征在于，通过以下公式计算所述拉普拉斯矩阵：
其中，代表拉普拉斯矩阵；D代表度矩阵；W代表权重矩阵。
- 一种点云的压缩装置，其特征在于，包括：获取模块，被配置成用于获取待压缩点云；第一划分模块，被配置成用于将所述待压缩点云划分为多个子点云块，其中，所述子点云块通过图进行描述，确定所述子点云块对应的权重矩阵；第二划分模块，被配置成用于采用谱聚类算法将所述图过划分为多个子图；合并模块，被配置成用于根据预设的代价函数迭代合并所述子图，确定所述子图对应的优化图；更新模块，被配置成用于确定所述优化图对应的目标邻接矩阵，根据所述目标邻接矩阵更新所述权重矩阵；压缩模块，被配置成用于根据更新后的所述权重矩阵确定所述优化图对应的拉普拉斯矩阵，根据所述拉普拉斯矩阵压缩所述待压缩点云。
- 根据权利要求11所述的装置，其特征在于，所述第一划分模块具体被配置成用于：根据所述待压缩点云的几何结构，将所述待压缩点云划分为多个点云块；针对每个所述点云块，采用归一化分割方式将该所述点云块过分割为多个所述子点云块。
- 根据权利要求11或12所述的装置，其特征在于，所述第一划分模块还被配置成用于：将所述子点云块中的每个节点转换为所述权重矩阵中的顶点；采用高斯核函数计算所述顶点之间的边权值，根据所述边权值构建所述权重矩阵。
- 根据权利要求11至13中任一项所述的装置，其特征在于，所述合并模块具体被配置成用于：将相邻的所述子图两两合并，生成多个子图对；根据所述代价函数，确定每个所述子图对对应的合并代价；确定全部所述子图对中每两个所述子图对之间的代价差，合并所述代价差最大的两个所述子图对，其中，所述代价差为两个所述子图对分别对应的所述合并代价之和，与两个所述子图对合并后对应的合并代价之间的差值；重复所述确定全部所述子图对中，每两个所述子图对之间的代价差，合并所述代价差最大的两个所述子图对的步骤，直至全部所述子图对之间的代价差小于零；将合并完成后的所述子图确定为所述优化图。
- 根据权利要求11至14中任一项所述的装置，其特征在于，所述更新模块被配置成用于：根据所述优化图对应的连通性，将所述优化图转换为对应的目标邻接矩阵；构建以邻接矩阵作为变量，与所述权重矩阵相关联的惩罚函数，将所述目标邻接矩阵代入至所述惩罚函数，确定更新后的所述权重矩阵。
- 一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通 过总线通信，所述机器可读指令被所述处理器执行时执行根据权利要求1至10中任一项所述的点云的压缩方法的步骤。
- 一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行根据权利要求1至10中任一项所述的点云的压缩方法的步骤。
- 一种计算机程序产品，所述计算机程序产品包括计算机指令，所述计算机指令被处理器执行时执行根据权利要求1至10中任一项所述的点云的压缩方法的步骤。
Applications Claiming Priority (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210694204.4 | 2022-06-20 | ||
| CN202210694204.4A CN114785998A (zh) | 2022-06-20 | 2022-06-20 | 一种点云的压缩方法、装置、电子设备及存储介质 |
| CN202210700940.6 | 2022-06-21 | ||
| CN202210700940.6A CN114782564B (zh) | 2022-06-21 | 2022-06-21 | 一种点云的压缩方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| WO2023245981A1 true WO2023245981A1 (zh) | 2023-12-28 |
Family
ID=89379095
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| PCT/CN2022/134513 WO2023245982A1 (zh) | 2022-06-20 | 2022-11-25 | 一种点云的压缩方法、装置、电子设备及存储介质 |
| PCT/CN2022/134512 WO2023245981A1 (zh) | 2022-06-20 | 2022-11-25 | 一种点云的压缩方法、装置、电子设备及存储介质 |
Family Applications Before (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| PCT/CN2022/134513 WO2023245982A1 (zh) | 2022-06-20 | 2022-11-25 | 一种点云的压缩方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| WO (2) | WO2023245982A1 (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107403456A (zh) * | 2017-07-28 | 2017-11-28 | 北京大学深圳研究生院 | 一种基于kd树和优化图变换的点云属性压缩方法 |
| CN109166160A (zh) * | 2018-09-17 | 2019-01-08 | 华侨大学 | 一种采用图形预测的三维点云压缩方法 |
| US20190156520A1 (en) * | 2017-11-22 | 2019-05-23 | Apple Inc. | Point cloud occupancy map compression |
| US20190311502A1 (en) * | 2018-04-10 | 2019-10-10 | Apple Inc. | Point cloud attribute transfer algorithm |
| CN113766229A (zh) * | 2021-09-30 | 2021-12-07 | 咪咕文化科技有限公司 | 一种编码方法、解码方法、装置、设备及可读存储介质 |
| CN114785998A (zh) * | 2022-06-20 | 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 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11450030B2 (en) * | 2019-09-24 | 2022-09-20 | Apple Inc. | Three-dimensional mesh compression using a video encoder |
| CN112637594B (zh) * | 2020-12-23 | 2023-05-26 | 青岛大学 | 一种基于比特流的无参考3d点云质量评估方法 |
| CN113096198B (zh) * | 2021-03-01 | 2022-08-30 | 中山大学 | 一种双向点云属性预测压缩方法，装置，设备及介质 |
| CN113096200B (zh) * | 2021-03-24 | 2023-03-14 | 中山大学 | 一种基于法向量的点云属性压缩方法、装置、设备及介质 |
| CN114782564B (zh) * | 2022-06-21 | 2022-09-09 | 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 |
-
2022
- 2022-11-25 WO PCT/CN2022/134513 patent/WO2023245982A1/zh unknown
- 2022-11-25 WO PCT/CN2022/134512 patent/WO2023245981A1/zh unknown
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107403456A (zh) * | 2017-07-28 | 2017-11-28 | 北京大学深圳研究生院 | 一种基于kd树和优化图变换的点云属性压缩方法 |
| US20190156520A1 (en) * | 2017-11-22 | 2019-05-23 | Apple Inc. | Point cloud occupancy map compression |
| US20190311502A1 (en) * | 2018-04-10 | 2019-10-10 | Apple Inc. | Point cloud attribute transfer algorithm |
| CN109166160A (zh) * | 2018-09-17 | 2019-01-08 | 华侨大学 | 一种采用图形预测的三维点云压缩方法 |
| CN113766229A (zh) * | 2021-09-30 | 2021-12-07 | 咪咕文化科技有限公司 | 一种编码方法、解码方法、装置、设备及可读存储介质 |
| CN114785998A (zh) * | 2022-06-20 | 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 |
Non-Patent Citations (2)
| Title |
|---|
| SONG, FEI ET AL.: "Rate-Distortion Optimized Graph for Point Cloud Attribute Coding", IEEE SIGNAL PROCESSING LETTERS, vol. 29, 23 March 2022 (2022-03-23), XP011905743, DOI: 10.1109/LSP.2022.3161868 * |
| XIJIA HE, HUANG KEXIN, ZENG KEXIANG, LIANG ZHISHENG: "Research on laser medical image reconstruction based on feature matching", LASER JOURNAL, vol. 41, no. 2, 25 February 2020 (2020-02-25), pages 119 - 122, XP093119902, DOI: 编码：10.14016/j．cnki．jgzz.2020.02.119 * |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023245982A1 (zh) | 2023-12-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Berger et al. | A survey of surface reconstruction from point clouds | |
| JP6692464B2 (ja) | 点を有する入力点群を処理するシステム及び方法 | |
| Zorzi et al. | Polyworld: Polygonal building extraction with graph neural networks in satellite images | |
| TWI502547B (zh) | 行星尺度之物件繪製之方法及裝置 | |
| CN108875813B (zh) | 一种基于几何图像的三维网格模型检索方法 | |
| US9196021B2 (en) | Video enhancement using related content | |
| CN110163863B (zh) | 三维物体分割方法、设备和介质 | |
| Mémoli et al. | Distance Functions and Geodesics on Submanifolds of \R^d and Point Clouds | |
| CN116188805B (zh) | 海量图像的图像内容分析方法、装置和图像信息网络 | |
| CN111524168B (zh) | 点云数据的配准方法、系统、装置及计算机存储介质 | |
| CN111833430A (zh) | 基于神经网络的光照数据预测方法、系统、终端及介质 | |
| CN114785998A (zh) | 一种点云的压缩方法、装置、电子设备及存储介质 | |
| Zhang et al. | Clustering and DCT based color point cloud compression | |
| WO2022183500A1 (zh) | 基于投影的点云质量评价方法、装置、设备和存储介质 | |
| CN114782564B (zh) | 一种点云的压缩方法、装置、电子设备及存储介质 | |
| CN114219890A (zh) | 一种三维重建方法、装置、设备及计算机存储介质 | |
| CN112634149A (zh) | 一种基于图卷积网络的点云去噪方法 | |
| Wang et al. | Fast SIFT feature matching algorithm based on geometric transformation | |
| CN115937546A (zh) | 图像匹配、三维图像重建方法、装置、电子设备以及介质 | |
| CN114627244A (zh) | 三维重建方法及装置、电子设备、计算机可读介质 | |
| CN110163095B (zh) | 回环检测方法、回环检测装置及终端设备 | |
| WO2021218509A1 (zh) | 一种最近邻搜索方法、编码器、解码器及存储介质 | |
| RU2753591C1 (ru) | Способ сжатия и хранения трехмерных данных (варианты) | |
| WO2023245981A1 (zh) | 一种点云的压缩方法、装置、电子设备及存储介质 | |
| Han | Texture Image Compression Algorithm Based on Self‐Organizing Neural Network |
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: 22947716 Country of ref document: EP Kind code of ref document: A1 |