本发明专利技术公开了一种云环境下基于三维点云模型的图像预测方法、系统及装置，相关方法包括：获取云端聚类后相似图像对应的三维点云模型及摄像机参数；根据云端聚类后相似图像对应的三维点云模型及摄像机参数对当前待编码图像进行预测，其包括：根据摄像机参数计算待编码图像与云端聚类后相似图像的视角相似性，从而确定参考图像；根据该参考图像对应的三维点云模型生成该参考图像与该待编码图像间的匹配像素对；以匹配像素对作为预测块中心生成待编码图像的预测。通过采用本发明专利技术公开的方法，可以适应相似图像间更复杂的视角变换和更大的差异性，图像间的预测更加准确，从而在云环境下对相似图像进行高效的压缩编码。
【技术实现步骤摘要】
本专利技术设及云环境下的图像编码
，尤其设及一种云环境下基于=维点云 模型的图像预测方法、系统及装置。
技术介绍
随着互联网的发展，云端的图像数据量急剧增加，给其传输和存储带来了巨大压 力。云环境下存在大量的具有较强相关性的图像，如何利用图像间的相关性进行高效的编 码是一个至关重要的问题。[000引传统图像编码方案，如JPEG、JPEG2000等，只针对单张图像进行压缩，并未利用 图像间的相关性，压缩效率有待提升。现有的利用图像间相关性进行压缩的技术有两类，第 一类生成图像集的RS化巧resentativesignal,典型图像），例如图像集的平均值，再将每 张图像减去RS后的残差进行编码。该类方法对图像间相关性的挖掘较为简单；第二类技术 将图像集类比成视频帖序列，通过MST(minimumcostspanningtree,最小生成树）等算法 生成最优的图像间预测结构，在预测前进行一定的几何校正，例如基于局部特征的仿射变 换，再进行光照补偿，最后利用视频编码器对图像集进行预测编码。 然而，上述解决方案仍然存在很多不足。第一类方法只对没有明显视角变换的图 像集有效。第二类方法将图像集类比成视频帖序列，采用了较为简单的几何校正，如仿射模 型。但图像间的相关性比自然视频要小得多，该方法对于相似度高、视角变换不大的个人影 集图像效果较好，但对于云环境下具有较明显差异性的图像效果较差。而且该些方法多数 需要帖间预测的结构，不能直接用于多分辨率的图像集合，不适合云环境下的图像编码。
技术实现思路
本专利技术的目的是提供一种云环境下基于S维点云模型的图像预测方法、系统及装 置，可W利用图像间的相关性进行预测编码，适应图像间较大的视角变换和差异性，提高图 像集编码的压缩效率。 本专利技术的目的是通过W下技术方案实现的： 一种云环境下基于S维点云模型的图像预测方法，该方法包括：[000引获取云端聚类后相似图像对应的=维点云模型及摄像机参数； 根据云端聚类后相似图像对应的=维点云模型及摄像机参数对当前待编码图像 进行预测，其包括：根据摄像机参数计算待编码图像与云端聚类后相似图像的视角相似性， 从而确定参考图像；根据该参考图像对应的=维点云模型生成该参考图像与该待编码图像 间的匹配像素对；W匹配像素对作为预测块中屯、生成待编码图像的预测。 进一步的，所述获取云端聚类后相似图像对应的=维点云模型及摄像机参数包 括： 利用运动估计结构SfM算法估算云端聚类后相似图像的摄像机参数，所述摄像机 参数包括焦距f、崎变校正因子kl与k2、旋转矩阵R与平移矩阵T; 重建云端聚类后相似图像对应的S维点云模型；了，其中1=。 进一步的，所述根据摄像机参数计算待编码图像与云端聚类后相似图像的视角相 似性，从而确定参考图像包括： 利用下述公式分别计算待编码图像I。与云端聚类后相似图像Ik间的不相似性 屯,k; dc,k=a?(fc-fk)2+e? (I|Rc-Rkl|2+| |Tc-Tkl|2) 其中，a与p为权重系数；f。、R。与T。分别为待编码图像I。的焦距、旋转矩阵与 平移矩阵；fk、Rk与Tk分别为云端聚类后相似图像Ik的焦距、旋转矩阵与平移矩阵；[001引选择云端聚类后相似图像中与待编码图像I。不相似性最小的图像作为参考图像。 进一步的，所述根据该参考图像对应的=维点云模型生成该参考图像与该待编码 图像间的匹配像素对包括： 将S维点云模型中的点Pi通过下述公式投影到待编码图像I。上，获得待编码图像 I。上的像素位置;具体的包括如下四个公式：[002U将待编码图像I。的旋转矩阵和平移矩阵作用于点P1的坐标X1上，其公式为：[002引Pci=Rc.Xi+Tc 对Pt,i进行反向和归一化，其公式为：Pc,i=-Pc,i/Pc,i(3) 计算对应的崎变校正系数r(Pt,i)，其公式为： r(Pe，i) = 1. 0+ke，i ? I |Pe，i| |2+ke，2 ? ||Pe，i| r 利用计算获得的崎变校正系数进行缩放与崎变校正，获得最终结果，其公式为： = P'C，1 = fC? r (Pc，1) ? Pc，1 上述式子中，R。、T。与f。分别为待编码图像I。的旋转矩阵、平移矩阵与焦距，kc，i 与ke,2为待编码图像I。的崎变校正因子；做表示S维坐标的Z轴坐标值；P'表 示对PcU进行缩放与崎变校正后的结果； 再利用上述四个公式将S维点云模型中的点Pi投影到参考图像I,上，获得参考图 像I,上的像素位置（Xr，i,y"); 若像素位置（Xt,i，yt,i)与（Xf,i，y,,i)均位于其对应图像的实际边界范围内，则构成 匹配像素对； 将S维点云模型中所有点均通过上述方法处理后，获得全部的匹配像素对。 进一步的，所述W匹配像素对作为预测块中屯、生成待编码图像的预测包括： 确定预测块的大小，其边长L的计算公式为：【主权项】1. 一种云环境下基于三维点云模型的图像预测方法，其特征在于，该方法包括： 获取云端聚类后相似图像对应的三维点云模型及摄像机参数； 根据云端聚类后相似图像对应的三维点云模型及摄像机参数对当前待编码图像进行 预测，其包括：根据摄像机参数计算待编码图像与云端聚类后相似图像的视角相似性，从而 确定参考图像；根据该参考图像对应的三维点云模型生成该参考图像与该待编码图像间的 匹配像素对；以匹配像素对作为预测块中心生成待编码图像的预测。2. 根据权利要求1所述的方法，其特征在于，所述获取云端聚类后相似图像对应的三 维点云模型及摄像机参数包括： 利用运动估计结构SfM算法估算云端聚类后相似图像的摄像机参数，所述摄像机参数 包括焦距f、畸变校正因子kl与k2、旋转矩阵R与平移矩阵T; 重建云端聚类后相似图像对应的三维点云模型； 其中，云端聚类后相似图像的摄像机参数记为C=IC1,C2, ...，CJ，式中，n表示图像数 量；云端聚类后相似图像对应的三维点云模型记为P= {Pl，P2, ...，P1J，点云模型中的每一 点口1都包含了对应的三维位置坐标乂1=|^ 1，71，21]1，其中1=1]。3. 根据权利要求1所述的方法，其特征在于，所述根据摄像机参数计算待编码图像与 云端聚类后相似图像的视角相似性，从而确定参考图像包括： 利用下述公式分别计算待编码图像I。与云端聚类后相似图像Ik间的不相似性d dc，k=a ? (H)2+I3 ?(IIRc-RkII2+I|TC-Tk|I2) 其中，a与0为权重系数；fe、R。与T。分别为待编码图像I。的焦距、旋转矩阵与平移 矩阵；fk、Rk与Tk分别为云端聚类后相似图像Ik的焦距、旋转矩阵与平移矩阵； 选择云端聚类后相似图像中与待编码图像I。不相似性最小的图像作为参考图像。4. 根据权利要求1或3所述的方法，其特征在于，所述根据该参考图像对应的三维点云 模型生成该参考图像与该待编码图像间的匹配像素对包括： 将三维点云模型中的点P1通过下述公式投影到待编码图像I。上，获得待编码图像I。上 的像素位置（Xc^ycu);具体的包括如下四个公式： 将待编码图像I。的旋转矩阵和平移矩阵作用于点Pi的坐标X ，其公式为： Pc,!=Rc ?VTc 对Pcu进行反向和归本文档来自技高网...
【技术保护点】
一种云环境下基于三维点云模型的图像预测方法，其特征在于，该方法包括：获取云端聚类后相似图像对应的三维点云模型及摄像机参数；根据云端聚类后相似图像对应的三维点云模型及摄像机参数对当前待编码图像进行预测，其包括：根据摄像机参数计算待编码图像与云端聚类后相似图像的视角相似性，从而确定参考图像；根据该参考图像对应的三维点云模型生成该参考图像与该待编码图像间的匹配像素对；以匹配像素对作为预测块中心生成待编码图像的预测。
【技术特征摘要】
【专利技术属性】
技术研发人员：刘东，邵瞳，李厚强，
申请(专利权)人：中国科学技术大学，
类型：发明
国别省市：安徽;34
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。