基于局部相似度的三维点云属性压缩方法技术

一种基于局部相似度的三维点云属性压缩方法，由输入点云数据、八叉树排序、生成预测点、确定点所在平面间的法向量夹角、确定近邻点的相似度、确定属性预测值、确定属性预测残差步骤组成。通过提取点云局部数据特征，构建基于欧氏距离和法线夹角的局部相似度计算方法，根据最大的相似度值选择实际的属性预测值，可降低属性预测过程中的属性信息丢失，提高了预测精度。经过对比仿真实验，本发明专利技术有效地改善了压缩过程中的颜色属性失真程度，具有压缩效率高、重建质量高、易于实现等特点，有利于点云的存储和传输，可用于有色点云的压缩编码。码。码。

【技术实现步骤摘要】
基于局部相似度的三维点云属性压缩方法


[0001]本专利技术属于图像处理
，具体涉及到三维点云的颜色属性的压缩方法。

技术介绍

[0002]三维点云数据因其高效率、高精度、易于采集等众多优势成为最具代表性的三维数据之一，已广泛应用于自动驾驶、医疗卫生、军事国防、文化遗产、地形勘探、工业零件生产、虚拟现实和增强现实的内容创建与通信场景等诸多领域。人们可以通过多目相机、深度传感器、激光雷达扫描仪等进行3D场景的感知与捕捉，然而，巨大的数据量导致点云存储与传输受限，因此点云压缩编码技术成为计算机视觉领域的研究热点。
[0003]为了解决点云存储与传输的应用瓶颈，动态图像专家组(Moving Picture Expert Group，MPEG)建立了开放的点云压缩标准体系，并发布了基于几何的压缩(Geometry
‑
based Point Cloud Compression,G
‑
PCC)测试模型。点云的属性压缩方法主要包括三类：基于变换的属性压缩方法、基于预测的属性压缩方法、和基于映射的属性压缩方法。基于预测的方法均适用于稠密和稀疏点云的压缩，能有效地降低属性信息的冗余。
[0004]压缩后的点云属性失真程度决定着人眼对三维点云的视觉感知效果，失真程度越低，人眼观测到的三维效果就越逼真。近年来，基于预测的属性压缩已取得了众多的研究成果，但其压缩的率失真性能仍有待提高。

技术实现思路

[0005]本专利技术所要解决的技术问题在于克服上述现有技术的缺点，提供一种基于局部相似度的三维点云属性压缩方法。
[0006]解决上述技术问题所采用的技术方案是由下述步骤组成：
[0007](1)输入点云数据
[0008]在点云P
i
∈{P1,P2,...,P
N
}中，每个点P
i
均包含位置信息P
i
(x,y,z)及颜色属性信息P
i
(R,G,B)，其中，N为有限的正整数，x、y、z分别代表三维坐标，R、G、B分别表示红色、绿色、蓝色。
[0009](2)八叉树排序
[0010]建立点云包围盒，将点云空间逐层划分成2
w
×2w
×2w
个子立方体，按下式确定每个子立方体边长2
w
：
[0011]2w
＝max(B
x
,B
y
,B
z
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0012]其中，w是划分次数，w的大小由包围盒的边长决定，B
x
,B
y
,B
z
分别表示包围盒的边长，在划分过程中，包含点云数据的子立方体标记为1，无点云数据的子立方体标记为0，被标记为1的占用节点可继续向下划分，直至每个子立方体内的点数最多为m，m为预设的值。
[0013](3)生成预测点
[0014]按式(2)分别确定M个近邻点P
j
,j∈{1,2,...,M}与当前点P
i
的欧式距离d(P
i
,P
j
)：
[0015][0016]其中，(x
i
,y
i
,z
i
)为点P
i
的三维坐标，(x
j
,y
j
,z
j
)为点P
j
的三维坐标，取距离P
i
最近的K个点作为其K近邻点，将K个近邻点作为候选的预测点，其中，K＜M，K、M为有限的正整数。
[0017](4)确定点所在平面间的法向量夹角
[0018]按式(3)确定点P
i
所在平面与点P
j
所在平面的法向量夹角θ(P
i
,P
j
)：
[0019][0020]其中，V
i
和V
j
分别为点P
i
和点P
j
的法向量，j∈{1,2,...,K}，||
·
||表示模。
[0021](5)确定近邻点的相似度
[0022]按式(4)确定近邻点P
j
相对于点P
i
的相似度S
j
：
[0023][0024]其中，α表示角度权重因子，β表示距离权重因子，α+β为1，且α＞β。
[0025](6)确定属性预测值
[0026]按式(5)确定K个近邻点中的相似度最大值：
[0027]S
max
＝max(S
j
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0028]其中，j∈{1,2,...,K}，按式(6)确定点P
i
的属性预测值
[0029][0030]其中，为点P
j
的实际属性值，为相似度最大的近邻点的实际属性值，且T为相似度阈值。
[0031](7)确定属性预测残差
[0032]按式(7)确定属性预测残差ρ～
i
：
[0033][0034]对预测残差进行编码实现点云的属性压缩。
[0035]本专利技术的(3)生成预测点步骤为：
[0036]按式(2)分别确定M个近邻点P
j
,j∈{1,2,...,M}与当前点P
i
的欧式距离d(P
i
,P
j
)：
[0037][0038]其中，(x
i
,y
i
,z
i
)为点P
i
的三维坐标，(x
j
,y
j
,z
j
)为点P
j
的三维坐标，取距离P
i
最近的K个点作为其K近邻点，将K个近邻点作为候选的预测点，其中，K＜M，K值取为3～5，M值取为20～30。
[0039]本专利技术的(6)确定属性预测值步骤为：
[0040]按式(5)确定K个近邻点中的相似度最大值：
[0041]S
max
＝max(S
j
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0042]其中，j∈{1,2,...,K}，按式(6)确定点P
i
的属性预测值
[0043][0044]其中，为点P
j
的实际属性值，为相似度最大的近邻点的实际属性值，且T为相似度阈值，D为点云的平均距离。
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于局部相似度的三维点云属性压缩方法，其特征由下述步骤组成：(1)输入点云数据在点云P
i
∈{P1,P2,...,P
N
}中，每个点P
i
均包含位置信息P
i
(x,y,z)及颜色属性信息P
i
(R,G,B)，其中，N为有限的正整数，x、y、z分别代表三维坐标，R、G、B分别表示红色、绿色、蓝色；(2)八叉树排序建立点云包围盒，将点云空间逐层划分成2
w
×2w
×2w
个子立方体，按下式确定每个子立方体边长2
w
：2
w
＝max(B
x
,B
y
,B
z
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)其中，w是划分次数，w的大小由包围盒的边长决定，B
x
,B
y
,B
z
分别表示包围盒的边长，在划分过程中，包含点云数据的子立方体标记为1，无点云数据的子立方体标记为0，被标记为1的占用节点可继续向下划分，直至每个子立方体内的点数最多为m，m为预设的值；(3)生成预测点按式(2)分别确定M个近邻点P
j
,j∈{1,2,...,M}与当前点P
i
的欧式距离d(P
i
,P
j
)：其中，(x
i
,y
i
,z
i
)为点P
i
的三维坐标，(x
j
,y
j
,z
j
)为点P
j
的三维坐标，取距离P
i
最近的K个点作为其K近邻点，将K个近邻点作为候选的预测点，其中，K＜M，K、M为有限的正整数；(4)确定点所在平面间的法向量夹角按式(3)确定点P
i
所在平面与点P
j
所在平面的法向量夹角θ(P
i
,P
j
)：其中，V
i
和V
j
分别为点P
i
和点P
j
的法向量，j∈{1,2,...,K}，||
·
||表示模；(5)确定近邻点的相似度按式(4)确定近邻点P
j
相对于点P
i
的相似度S
j
：其中，α表示角度权重因子，β表示距离权重因子，α+β为1，且α＞β；(6)确定属性预测值按式(5)确定K个近邻点中的相似度最大值：S
max
＝max(S
j
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)其中，j∈{1,2,...,K}，按式(...

【专利技术属性】
技术研发人员：艾达，杨玉蓉，胥策，张晓阳，
申请(专利权)人：西安邮电大学，
类型：发明
国别省市：