基于特征提取的自适应三维点云压缩方法技术

一种基于特征提取的自适应三维点云压缩方法，由确定预测点属性、预测点属性归一化、确定差值特征、确定特征重要性参数、确定特征与非特征点集、设置基础量化参数、选择有效量化参数、量化编码步骤组成。通过对空间位置和颜色特征数据提取，按特征优先级从高到低原则，动态设置量化增量值以保留重要区域的特征点信息。与现有技术相比，避免了分块采样密度不均现象，降低了复杂度，减少了计算，保留了数据中的有效点，改善了重建后数据中的栅格化失真现象，峰值信噪比提升0.0835dB，平均码率降低0.083％，具有对三维点云数据编码压缩失真率小、编码质量高等优点，可用于点云数据的传输和存储。

Adaptive 3D point cloud compression method based on feature extraction

【技术实现步骤摘要】
基于特征提取的自适应三维点云压缩方法
本专利技术属于视频图像编码
，具体涉及到三维点云数据中表面点云数据的编码压缩方法。
技术介绍
现有的点云压缩编码主要由几何编码和属性编码构成。几何编码主要有采用八叉树编码结构压缩点云数据的几何位置信息，以及结合K维树结构的编码方式；属性编码方法主要有基于图变换、余弦变换、自适应边缘分层转换的编码方法。除此以外还有利用聚类分割算法进行特征编码的方法。以上方法适于对小型点云数据压缩编码，但对于规模较大点云数据压缩存在细节信息失真问题。对于点云数据的几何编码，常见的有基于曲率、点密度、特征直方图等特征的非均匀量化编码方法，也有结合颜色、纹理特征聚类分块的编码方法。基于曲率和点密度特征的方法均对稀疏点云不敏感；基于特征直方图的方法只适用于个别特定类型的点云数据；而基于特征聚类的方法复杂且计算量较大。对于属性变换编码，其量化编码的优化问题有待改进。前期发布的标准测试模型采用恒定量化参数编码，重建效果栅格化较严重，主观恢复效果较差。传统表面特征提取方法侧重全局特征的提取，随着量化参数的改变，重要的本文档来自技高网...

【技术保护点】
1.一种基于特征提取的自适应三维点云压缩方法，其特征在于由下述步骤组成：/n(1)确定预测点属性/n点云数据户由n个点构成，顺序遍历点云户中的当前点p

【技术特征摘要】
1.一种基于特征提取的自适应三维点云压缩方法，其特征在于由下述步骤组成：
(1)确定预测点属性
点云数据户由n个点构成，顺序遍历点云户中的当前点pi并建立当前点pi的K维树，按下式确定邻域点qi相对于当前点pi的几何属性权重G(pi，qi，δ)geo和颜色属性权重G(pi，qi，δ)luma：






其中，0＜i≤K，n和K为有限的正整数，δ为三维高斯平滑函数标准差、取值为有限的正有理数，p(i)geo为当前点pi的三维坐标，q(i)geo为邻域点qi的三维坐标，d|p(i)geo，q(i)geo|为当前点pi到邻域点qi的三维欧氏距离；
(2)预测点属性归一化
遍历K维树邻域内的所有点，对其几何属性和颜色属性做归一化加权处理，得到预测点p′i属性值：






其中，q(i)geo是邻域点qi的几何属性值，q(i)luma是邻域点qi的颜色属性值，p′(i)geo是预测点p′i的几何属性值，p′(i)luma是预测点p′i的颜色属性值；
(3)确定差值特征
按下式确定当前点pi的几何差值特征Di与颜色差值特征Li：






其中，p(i)geo，x、p(i)geo，y、p(i)geo，z分别为当前点pi三维坐标中的x，y，z值，p′(i)geo，x、p′(i)geo，y、p′(i)geo，z分别为预测点p′i三维坐标中x，y，z值，p(i)luma为当前点pi的颜色属性，p′(i)luma为预测点p′i的颜色属性；
(4)确定特征重要性参数
当前点pi的特征重要性参数记为H(i)，该参数由几何差值特征Di与颜色差值特征Li的线性加权按下式确定：
H(i)＝l×Li+(1-l)×Di(7)
其中，l的取值为0＜(1-l)＜l＜1。
(5)确定特征与非特征点集
按下式确定特征点集Pf与非特征点集Pnf：
Pf＝{P|H(i)≥φ}(8)
Pnf＝{P|H(i)＜φ}(9)
其中，φ为特征重要性阈值、取值为miniH(i)～maxiH(i)的有理数；
(6)设置基础量化参数
按下式确...

【专利技术属性】
技术研发人员：艾达，卢洪颖，胥策，
申请(专利权)人：西安邮电大学，
类型：发明
国别省市：陕西;61