为了能够在兼顾复杂度的前提下进一步提高点云属性的预测效率，本发明专利技术提出一种多预测点的点云属性编码方法和装置，将空间中与当前待编码点相近的当前待编码点所在的当前块中的已编码点和当前块的已编码邻块中的点作为预测候选点，然后在预测候选点中选取多个点作为预测点，使用选取的多个预测点的属性值的加权平均来求当前待编码点属性值的预测值，最后使用求得的当前待编码点的属性值的预测值来预测当前待编码点的属性值，提高了预测点与当前待编码点属性的相关性，多点加权预测提高了预测值准确度的平稳性，进而大幅度提升了点云属性编码的效率。属性编码的效率。属性编码的效率。
【技术实现步骤摘要】
一种多预测点的点云属性预测方法和装置
[0001]本专利技术专利属于点云编码领域，具体涉及一种多预测点的点云属性预测方法和装置。
技术介绍
[0002]近年来，三维数据的扫描技术的技术不断取得进步，使得高精度、高分辨率的三维数据的获取越来越简单，成本也越来越低。例如立体相机系统和高速度、高分辨率的激光扫描仪等能够快速产生高帧率的大量点数据。点云能够有效的表达这些传感器数据，以此来让机器人等智能设备推断出环境的几何和属性特征等信息从而做出有效的判断。点云在虚拟现实和增强现实方面的应用也同样开始越来越广泛。可是，点云巨大的数据量为其传输和存储都带来了很大的困难，如何有效的压缩点云数据已经成为学术界和工业界研究的热点。
[0003]点云是空间中一组无规则分布并且无连接的一组点，每个点通过三维坐标x、y、z来表达物体或环境的形状信息，与每个点相关联的还有颜色、反射率、透明度等属性信息，以此来表达物体或环境表面特性。体素化点云是指几何信息被量化的点云，由于其易于处理和控制精度等优点，是现在点云的主要数据形式，现今的点云压缩技术大多针对体素化点云。
[0004]点云的压缩分为几何信息的压缩和属性信息的压缩，为了能在压缩属性时利用几何信息，很多点云编码技术会让几何信息压缩发生在属性信息压缩之前。点云几何信息的压缩现在主要基于八叉树和KD树。而点云属性信息压缩技术中的一类有效的方法就是基于预测的压缩方法。目前点云属性的预测编码主要基于莫顿码，例如，在文献《“Text of ISO/IEC 23090-9DIS Geometry-based PCC”,MPEG w19088,Feb.2020》中，先根据点云几何坐标为每一个点生成莫顿码，然后按照每一个点对应的莫顿码大小从小到大对点云排序，按照排序后的顺序编码点云属性，对于每一个当前待编码点，使用当前待编码点的前一点的属性值或者使用前若干点中距离当前待编码点最近的点的属性值来预测当前待编码点的属性值；文献《“优化参考点权重的点云属性预测方法”，AVS M5073，2019年12月》中同样按照莫顿码大小从小到大的顺序来编码点云属性，对于当前待编码点，其利用当前待编码点的前若干点的属性值的加权平均来预测当前待编码点的属性值。
技术实现思路
[0005]为了能够在兼顾复杂度的前提下进一步提高点云属性的预测效率，本专利技术提出一种多预测点的点云属性编码方法和装置，将空间中与当前待编码点相近的当前待编码点所在的当前块中的已编码点和当前块的已编码邻块中的点作为预测候选点，然后在预测候选点中选取若干个点作为预测点，最后基于加权预测的方法使用预测点来预测当前待编码点的属性。
[0006]本专利技术的第一目的是提供一种多预测点的点云属性预测方法，包括如下内容：
[0007]从预测候选点中选取n个距离当前待编码点最近的点作为预测点，n为大于零的自然数；
[0008]使用选取的n个预测点的属性值来求当前待编码点属性值的预测值；
[0009]使用求得的当前待编码点的属性值的预测值来预测当前待编码点的属性值。
[0010]作为优选，所述使用选取的n个预测点的属性值来求当前待编码点属性值的预测值是采用基于距离加权平均的方式计算得到：
[0011][0012]A
i
为第i个预测点的属性值，ω
i
为第i个预测点到当前待编码点的距离d的倒数。
[0013]作为优选，所述的距离d为采用欧氏距离、曼哈顿距离、欧氏距离的平方和切比雪夫距离中的任一种计算得到。
[0014]作为优选，所述预测点从与当前待编码点所在的当前块共面的三个已编码邻块中各选一个；从与当前块共面的三个已编码邻块中选取预测点原则是选取邻块中距离当前待编码点最近的点。
[0015]作为优选，所述预测候选点至少包括候选块中的点，所述候选块包括当前待编码点所在的当前块的已编码的邻块；
[0016]根据所述点云投影到X、Y、Z三个坐标轴的密集度，在所述当前块所在的、垂直于所述坐标轴的平面内选取候选块，且对应于相对密集度高的坐标轴的平面内选取的候选块数量不少于对应于相对密集度低的坐标轴的平面内选取的候选块数量；所选取的候选块中已编码的块作为所述当前块的已编码的邻块。
[0017]本专利技术第二目的在于提供一种多预测点的点云属性预测装置，其包括：
[0018]多预测点选择模块：其输入是点云几何，其输出是选择的多个预测点，该模块从预测候选点中选取n个距离当前点最近的点作为预测点,n为大于零的自然数；
[0019]预测值计算模块：其输入是当前待编码点和预测点，其输出是当前待编码点的属性预测值，该模块使用选取的n个预测点的属性值来求当前待编码点属性值的预测值；
[0020]属性值预测模块：其输入是当前待编码点和当前待编码点的属性预测值，输出是预测残差，该模块使用求得的当前待编码点的属性值的预测值来预测当前待编码点的属性值。
[0021]作为优选，还包括：预测值加权计算模块，其输入是预测点和当前待编码点，其输出是当前待编码点属性值的预测值所述采用基于距离加权平均的方式计算得到：
[0022][0023]A
i
为第i个预测点的属性值，ω
i
为第i个预测点到当前待编码点的距离d的倒数。
[0024]作为优选，还包括距离计算模块，该模块采用欧氏距离、曼哈顿距离、欧氏距离的平方和切比雪夫距离中的任一种计算预测点到当前待编码点的距离d。
[0025]作为优选，还包括：所述的预测点为三个；所述预测点为从与当前待编码点所在的当前块共面的三个已编码邻块中各选一个；从与当前块共面的三个已编码邻块中选取预测点原则是选取邻块中距离当前待编码点最近的点。
[0026]作为优选，还包括，所述预测候选点至少包括候选块中的点，所述候选块包括当前
待编码点所在的当前块的已编码的邻块；进一步还包括，
[0027]候选块选取模块：其输入为点云几何，其输出为选中的候选块，该模块根据所述点云投影到X、Y、Z三个坐标轴的密集度，在所述当前块所在的、垂直于所述坐标轴的平面内选取候选块，且对应于相对密集度高的坐标轴的平面内选取的候选块数量不少于对应于相对密集度低的坐标轴的平面内选取的候选块数量；所选取的候选块中已编码的块作为所述当前块的已编码的邻块。
[0028]本专利技术提高了预测点与当前待编码点属性的相关性，多点加权预测提高了预测值准确度的平稳性，进而大幅度提升了点云属性编码的效率。
附图说明
[0029]为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图构成本申请的一部分，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。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的附图。
[0030]图1是当前编码点所在块和编码顺序可能早本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种多预测点的点云属性预测方法，其特征在于包括：从预测候选点中选取n个距离当前待编码点最近的点作为预测点，n为大于零的自然数；使用选取的n个预测点的属性值来求当前待编码点属性值的预测值；使用求得的当前待编码点的属性值的预测值来预测当前待编码点的属性值。2.根据权利要求1所述的多预测点的点云属性预测方法，其特征在于，所述使用选取的n个预测点的属性值来求当前待编码点属性值的预测值是采用基于距离加权平均的方式计算得到：A
i
为第i个预测点的属性值，ω
i
为第i个预测点到当前待编码点的距离d的倒数。3.根据权利要求2所述的多预测点的点云属性预测方法，其特征在于，所述的距离d为采用欧氏距离、曼哈顿距离、欧氏距离的平方和切比雪夫距离中的任一种计算得到。4.根据权利要求1所述的多预测点的点云属性预测方法，其特征在于还包括，所述预测点从与当前待编码点所在的当前块共面的三个已编码邻块中各选一个；从与当前块共面的三个已编码邻块中选取预测点原则是选取邻块中距离当前待编码点最近的点。5.根据权利要求1所述的多预测点的点云属性预测方法，其特征在于还包括：所述预测候选点至少包括候选块中的点，所述候选块包括当前待编码点所在的当前块的已编码的邻块；根据所述点云投影到X、Y、Z三个坐标轴的密集度，在所述当前块所在的、垂直于所述坐标轴的平面内选取候选块，且对应于相对密集度高的坐标轴的平面内选取的候选块数量不少于对应于相对密集度低的坐标轴的平面内选取的候选块数量；所选取的候选块中已编码的块作为所述当前块的已编码的邻块。6.一种多预测点的点云属性预测装置，其特征在于包括：多预测点选择模块：其输入是点云几何，其输出是选择的多个预测点，该模块从预测候选点中选取n个距离当前点最近的点作为预测点,n为大于零的自然数；预测值计算模块：其...
【专利技术属性】
技术研发人员：虞露，王文义，
申请(专利权)人：浙江大学，
类型：发明
国别省市：
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。