【技术实现步骤摘要】
基于点结构化信息网络的点云质量计算方法
[0001]本专利技术涉及基于点结构化信息网络的点云质量计算方法,属于3D点云无参考质量评价
技术介绍
[0002]点云定义为一组三维点,其中每个点都表示为三维坐标和特定属性(例如颜色)。随着三维信息捕捉技术的发展,点云在虚拟现实、沉浸式临场感、移动地图和三维信息打印等应用中得到了广泛的应用。点云的一个典型用途是在虚拟现实和身临其境的临场感中表现人类的全息图像。然而,为了逼真地展现视觉信息,一个模型可能有数百万甚至上亿的点组成,在进行传输的过程中,通常采用有损压缩方案,与无损压缩方案相比,它可以节省很多的传输资源以及提升传输的速率,但带来的负面影响就是会产生压缩感知失真。此外,在采集、传输的过程中也可能会受到干扰从而产生下采样感知失真、高斯滤波失真等,从而导致人眼感知情况下降。为了更好地管理和控制点云的主观质量,因此提出符合人眼感知的高性能彩色点云质量评价至关重要。
[0003]为了量化这种视觉感知机制,人们常常从主观和客观两种质量评估的角度进行研究。主观质量评价依赖于人员的主观打分,为不同的失真程度提供真实的视觉感知分数,尽管这些方法是准确的,但是时间和人工成本都很昂贵。客观质量指标则是指运用模型评估点云的视觉质量,现有的客观质量评价模型大致可以分为三种,全参考点云质量评价、半参考点云质量评价以及无参考点云质量评价。然而由于在大部分场景下,是比较难获得原始点云的信息,且在储存和传输的过程中所需数据量过大,这就导致了全参考的点云质量评价方式在实际现实中难以运用 ...
【技术保护点】
【技术特征摘要】
1.基于点结构化信息网络的点云质量计算方法,其特征在于,包括:将预先获取的点云块的位置矢量特征、点云块的距离特征、点云块的亮度特征与点云块的亮度差特征联合输入到点结构化信息网络模型中,提取点云块的结构化信息特征;将点结构化信息特征输入到迭代训练完成的失真感知流网络中,得到失真分类特征;将结构化信息特征输入到基础质量感知流网络中,得到点云块的基础质量特征。2.根据权利要求1所述的基于点结构化信息网络的点云质量计算方法,其特征在于,将点云块的基础质量特征与失真分类特征进行融合并输入两层第三全连接层,获得预测质量分数;将属于同一整体点云的多个点云块的预测质量分数进行平均计算,获得该整体点云的最终分数。3.根据权利要求1所述的基于点结构化信息网络的点云质量计算方法,其特征在于,将预先获取的位置矢量特征、距离特征、亮度特征与亮度差特征联合输入到点结构化信息网络模型中,提取点云块的结构化信息特征,通过以下步骤实现:点结构化信息网络模型包括第一卷积层、第二卷积层、第三卷积层和第四卷积层,第一卷积层、第二卷积层、第三卷积层和第四卷积层依次连接;将位置矢量特征输入第一卷积层、第二卷积层、第三卷积层和第四卷积层处理,得到结构化特征权重;将位置矢量特征、距离特征、亮度特征和亮度差特征与结构化特征权重进行特征加权,获得点云块的结构化信息特征。4.根据权利要求1所述的基于点结构化信息网络的点云质量计算方法,其特征在于,将点结构化信息特征输入到迭代训练完成的失真感知流网络中,得到失真分类特征,通过以下步骤实现:迭代训练之前的失真感知流网络包括第五卷积层、第六卷积层、第一最大池化层、第一全局平均池化层、第一全连接层和线性回归层,第五卷积层、第六卷积层、第一最大池化层、第一全局平均池化层、及第一全连接层和线性回归层依次连接;对迭代训练完成的整个失真感知流网络进行冻结,去掉线性回归层;将点结构化信息特征输入到去掉线性回归层的迭代训练完成的失真感知流网络中,得到失真分类特征。5.根据权利要求4所述的基于点结构化信息网络的点云质量计算方法,其特征在于,基础质量感知流网络包括多层第七卷积层、第二最大池化层、第二全局平均池化层以及第二全连接层,多层第七卷积层、第二最大池化层、第二全局平均池化层以及第二全连接层依次连接。6.根据权利要求1所述的基于点结构化信息网络的点云质量计算方法,其特征在于,预先获取位置矢量特征、距离特征、亮度特征与亮度差特征,通过以下步骤实现:依据FPS最...
【专利技术属性】
技术研发人员:熊健,吴思凡,付晨艺,罗旺,高浩,
申请(专利权)人:南京邮电大学,
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。