System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于点云数据处理,尤其涉及一种基于自适应采样和量化的点云属性压缩方法。
技术介绍
1、近年来,随着现代三维感知技术的快速发展,三维点云数据已被广泛应用于机器人、增强现实和自动驾驶等各个领域。然而,3d点云数据通常包含数百万个点,这给存储空间和网络传输带宽带来了巨大挑战。因此,提高点云编码的性能十分必要。
2、点云压缩主要分为几何数据压缩和属性数据压缩。目前,主流的压缩方案是由mpeg(moving pictures expertsgroup)提出的的基于几何的点云压缩(geometry-basedpoint cloud compression-gpcc)方案。现有的gpcc方法采用固定的采样距离来划分细节层次,其预测结果的误差较大,并且对相同细节级别采用相同的量化步长,从而导致在低码率情况下重要的区域(例如人脸等)被过度量化,其主观质量较差。
技术实现思路
1、为解决上述技术问题,本专利技术提出了一种基于自适应采样和量化的点云属性压缩方法,能够克服现有的gpcc属性压缩方案中基于细节层次的预测方法存在压缩率较低,并且在低码率下重要区域被过度量化导致其主观质量较差的技术缺陷。
2、为实现上述目的,本专利技术提出了一种基于自适应采样和量化的点云属性压缩方法,包括:
3、划分点云子块,并计算所述点云子块的纹理复杂度;
4、根据配置信息判断所述点云子块的压缩类型,所述压缩类型包括:无损压缩和有损压缩;
5、若为无损压缩,
6、若为有损压缩,在量化阶段,则根据所述纹理复杂度计算量化参数,根据所述量化参数量化预测残差,完成点云的有损压缩。
7、可选的,利用八叉树将点云划分为立方体点云子块。
8、可选的,计算所述点云子块的纹理复杂度包括:
9、使用灰度共生矩阵计算所述点云子块的纹理信息;
10、利用熵计算所述点云子块的纹理信息的灰度,获取所述点云子块的纹理复杂度。
11、可选的,所述熵的计算方法为:
12、
13、其中,h(e)为熵,l为灰度级的数量,gi,j为灰度对,i为行索引,j为列索引。
14、可选的,根据所述纹理复杂度计算采样距离,生成细节级别包括:则根据所述纹理复杂度计算对应的采样距离,并更新所述采样距离,根据更新后的所述采样距离生成细节级别。
15、可选的,更新所述采样距离的方法为:
16、dbest=(1-α×h(e))×dgpcc
17、其中,dbest为更新后的采样距离,α为自定义参数,h(e)为纹理复杂度的熵,dgpcc为g-pcc中的原始采样距离。
18、可选的,根据所述量化参数,完成点云的有损压缩包括:根据所述量化参数,量化残差,并对量化后的所述残差进行编码。
19、可选的,根据所述纹理复杂度计算量化参数包括:
20、对所述点云子块的平滑纹理区域和复杂纹理区域计算量化参数;
21、对所述点云子块的平滑纹理区域计算量化参数的方法为:
22、qpsmo=qpgpcc+w×(1-h(e))
23、其中,qpsmo为平滑纹理区域的量化参数,qpgpcc是g-pcc中的原始量化步长,w是自定义参数,h(e)为纹理复杂度的熵;
24、对所述点云子块的复杂纹理区域计算量化参数的方法为:
25、qpcom=qpgpcc-w×h(e)
26、其中,qpcom为复杂纹理区域计算量化参数,qpgpcc是g-pcc中的原始量化步长,w是自定义参数,h(e)为纹理复杂度的熵。
27、与现有技术相比,本专利技术具有如下优点和技术效果:
28、本专利技术提供的一种自适应采样和量化的点云属性压缩方法,在现有g-pcc的基础上,计算子块的纹理复杂度,在无损压缩时,根据纹理复杂度更新每个子块的采样距离,提高了参考点的预测精度使得预测误差减小,从而有效降低了码流。在有损压缩时根据纹理复杂度更新每个子块的量化参数,有效提升了复杂区域的图像质量。
本文档来自技高网...【技术保护点】
1.一种基于自适应采样和量化的点云属性压缩方法,其特征在于,包括:
2.根据权利要求1所述的一种基于自适应采样和量化的点云属性压缩方法,其特征在于,利用八叉树将点云划分为立方体点云子块。
3.根据权利要求1所述的一种基于自适应采样和量化的点云属性压缩方法,其特征在于,计算所述点云子块的纹理复杂度包括:
4.根据权利要求3所述的一种基于自适应采样和量化的点云属性压缩方法,其特征在于,所述熵的计算方法为:
5.根据权利要求1所述的一种基于自适应采样和量化的点云属性压缩方法,其特征在于,根据所述纹理复杂度计算采样距离,生成细节级别包括:则根据所述纹理复杂度计算对应的采样距离,并更新所述采样距离,根据更新后的所述采样距离生成细节级别。
6.根据权利要求5所述的一种基于自适应采样和量化的点云属性压缩方法,其特征在于,更新所述采样距离的方法为:
7.根据权利要求1所述的一种基于自适应采样和量化的点云属性压缩方法,其特征在于,根据所述量化参数,完成点云的有损压缩包括:根据所述量化参数,量化残差,并对量化后的所述残差进行编码
8.根据权利要求7所述的一种基于自适应采样和量化的点云属性压缩方法,其特征在于,根据所述纹理复杂度计算量化参数包括:
...【技术特征摘要】
1.一种基于自适应采样和量化的点云属性压缩方法,其特征在于,包括:
2.根据权利要求1所述的一种基于自适应采样和量化的点云属性压缩方法,其特征在于,利用八叉树将点云划分为立方体点云子块。
3.根据权利要求1所述的一种基于自适应采样和量化的点云属性压缩方法,其特征在于,计算所述点云子块的纹理复杂度包括:
4.根据权利要求3所述的一种基于自适应采样和量化的点云属性压缩方法,其特征在于,所述熵的计算方法为:
5.根据权利要求1所述的一种基于自适应采样和量化的点云属性压缩方法,其特征在于,根据所述纹理复杂度计算采样距离...
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。