[发明专利]点云编码和解码的方法、编码设备和解码设备

说明书

本发明提供了一种点云编码和解码的方法、编码设备和解码设备。该方法包括：确定当前点的K个最近邻点组成的点集；确定该当前点的L个次近邻点组成的点集；根据该当前点的K个最近邻点组成的点集及该当前点的L个次近邻点组成的点集，确定该当前点的优选近邻点集；根据所述当前点的优选近邻点集进行编码处理。由此，能够通过选取合适分布的近邻点集，提升点云编码性能。

技术领域

本发明涉及点云处理领域，尤其涉及点云编码和解码的方法、编码设备和解码设备。

背景技术

点云是空间中一组无规则分布的、表达三维物体或场景的空间结构及表面属性的离散点集。点云中的每个点至少具有三维位置信息，根据应用场景的不同，还可能具有色彩、材质或其他信息。通常，点云中的每个点都具有相同数量的附加属性。

三维点云是现实世界数字化的重要表现形式。随着三维扫描设备(激光、雷达等)的快速发展，点云的精度、分辨率更高。高精度点云广泛应用于城市数字化地图的构建，在如智慧城市、无人驾驶、文物保护等众多热门研究中起技术支撑作用。点云是三维扫描设备对物体表面采样所获取的，一帧点云的点数一般是百万级别，其中每个点包含几何信息和颜色、反射率等属性信息，数据量十分庞大。三维点云庞大的数据量给数据存储、传输等带来巨大挑战，所以点云压缩十分必要。

点云压缩主要分为几何压缩和属性压缩，目前由国际标准组织MPEG(MovingPicture Experts Group)所提供的测试平台TMC13v5(Test Model for Category 13version 5)中描述的点云属性压缩框架主要有：

一、基于LOD(Level of Detail)的Lifting策略：该方法首先用已按照莫顿码排序的点云构建LOD，即对每一层LOD事先设置好距离阈值，遍历点云中的所有点，满足阈值条件的点加入当前LOD，然后再用相同方法判断应该加入下一层LOD的点，直至整个LOD构建完成。然后以LOD顺序对点云中的点按照KNN算法寻找3个最紧邻点，以所有3个最紧邻点的属性值的加权平均值作为预测值。

二、基于LOD的帧内预测模式决策方法：该方法构建LOD的过程同一中所述，构建完LOD之后，按照KNN算法为当前点寻找最多3个邻居，则共有3+1种预测模式，分别是：以3个邻居的属性值的加权平均值作为备选预测值，及以第1个、第2个、第3个邻居的属性值作为备选预测值。然后对此3+1个预测值及对应模式计算RDO代价值，将其中最小代价值的对应预测值作为当前点的预测值。

但是，以上相关技术在近邻点的确定时只考虑了距离远近对属性值进行预测，存在确定的近邻点分布在当前点的同侧，导致预测准确度不高，降低编解码性能。

发明内容

本发明提供了一种点云编码和解码的方法、编码设备和解码设备，可以通过选取合适分布的近邻点集，提升点云编解码性能。

第一方面，提供了一种点云编码方法，包括：确定当前点的K个最近邻点组成的点集；确定该当前点的L个次近邻点组成的点集；根据该当前点的K个最近邻点组成的点集及该当前点的L个次近邻点组成的点集，确定当前点的优选近邻点集；根据该当前点的优选近邻点集进行编码处理。

结合第一方面，在第一方面的第一种可能的实现方式中，该确定当前点的K个最近邻点组成的点集，包括：根据点云中的点到该当前点的空间距离大小确定该当前点的K个最近邻点组成的点集。

结合第一方面，第一方面的第一种可能的实现方式，在第一方面的第二种可能的实现方式中，该确定当前点的L个次近邻点组成的点集，包括：根据该点云中的点到该当前点的空间距离大小确定该当前点的L个次近邻点组成的点集。