[发明专利]一种基于邻居权重的参数选取和传递的点云属性编码和解码的方法及设备

说明书

本发明提供了一种基于邻居权重的参数选取和传递的点云属性编码和解码的方法及编码设备和解码设备。该编码方法包括：根据点云中的点到当前点的空间距离大小确定该当前点的K个最近邻点；确定计算该最近邻点权重时的距离调整参数；根据该距离调整参数进行熵编码；根据该距离调整参数确定该当前点的属性预测值；根据该当前点的属性预测值进行编码处理。以及解码方法包括根据点云中的点到当前点的空间距离大小确定当前点的K个最近邻点；根据点云属性码流进行熵解码确定计算最近邻点权重时的距离调整参数；根据距离调整参数确定当前点的属性预测值。由此，能够通过选取合适的距离调整参数，提升点云编码性能。

技术领域

本发明属于点云处理领域，涉及点云属性压缩方法，尤其涉及一种基于邻居权重的参数选取和传递的点云属性编码和解码的方法及设备。

背景技术

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(Moving PictureExperts Group，MPEG)所提供的测试平台TMC13v7(Test Model for Category 13version7)中描述的点云属性压缩框架主要有：

一、基于渐近层次表达(Level of Detail，简称为LOD)的升降变换(LiftingTransform)策略：该方法首先用已按照莫顿码排序的点云构建LOD，即根据预设好的LOD层数，对已经排好序的点进行下采样，每采样一次后已经得到的点构成一层LOD，采样距离由大到小，直至整个LOD构建完成。然后以LOD顺序对点云中的点寻找近邻点，以所有近邻点属性值的加权平均作为预测值，其中每个近邻点的权重是当前点与该当前点的近邻点的几何坐标欧氏距离平方的倒数，最后用当前点的实际属性值减去属性预测值得到属性残差值。

二、基于LOD的预测变换(Predicting Transform)策略：本方法构建LOD的过程同上面，构建完LOD之后，按照K最近邻(K-NearestNeighbor，KNN)算法为每一个点寻找最多K个最近邻点，则共有K+1种预测模式，分别是：以第一个、第二个、……、第K个最近邻点的属性值作为预测参考值，以及以K个最近邻点的属性加权平均值作为预测参考值，其中每个最近邻点的权重是当前点与该当前点的最近邻点的几何坐标欧氏距离平方的倒数，然后对此K+1个预测参考值及对应模式计算率失真优化(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，以上相关技术在计算每个最近邻点的权重时只考虑了欧式距离远近，存在欧式距离不能很好表示属性相关性，导致属性预测准确度不高，降低编解码性能。

发明内容

为了提高属性帧内预测的准确性，更好地利用空间位置关系所反映在属性上的相关度，本发明提出了一种基于邻居权重的参数选取和传递的点云编码和解码的方法及设备，提高了点云属性的压缩性能。

本发明提供的技术方案描述如下：

根据本发明的一个方面，提供了一种点云属性编码方法，包括：根据点云中的点到当前点的空间距离大小确定当前点的K个最近邻点；确定计算最近邻点权重时的距离调整参数；根据距离调整参数进行熵编码。

优选地，在上述点云属性编码方法中，确定计算每个最近邻点权重时的距离调整参数，包括方法一、或方法二，其中，方法一：根据属性的种类不同，对于一类特定的属性采用特定的距离调整参数值；方法二：改变距离调整参数的值，对当前数据集进行编码，计算每个距离调整参数值下的码流大小和失真值，通过率失真优化确定数据集的距离调整参数。