基于纹理驱动的图稀疏度优化的点云属性压缩方法

技术领域

本发明涉及点云压缩领域，特别地，涉及基于纹理驱动的图稀疏度优化的点云属性压缩方法。

背景技术

三维点云是现实世界数字化的重要表现形式，目前已经被广泛应用于自动驾驶、虚拟现实和数字博物馆等领域，在这些领域中，点云是一组包含几何和属性信息(如颜色和反射率)的点，模拟了各种场景和物体的外部表面。

解决以上问题及缺陷的难度为：随着点云采集设备的发展，点云的分辨率正在急剧提高，数据量的增加使得3D应用程序的部署难以实现，如何高效的压缩点云数据已经成为一个重要的问题。

最近，各种对于点云属性信息的压缩方法已经被提出，图变换技术是其中的一个重要分支。而根据数据特性设置自适应地图结构是图变换技术取得高效性能的关键。目前，有两种主流的定义图结构的方式，分别为：基于模型的图结构和基于码率损失优化的图结构。但是，这些方式的设计忽略图的稀疏性对编码器的影响。

解决以上问题及缺陷的意义为：合适的图的稀疏性能够在减少编码器时间复杂度的同时维持高效的压缩性能。因此，图的稀疏性是进一步提升基于图变换压缩性能的关键因素。

发明内容

本发明提供了一种基于纹理驱动的图稀疏度优化的点云属性压缩方法，用于实现高效的点云属性压缩。

本发明的技术方案如下：

本发明的基于纹理驱动的图稀疏度优化的点云属性压缩方法，包括以下步骤：S1.对点云进行块划分；S2.对于每个块构建多种最近邻矩阵作为候选的邻接矩阵；S3.统计每种候选邻接矩阵的纹理复杂度以及根据能量最小化准则确定最优邻接矩阵；S4.根据已经推导的邻接矩阵与权重系数之间的数学关系确定权重系数；S5.将邻接矩阵和权重系数带入码率损失优化函数中求解得到最优的权重矩阵，将最优的权重矩阵作为该块的最优图结构；S6.图变换：利用图傅里叶变换技术，将点云属性值基于最优图结构从原始阈变换至频谱阈得到变换系数；以及S7.变换系数经过量化和熵编码被写入码流文件中。

可选地，在上述基于纹理驱动的图稀疏度优化的点云属性压缩方法中，在步骤S1中，给定一个输入点云，采用三维KD树结构将其划分为若干个小块，每个小块作为一个独立的编码单元。

可选地，在上述基于纹理驱动的图稀疏度优化的点云属性压缩方法中，在步骤S2中，对于每个块，采用n个最近邻的方式建立点的连接关系，n＝1，2,……15。

可选地，在上述基于纹理驱动的图稀疏度优化的点云属性压缩方法中，在步骤S3中，纹理复杂度采用整个块的颜色差计算获得，其中，纹理复杂度采用CIEDE2000 standard进行度量。

可选地，在上述基于纹理驱动的图稀疏度优化的点云属性压缩方法中，在步骤S4中，根据已经推导的n个最近邻的邻接矩阵与权重系数λ之间的关系确定权重系数λ，其中，n和λ两个变量的关系如下：

可选地，在上述基于纹理驱动的图稀疏度优化的点云属性压缩方法中，在步骤S6中，其中，码率损失优化函数为：

Z为n个最近邻的邻接矩阵。

可选地，在上述基于纹理驱动的图稀疏度优化的点云属性压缩方法中，在步骤S7中，将变换系数量化为整数，将量化后的变换系数熵编码至码流文件中。

根据本发明的技术方案，产生的有益效果是：

本发明的基于纹理驱动的图稀疏度优化的点云属性压缩方法，考虑稀疏度对构建图结构的影响，从而构造出低复杂度，高压缩性能的图结构。此外，利用纹理复杂度优化图的稀疏性，避免现有方案只利用点云几何结构带来的性能偏差。

为了更好地理解和说明本发明的构思、工作原理和发明效果，下面结合附图，通过具体实施例，对本发明进行详细说明如下：

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。

图1是本发明的基于纹理驱动的图稀疏度优化的点云属性压缩方法的流程图。

具体实施方式

为使本发明的目的、技术方法及优点更加清晰，下面结合附图及具体实例，对本发明做进一步的详细说明。这些实例仅仅是说明性的，而并非对本发明的限制。

为了降低基于图变换的时间复杂度和获得较高的压缩性能，本发明基于纹理驱动的图稀疏度优化的点云属性压缩方法来实现高效的点云属性压缩，获得目前最优的压缩性能。

本发明的基于纹理驱动的图稀疏度优化的点云属性压缩方法，如图1所示，包括以下步骤：

S1.基于K-维树(KD-tree)的块划分：利用KD-tree结构对点云进行块划分。

给定一个输入点云，首先采用KD-tree结构将其划分为若干个小块，每个小块作为一个独立的编码单元。

具体地，利用三维KD树结构对点云进行块划分，对于每一个非叶节点，可以被一个超平面划分为两个子空间，并且相应的每一个子空间又可以以相同的方式递归地进行分割。KD树的分割是沿坐标轴进行的，所有超平面都垂直于相应的坐标轴。例如沿着x轴分割，只需要给定某x值就可以确定超平面的位置，该超平面将原节点空间分割成两个子空间，其中一个子空间的所有点的x值均小于另外一个子空间中所有点的x值。KD-tree的每个叶子节点为一个块。

S2.对于每个块构建多种最近邻矩阵作为候选的邻接矩阵；

对于每个块，采用多种最近邻连接方式(构建基于1个最近邻的图邻接矩阵，构建基于2个最近邻的图邻接矩阵，…,构建基于15个最近邻的图邻接矩阵，如图1所示)。

具体地，对于每个块，采用n个最近邻的方式建立点的连接关系(n＝1，2,……15)。这样，每个块就有多种候选的邻接矩阵形式。

S3.统计每种候选邻接矩阵的纹理复杂度以及根据能量最小化准则确定最优邻接矩阵；

在该步骤中，选择使得当前块纹理复杂度最小的最近邻连接方式构建图的邻接矩阵；纹理复杂度采用整个块的颜色差计算获得，其中，纹理复杂度采用CIEDE2000 standard进行度量。

S4.根据已经推导的邻接矩阵与权重系数之间的数学关系确定权重系数；

根据已经推导的n个最近邻的邻接矩阵与权重系数λ之间的关系确定权重系数λ，其中，n和λ两个变量的关系如下：

S5.将邻接矩阵和权重系数带入码率损失优化函数中求解得到最优的权重矩阵，将最优的权重矩阵作为该块的最优图结构；

具体地，将邻接矩阵和权重系数带入码率损失优化函数进行优化迭代，停止迭代后得到最优图结构；其中，码率损失优化函数为：

Z为n个最近邻的邻接矩阵。

S6.图变换：利用图傅里叶变换技术，将点云属性值基于最优图结构从原始阈变换至频谱阈(从空域变换至图谱域)得到变换系数；

S7.变换系数经过量化和熵编码被写入码流文件中。具体地，将变换系数量化为整数(量化系数)，将量化后的变换系数(即量化系数)熵编码至码流文件中。

给定一个输入点云，首先采用KD-tree将其划分为若干个小块，每个小块作为一个独立的编码单元。后续确定影响每个块稀疏度的两个参数，分别为：二值邻接矩阵和权重矩阵系数。针对于每个块采用多种最近邻连接方式(1个最近邻，2个最近邻，…,15个最近邻)，然后选择使得该块纹理复杂度最小的最近邻连接方式构建图的邻接矩阵。此处纹理复杂度采用整个块的颜色差计算获得。然后根据已经推导出的邻接矩阵与权重系数之间的数学关系，得到权重系数。接着，将邻接矩阵和权重系数带入到码率损失优化函数中求解得到最优的权重矩阵。然后，将此权重矩阵作为该块的图结构以进一步利用图傅里叶变换技术，将点云属性值从空域变换至图谱域得到变换系数。最终此变换系数经过量化和熵编码被写入码流文件中。

效果验证

为了验证本发明的效果，将本发明的方法的实施例与目前点云属性压缩平台的测试结果进行对比。测试结果如表1和表2所示。

表1：提出方案与最优平台(PLT，RAHT，HAC)的压缩性能对比

表1中，PLT(G-PCCv14)：最优的预测变换方法；RAHT(G-PCCv14)：最优的区域自适应分层变换；HAC：混合属性编码器。

表2：基于图压缩算法运行时间对比(单位：s)

由表1和表2的测试结果，可以看出，本发明的提出的方法具有最优的压缩性能，与同类压缩平台对比其压缩性能平均提升13.72％～23.02％。相比于普通的图变换方式HAC，计算时间仅为其三分之一，这证明了本发明提出图稀疏优化策略的有效性。

以上说明是依据发明的构思和工作原理的最佳实施例。上述实施例不应理解为对本权利要求保护范围的限制，依照本发明构思的其他实施方式和实现方式的组合均属于本发明的保护范围。