[发明专利]一种基于莫顿码的点云属性预测方法、装置和介质

说明书

本发明公开了一种基于莫顿码的点云属性预测方法、装置和介质，方法包括：获取点云数据的几何坐标，并对所述几何坐标进行莫顿排序；根据所述莫顿排序的结果，通过预设的搜索范围搜索共面共线点；计算所述共面共线点的权重值和；根据所述权重值和的数值大小，采用第一预测方法和第二预测方法预测目标点的目标属性值；其中，所述第二预测方法基于莫顿码来实现。本发明能够提高属性预测的准确度，可广泛应用于点云数据处理技术领域。

技术领域

本发明涉及点云数据处理技术领域，尤其是一种基于莫顿码的点云属性预测方法、装置和介质。

背景技术

点云(Point Cloud)是三维物体或场景的一种表现形式，是由空间中一组无规则分布、表达三维物体或场景空间结构和表面属性的离散点集所构成的。点云中的点除了几何坐标还包括了一些附加属性，比如颜色，反射率等。各个点之间没有指定的空间连接或顺序关系。点云数据按照获取的途径主要分为三类：1.静态点云：物体是静止的，获取点云的设备也是静止的。2.动态点云：物体是运动的，获取点云的设备是静止的。3动态获取点云：获取点云的设备是运动的。点云数据在自动驾驶，高精度地图，虚拟现实等方面应用广泛，但由于点云数据往往是由数万个点到数亿个三维点，以及相对应的属性信息组成，对后续的存储、处理、传输显示都带来了严峻的挑战，对于目前的存储资源和传输带宽都难以承受，因此高效压缩技术对于存储和传输点云数据是必不可少的。目前主流方案分别为基于视频编码的点云压缩(V-PCC)是和基于几何的点云压缩(G-PCC)。基于视频的点云压缩方法主要是将点云数据从三维空间投影到二维空间，然后使用传统的视频压缩方法对二维图像进行压缩。基于几何的点云压缩方法针对属性信息首先对点云数据的几何信息进行莫顿码编码排序，首先利用当前点的莫顿码得到该邻域中莫顿码值最小的块，将该块作为基准块，利用基准块来查找与当前待编码点共面、共线的已编码邻居点。

发明内容

有鉴于此，本发明实施例提供一种基于莫顿码的点云属性预测方法、装置和介质，以提高属性预测的准确度。

本发明的一方面提供了一种基于莫顿码的点云属性预测方法，包括：

获取点云数据的几何坐标，并对所述几何坐标进行莫顿排序；

根据所述莫顿排序的结果，通过预设的搜索范围搜索共面共线点；

计算所述共面共线点的权重值和；

根据所述权重值和的数值大小，采用第一预测方法和第二预测方法预测目标点的目标属性值；

其中，所述第二预测方法基于莫顿码来实现。

可选地，所述根据所述权重值和的数值大小，采用第一预测方法和第二预测方法预测目标点的属性值，具体为：

判断所述权重值和的数值是否大于4，若是，则采用所述第一预测方法预测所述目标点的属性值；反之，则采用所述第二方法预测所述目标点的属性值。

可选地，所述采用所述第二方法预测所述目标点的目标属性值，包括：

从所述点云数据中选定当前的目标点，确定所述目标点的几何坐标和莫顿排序；

根据所述目标点的几何坐标和所述莫顿排序，从所述点云数据中确定3个与所述目标点的曼哈顿距离最小的已编码点；

计算所述已编码点的第一权重值和原始属性值；

根据所述第一权重值和所述原始属性值，计算所述目标点的属性补偿值；

计算所述属性补偿值的第二权重值；

根据所述第一权重值、所述原始属性值、所述第二权重值以及所述属性补偿值，计算得到所述目标点的目标属性值。

可选地，所述曼哈顿距离的计算公式为：