[发明专利]一种基于KD树和优化图变换的点云属性压缩方法

摘要

本发明公布了一种基于KD树和优化图变换的点云属性压缩方法，针对点云数据，通过新的变换块划分方法降低子图问题对图变换效率的影响，优化图变换核心参数，提高图变换的压缩性能；包括：点云预处理；点云KD树划分；变换块内图构建；图变换核心参数训练；点云属性压缩过程。本发明优化了点云变换块的划分方式，使变换块内点的数量基本相同，实现变换矩阵的维度基本相同，便于后期图变换的并行处理；也优化了变换块内图的构建，避免了现有方法导致的子图问题；同时通过训练图变换的核心参数，优化图变换拉普拉斯矩阵的稀疏度，达到更佳的点云属性压缩的性能。

主权项

1.一种基于KD树和优化图变换的点云属性压缩方法，针对点云数据，通过新的变换块划分方法降低子图问题对图变换效率的影响，优化图变换核心参数，提高图变换的压缩性能；包括如下步骤：1)进行点云预处理，得到点云包围盒大小：读入待处理的点云数据，根据点云的空间分布及位置坐标计算得到包围盒的大小；2)采用KD树划分方法划分点云的空间几何结构，得到点数均匀分布的变换块：对点云进行KD树划分时，每次选择点云位置坐标中分布方差最大的坐标轴作为划分轴，在划分轴上选取坐标大小是中位值的点作为划分点，迭代划分直至达到设定的KD树深度；3)在变换块内构建图，将各变换块内的每两个点n_i、n_j之间用边连接起来，得到由点n和边ε组成的图G，边ε_ij的权重大小ω_ij由设定参数σ和核心参数τ确定；进一步得到特征向量矩阵，作为图的变换矩阵；具体过程如下：(3‑1)在每个变换块内构建一张图，块内所有的点n都是图G上的点，每两点ni与nj之间用一条边ε_ij连接，边ε_ij的权重大小ω_ij由设定参数σ和核心参数τ确定，表示为式2：其中，参数σ是一个全局变量，反映了点云分布的方差，其大小不影响图拉普拉斯矩阵特征向量的产生，一般采用经验设定值；参数τ是判定两点之间相关性的距离阈值，决定图拉普拉斯矩阵的稀疏度，是变换矩阵核心参数；(3‑2)图G的相邻矩阵W是边权重ω_ij的集合，反映变换块内各点之间的相关性；图G的密度矩阵D是一个对角矩阵，表示为D＝diag(D₁,…D_i…,D_n)，其中D_i是相邻矩阵第i行中非零元素的个数，反映了第i个点与其他点相关性的密度；图G的变换算子采用拉普拉斯矩阵L，表示为式3：L＝D‑W       (式3)(3‑3)对拉普拉斯矩阵L通过式4进行特征分解，得到特征向量矩阵，作为图变换矩阵，用于对点云的属性信息的压缩：L＝AΛA^‑1      (式4)其中，A为特征向量矩阵；4)对变换矩阵核心参数τ进行优化训练，得到压缩性能最佳的变换矩阵核心参数值：从当前点云的所有变换块中选择部分作为训练数据集，对训练数据集的点云属性信息进行图变换处理，得到压缩性能最佳的变换矩阵核心参数τ的值；重复多次，直至训练获得的τ值趋于一个稳定值；具体包括如下过程：(4‑1)从当前点云的所有变换块中随机选择50％作为训练数据；(4‑2)采用取值范围确定的τ′来表示核心参数τ，τ′的取值范围是(0,1)，表示为式5：其中，参数σ是一个全局变量，反映了点云分布的方差，其大小不影响图拉普拉斯矩阵特征向量的产生，一般采用经验设定值；(4‑3)对训练集进行图变换，以设定精度遍历τ′的取值范围，从中获得最优的码流压缩性能，并记录下此时的τ′；重新随机选择训练集，多次训练至码流压缩比最大时对应的τ′值趋于一个稳定值，作为τ值；5)对点云进行属性压缩：将训练得到的变换矩阵核心参数τ的值运用于点云所有变换块的图变换处理，得出每个变换块经过变换后的变换矩阵，由此实现点云的属性压缩。