摘要
随着三维扫描技术的进步，三维点云可以精确地描述三维物体和场景，在自动驾驶、虚拟现实、自由视角广播等方面得到了广泛的应用。三维点云通常由几何信息和属性信息组成:几何信息由一组三维坐标表示，属性信息通常包含颜色、反射率、法向量等。尽管三维点云的优势显著，但是其庞大的数据量对有限的传输带宽及存储空间带来了巨大的挑战，亟需高效的压缩技术来实现三维点云的高效存储和传输。 三维点云广阔的应用前景引起了学术晃和工业界的广泛关注，相关的压缩技术层出不穷，其中最有代表性的便是运动图像专家组(MovingPictureExpertsGroup。MPEG)提出的基于几何的点云压缩标准(Geometry-basedPointCloudCompression，G-PCC)。本文以G-PCC编码框架为基础，针对属性预测、残差量化中存在的问题，提出了属性预测优化技术和量化提升技术，显著提升了G-PCC的属性压缩性能，具体如下: 1.提出了基于邻居点几何信息的属性预测方法。该方法假设点的颜色分量可以由几何信息的线性组合表示。基于这种假设，可以根据邻居点建立几何信息与颜色分量的关系式，根据当前点的几何信息求得颜色预测值。实验结果表明，该方法能够在一定程度上提升G-PCC的属性压缩性能。 2.提出了基于率失真优化的自适应预测模式选择方法。该方法计算每种预测模式的绝对重建误差和作为失真，使用指数哥伦布编码方法估计每种预测模式的编码比特数，进而选择率失真代价最小的预测模式来对属性进行预测。实验结果表明，该方法能够提升G-PCC的属性压缩性能，已被采纳进G-PCC标准，并写入参考软件。 3.提出了基于细节级别(LevelOfDemil，LOD)的渐进式量化方法。针对基于LOD的属性预测方案导致的误差传播现象，提出对LOD顺序靠前的点设置较小的量化步长，并随着LOD顺序逐步增大量化步长。实验结果表明，提出的方法能够大幅提升G-PCC的属性压缩性能，该方法已被G-PCC采纳，并写入G-PCC编码器描述文档。 4.提出了基于点的自适应量化方法。该方法通过点间的预测关系计算每个点的量化权重，其数值大小反映了点的重要程度。将量化步长除以量化权重，影响性越大的点其量化步长越小，重建误差也就越小，属性预测带来的传播误差也就越小。实验结果表明，提出的方法能够显著提升G-PCC的属性压缩性能，该方法已被采纳进G-PCC标准，并写入参考软件。
NETL