[go: up one dir, main page]

CN116472556A - 预测方法、编码器、解码器以及存储介质 - Google Patents

预测方法、编码器、解码器以及存储介质 Download PDF

Info

Publication number
CN116472556A
CN116472556A CN202080107249.6A CN202080107249A CN116472556A CN 116472556 A CN116472556 A CN 116472556A CN 202080107249 A CN202080107249 A CN 202080107249A CN 116472556 A CN116472556 A CN 116472556A
Authority
CN
China
Prior art keywords
point
points
repeated
determining
current
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202080107249.6A
Other languages
English (en)
Other versions
CN116472556B (zh
Inventor
杨付正
杨丽慧
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Oppo Mobile Telecommunications Corp Ltd
Original Assignee
Guangdong Oppo Mobile Telecommunications Corp Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangdong Oppo Mobile Telecommunications Corp Ltd filed Critical Guangdong Oppo Mobile Telecommunications Corp Ltd
Publication of CN116472556A publication Critical patent/CN116472556A/zh
Application granted granted Critical
Publication of CN116472556B publication Critical patent/CN116472556B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T9/00—Image coding

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Compression, Expansion, Code Conversion, And Decoders (AREA)
  • Compression Or Coding Systems Of Tv Signals (AREA)

Abstract

本申请实施例公开了一种预测方法、编码器、解码器以及存储介质，该方法包括：确定待编码/待解码点云的几何信息；基于所述待编码/待解码点云的几何信息，确定重复点集合；其中，所述重复点集合包括所述待编码/待解码点云中的至少两点；对所述重复点集合中的重复点的属性信息进行排序，确定重复点顺序；基于所述重复点顺序对重复点进行属性预测，确定重复点的属性预测结果。这样，通过对重复点的属性信息进行排序，得到属性信息连续的重复点，利用排序后的重复点顺序确定预测参考点，有利于减少输出码流，同时提高编解码性能。

Description

预测方法、编码器、解码器以及存储介质 技术领域
本申请实施例涉及编解码技术领域，尤其涉及一种预测方法、编码器、解码器以及存储介质。
背景技术
在基于几何的点云压缩(Geometry-based Point Cloud Compression，G-PCC)编码器框架中，点云的几何信息和每个点云所对应的属性信息是分开进行编码的。几何编码完成后，会对几何信息进行重建，而属性信息的编码将依赖于重建的几何信息。其中，属性信息编码针对颜色和反射率的编码，生成属性码流。
然而，目前的相关技术中，在属性预测时，由于存在含有重复点的序列，即重复点的莫顿序或希尔伯特序相等(几何坐标相等)，在对重复点进行预测时会按照原始的点云顺序，来选取预测参考点，但选择的预测参考点不是最佳预测参考点，从而影响重复点的预测性能。
发明内容
本申请实施例提供一种预测方法、编码器、解码器以及存储介质，利用排序后的重复点顺序确定预测参考点，有利于减少输出码流，同时提高编解码性能。
本申请实施例的技术方案可以如下实现：
第一方面，本申请实施例提供了一种预测方法，应用于编码器，该方法包括：
确定待编码点云的几何信息；
基于所述待编码点云的几何信息，确定重复点集合；其中，所述重复点集合包括所述待编码点云中的至少两点；
对所述重复点集合中的重复点的属性信息进行排序，确定重复点顺序；
基于所述重复点顺序对重复点进行属性预测，确定重复点的属性预测结果。
第二方面，本申请实施例提供了一种预测方法，应用于解码器，该方法包括：
解析码流，确定待解码点云的几何信息；
基于所述待解码点云的几何信息，确定重复点集合；其中，所述重复点集合包括所述待解码点云中的至少两点；
对所述重复点集合中的重复点的属性信息进行排序，确定重复点顺序；
基于所述重复点顺序对重复点进行属性预测，确定重复点的属性预测结果。
第三方面，本申请实施例提供了一种编码器，该编码器包括：
第一确定单元，配置为确定待编码点云的几何信息；基于所述待编码点云的几何信息，确定重复点集合；其中，所述重复点集合包括所述待编码点云中的至少两点；
第一排序单元，配置对所述重复点集合中的重复点的属性信息进行排序，确定重复点顺序；
第一预测单元，配置为基于所述重复点顺序对重复点进行属性预测，确定重复点的属性预测结果。
第四方面，本申请实施例提供了一种编码器，该编码器包括：
第二确定单元，配置为解析码流，确定待解码点云的重建几何信息；基于所述待解码点云的几何信息，确定重复点集合；其中，所述重复点集合包括所述待解码点云中的至少两点；
第二排序单元，配置为对所述重复点集合中的重复点的属性信息进行排序，确定重复点顺序；
第二预测单元，配置为基于所述重复点顺序对重复点进行属性预测，确定重复点的属性预测结果。
第五方面，本申请实施例还提供了一种编码器，包括：第一存储器和第一处理器；所述第一存储器存储有可在第一处理器上运行的计算机程序，所述第一处理器执行所述程序时实现编码器的所述预测方法。
第六方面，本申请实施例还提供了一种解码器，包括：第二存储器和第二处理器；所述第二存储器存储有可在第二处理器上运行的计算机程序，所述第二处理器执行所述程序时实现解码器的所述预测方法。
第七方面，本申请实施例提供了一种存储介质，包括：其上存储有计算机程序，该计算机程序被第一处理器执行时，实现编码器的所述预测方法；或者，该计算机程序被第二处理器执行时，实现解码器的所述预测方法。
本申请实施例提供了一种预测方法、编码器、解码器以及存储介质，该方法包括：确定待编码/待解码点云的几何信息；基于所述待编码/待解码点云的几何信息，确定重复点集合；其中，所述重复点集合包括所述待编码/待解码点云中的至少两点；对所述重复点集合中的重复点的属性信息进行排序，确定重复点顺序；基于所述重复点顺序对重复点进行属性预测，确定重复点的属性预测结果。这样，通过对重复点的属性信息进行排序，得到属性信息连续的重复点，利用排序后的重复点顺序确定预测参考点，有利于减少输出码流，同时提高编解码性能。
附图说明
图1为本申请实施例提供的示例性的编码流程框图；
图2为本申请实施例提供的示例性的解码流程框图；
图3为本申请实施例提供的预测方法的第一流程示意图；
图4为本申请实施例提供的预测方法的第二流程示意图；
图5为相关技术提供的一种当前节点与邻居节点的空间关系示意图；
图6为相关技术提供的一种预设邻居范围内与当前节点共面且已编解码的邻居节点之间的莫顿码关系示意图；
图7为相关技术提供的一种预设邻居范围内与当前节点共线且已编解码的邻居节点之间的莫顿码关系示意图；
图8为本申请实施例提供的预测方法的第三流程示意图；
图9为本申请实施例中编码器的第一组成结构示意图；
图10为本申请实施例中编码器的第二组成结构示意图；
图11为本申请实施例中解码器的第一组成结构示意图；
图12为本申请实施例中解码器的第二组成结构示意图。
具体实施方式
为了能够更加详尽地了解本申请实施例的特点与技术内容，下面结合附图对本申请实施例的实现进 行详细阐述，所附附图仅供参考说明之用，并非用来限定本申请实施例。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。
在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。
需要指出，本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。
对本申请实施例进行进一步详细说明之前，对本申请实施例中涉及的名词和术语进行说明，本申请实施例中涉及的名词和术语适用于如下的解释：点云压缩(Point Cloud Compression，PCC)，点云参考模型(Point Cloud Reference Model，PCRM)，莫顿码(Morton code，Morton)，包围盒(bounding box)，八叉树(octree)，红绿蓝(Red-Green-Blue，RGB)，亮度色度(Luminance-Chrominance，YUV)，查找表(Look Up Table，LUT)，峰值信噪比(Peak Signal to Noise Ratio，PSNR)，音视频编码标准(Audio Video coding Standard，AVS)。
点云(Point Cloud)是指海量三维点的集合，点云中的点可以包括点的位置信息和点的属性信息。例如，点的位置信息可以是点的三维坐标信息。点的位置信息也可称为点的几何信息。例如，点的属性信息可包括颜色信息和/或反射率等等。例如，颜色信息可以是任意一种色彩空间上的信息。例如，颜色信息可以是RGB信息。其中，R表示红色(Red，R)，G表示绿色(Green，G)，B表示蓝色(Blue，B)。再如，颜色信息可以是亮度色度(YcbCr，YUV)信息。其中，Y表示明亮度(Luma)，Cb(U)表示蓝色色差，Cr(V)表示红色色差。
根据激光测量原理得到的点云，点云中的点可以包括点的三维坐标信息和点的激光反射强度(reflectance)。再如，根据摄影测量原理得到的点云，点云中的点可以可包括点的三维坐标信息和点的颜色信息。再如，结合激光测量和摄影测量原理得到点云，点云中的点可以可包括点的三维坐标信息、点的激光反射强度(reflectance)和点的颜色信息。
点云可以按获取的途径分为：
第一类静态点云：即物体是静止的，获取点云的设备也是静止的；
第二类动态点云：物体是运动的，但获取点云的设备是静止的；
第三类动态获取点云：获取点云的设备是运动的。
例如，按点云的用途分为两大类：
类别一：机器感知点云，其可以用于自主导航系统、实时巡检系统、地理信息系统、视觉分拣机器人、抢险救灾机器人等场景；
类别二：人眼感知点云，其可以用于数字文化遗产、自由视点广播、三维沉浸通信、三维沉浸交互等点云应用场景。
由于点云是海量点的集合，存储点云不仅会消耗大量的内存，而且不利于传输，也没有这么大的带宽可以支持将点云不经过压缩直接在网络层进行传输，因此，需要对点云进行压缩。
截止目前，可对点云进行压缩的点云编码框架可以是运动图象专家组(Moving Picture Experts Group，MPEG)提供的基于几何的点云压缩(Geometry Point Cloud Compression，G-PCC)编解码框架或基于视频的点云压缩(Video Point Cloud Compression，V-PCC)编解码框架，也可以是音视频编码标准(Audio Video Standard，AVS)提供的AVS-PCC编解码框架。G-PCC编解码框架可用于针对第一类静态点云和 第三类动态获取点云进行压缩，V-PCC编解码框架可用于针对第二类动态点云进行压缩。G-PCC编解码框架也称为点云编解码器TMC13，V-PCC编解码框架也称为点云编解码器TMC2。
可以理解，在点云G-PCC编码器框架中，将输入点云进行slice划分后，然后对slice进行独立编码。
图1为本申请实施例提供的示例性的编码流程框图，如图1所示，点云的编码过程中对的几何信息和每个点云所对应的属性信息是分开进行编码的。在对几何信息的编码过程中，对几何位置进行坐标转换，使点云全都包含在一个bounding box(包围盒)中，然后再进行量化，这一步量化主要起到缩放的作用，由于量化取整，使得一部分点云的几何信息相同，于是在基于参数来决定是否移除重复点，量化和移除重复点这一过程又被称为体素化过程。接着对bounding box进行八叉树划分。在基于八叉树的几何位置编码流程中，将包围盒八等分为8个子立方体，对非空的(包含点云中的点)的子立方体继续进行八等分，直到划分得到的叶子结点为1x1x1的单位立方体时停止划分，对叶子结点中的点进行熵编码，生成几何码流。
在属性编码过程中，对几何信息进行重建。目前，属性编码主要针对颜色、反射率信息进行。首先判断是否进行颜色空间转换，若进行颜色空间转换，则将颜色信息从RGB颜色空间转换到YUV颜色空间。然后，利用原始点云对重建点云进行重着色，使得未编码的属性信息与重建的几何信息对应起来。在颜色信息编码中，用莫顿码对点云进行一个排序后，直接进行后项差分预测，最后对预测残差进行量化并编码，生成属性码流。
高层语法元素、几何码流和属性码流组成三维图像的二进制码流，编码器发送二进制码流到解码器。
图2为本申请实施例提供的示例性的解码流程框图；如图2所示，解码器获取二进制码流，针对二进制码流中的几何码流和属性码流分别进行独立解码。在对几何码流的解码时，通过熵解码-八叉树重建-逆坐标量化-逆坐标平移，得到点云的几何信息；在对属性码流的解码时，通过熵解码-逆量化-属性重建-逆空间转换，得到点云的属性信息，基于几何信息和属性信息还原点云数据的三维图像模型。
在本申请实施例提供的一种点云编解码方法主要作用于图1和图2中虚线框围住的属性预测部分和属性重建部分。
基于上述介绍的背景下，下面分别介绍本申请实施例提供的点云编码方法和点云解码方法。
本申请实施例提供了一种点云编码方法，应用于编码器，图3为本申请实施例提供的预测方法的第一流程示意图，如图3所示，该方法可以包括：
步骤101：确定待编码点云的几何信息；
这里，几何信息具体指点的三维几何坐标。
在一些实施例中，几何信息为编码过程中得到的重建几何信息。几何编码完成后，对几何信息进行重建用以指导属性编码。
步骤102：基于所述待编码点云的几何信息，确定重复点集合；其中，所述重复点集合包括所述待编码点云中的至少两点；
这里，重复点是指点云中位置相同或相近的点。实际应用中，可以用两点之间的距离来判断两点是否重合。
在一些实施例中，所述基于所述待编码点云的几何信息，确定重复点集合，包括：基于所述待编码点云的几何信息，确定所述待编码点云中与目标点的距离小于距离阈值的点，构成所述重复点集合。
这里，距离阈值大于或等于0。当距离阈值大于0时，重复点包括几何坐标相同或相近的点；当距离阈值等于0时，重复点只包括几何坐标相同的点。
在一些实施例中，所述基于所述待编码点云的几何信息，确定重复点集合，包括：基于所述待编码点云的几何信息，确定所述几何信息相同的点组成所述重复点集合。也就是，距离阈值等于0时，确定几何信息坐标完全相等的点组成重复点集合。
在一些实施例中，所述基于所述待编码点云的几何信息，确定重复点集合，包括：基于所述几何信息，生成所述待编码点云的莫顿码(Morton码)或希尔伯特码(Hilbert码)；确定莫顿码相等或希尔伯特码相等的点组成所述重复点集合。
也就是说，在确定重复点时，可以直接通过几何坐标来确定，也可以将几何坐标转换为莫顿码或希尔伯特码，确定莫顿码相等或希尔伯特码相等的点组成重复点集合。
需要说明的是，待编码点云中包括至少一个重复点集合，每一个重复点集合对应一个相同的几何信息，每个重复点集合的预测方法均相同。
步骤103：对所述重复点集合中的重复点的属性信息进行排序，确定重复点顺序；
本申请实施例中，属性信息和属性值是同一种编码数据的两种不同表达方式。
在一些实施例中，所述对所述重复点集合中的重复点的属性信息进行排序，确定重复点顺序，包括：按照属性信息(即属性值)从小到大的顺序对所述重复点集合中的重复点进行排序，确定所述重复点顺序；或者，按照属性信息从大到小的顺序对所述重复点集合中的重复点进行排序，确定所述重复点顺序。
需要说明的是，现有的重复点中包含多个属性值，按照原始点云顺序这些属性值是分布是不连续的，选取预测参考点时，重复点属性值若不连续，会对重复点的预测性能产生影响。比如，重复点顺序为：0、0、25、50、0、0、50、25、50、50。若按照这样的顺序为当前重复点选择前N个已编码的重复点作为预测参考点时，不容易选择到最佳预测参考点。本申请对重复点的属性值的按照属性值排序，得到重复点顺序为：0、0、0、0、25、25、50、50、50、50，按照这种重复点顺序为当前重复点选择前N个已编码重复点作为预测参考点时，会选择到最佳预测参考点，从而提高编码性能。
步骤104：基于所述重复点顺序对重复点进行属性预测，确定重复点的属性预测结果。
具体地，基于重复点顺序确定待编码当前重复点的预测参考点，预测参考点为已编码的重复点，根据预测参考点的重建属性信息确定当前重复点的预测属性信息，预测属性信息即为当前重复点的预测结果。
需要说明的是，若预测参考点为一个时，直接将预测参考点的重建属性信息作为预测属性信息；当预测参考点为至少两个时，可以对重建属性信息取平均运算或者加权运算，得到当前重复点的重建属性信息。
在点云编码方法中，在得到当前重复点的预测属性信息之后，还包括：真实属性信息与预测属性信息作残差，对残差进行量化、熵编码并写入码流。
采用上述技术方案，通过对重复点的属性信息进行排序，得到属性信息连续的重复点，利用排序后的重复点顺序确定预测参考点，有利于减少输出码流，同时提高编码性能。
下面对重复点的预测方法进行进一步的举例说明，图4为本申请实施例提供的预测方法的第二流程示意图，如图4所示，该方法包括：
步骤201：当前重复点是所述重复点顺序中的第一个重复点时，基于所述待编码点云的点云顺序，确定当前重复点的已编码邻居点；将所述邻居点作为当前重复点的预测参考点；
这里，邻居点包括：与当前重复点距离最小的K个邻居点；其中，K取正整数。其中，K的取值可以为3个，也可以为6个，甚至可以为8个或者其他个。在本申请实施例中，K的取值根据实际情况进行具体设定，这里不作任何限定。
这里，距离可以为欧式距离、曼哈顿距离、地球移动距离(Earth Mover's Distance，EMD)等。为了较少计算量提高编码效率，优选为曼哈顿距离。
需要说明的是，对于第一个重复点，由于其在重复点顺序中位于第一位，因此，其前面无已编码的重复点，因此只能将其视为非重复点进行预测。具体地，根据非重复点的点云顺序为其选取距离最近的K个邻居点，作为预测参考点。
步骤202：当前重复点不是所述重复点顺序中的第一个重复点时，基于所述重复点顺序，确定当前重复点的预测参考点；
在一些实施例中，所述基于所述重复点顺序，确定当前重复点的预测参考点，包括：基于所述重复点顺序，确定当前重复点的前N个重复点；其中，N取正整数；将所述前N个重复点作为当前重复点的预测参考点。
这里，N可以取1、2、3、4、5等整数，当N取1时，利用当前重复点的前一个重复点的重建属性信息进行预测。比如，将前一个重复点的重建属性信息作为当前重复点的预测属性信息。
当N取大于1时，利用当前重复点的前多个重复点的重建属性信息进行预测。比如，将前多个重复点的重建属性信息作为当前重复点的预测属性信息。也就是说，当N取大于1时，从第N+1个重复点开始都是取前N个重复点作为预测参考点，对于第2个至第N个重复点可以同时取距离最近的邻居点和前面的一个或多个重复点作为预测参考点。
实际应用中，预测参考点的数量可以是固定的也可以是不固定的。当预测参考点的数量是固定的，随着重复点数量的减少邻居点的数量会增加，随着重复点数量的增加邻居点的数量会减少，当预测参考点的数量是不固定的，前3个重复点在预测时，邻居点只取一个最近邻居点，重复点取之前所有以编码的点，0个、1个或2个。
在一些实施例中，所述基于所述重复点顺序，确定当前重复点的预测参考点，包括：基于所述待编码点云的点云顺序，确定当前重复点的已编码邻居点；基于所述重复点顺序，确定当前重复点的前M个重复点；其中，M取正整数；将所述邻居点和所述前M个重复点作为当前重复点的预测参考点。
在一些实施例中，所述基于所述待编码点云的几何信息进行点云重排序，确定所述待编码点云的点云顺序，包括：所述待编码点云为稠密点云时，基于所述待编码点云的几何信息进行莫顿重排序，得到第一莫顿顺序；将所述所述待编码点云的几何信息加上偏移量后进行莫顿重排序，得到第二莫顿顺序；
相应的，所述基于所述待编码点云的点云顺序，确定当前重复点的已编码邻居点，包括：从所述第一莫顿顺序中，确定当前重复点的前P个邻居点；从所述第二莫顿顺序中，确定当前重复点的前Q个邻居点；从所述前P个邻居点和所述前Q个邻居点中，确定与当前重复点距离最小的K个邻居点；其中，P和Q均取正整数，K小于P+Q的和。
在PCRM中，P＝Q＝4，K＝3。
在一些实施例中，所述基于所述待编码点云的重建几何信息进行点云重排序，确定所述待编码点云的点云顺序，包括：所述待编码点云为稀疏点云时，基于所述待编码点云的几何信息进行Hilbert重排序，得到Hilbert顺序；
相应的，所述基于所述待编码点云的点云顺序，确定当前重复点的已编码邻居点，包括：从所述Hilbert顺序中，确定当前重复点的前L个邻居点；从所述前L个邻居点中，确定与当前重复点距离最小的K个邻居点；其中，L取正整数，K小于L。
在Hilbert顺序下在待编码当前重复点的前L(L可以取前最大邻居数(maxNumOfNeighbours))个点中查找距离当前重复点最近的K个点。在一些实施例中，maxNumOfNeighbours取128，K取3，距 离计算方法为曼哈顿距离计算方法。
步骤203：基于所述预测参考点的重建属性信息，对当前重复点进行属性预测。
在一些实施例中，所述基于所述预测参考点的重建属性信息，对当前重复点进行属性预测，包括：所述预测参考点的个数大于1时，对所述预测参考点的重建属性信息进行加权运算，得到当前重复点的预测属性信息。
在一些实施例中，所述方法还包括：基于每个预测参考点与当前重复点的距离，确定每个预测参考点的权重值。
需要说明的是，利用与当前重复点的距离越近的点进行预测的准确性越高，因此根据距离确定参考点的权重值，能够提高预测性能。比如，距离越小权重值越大，距离越大权重值越小。
在一些实施例中，所述方法还包括：所述预测参考点包括至少两个重复点时，基于所述至少两个重复点在所述重复点顺序中的位置，确定至少两个重复点的权重值。
需要说明的时，在重复点集合中的所有重复点的距离均为0，因此，无法利用距离来设定权重值，故可以根据重复点顺序来确定被选中的重复点与当前重复点的位置远近来设定权重值。比如，越靠近当前重复点的权重值越大，越远离当前重复点的权重值越小。
示例性地，每个重复点用前N个点进行加权预测，权重和预测参考点到当前重复点的排序位置有关，即当前重复点的第前N个重复点的权重为1/N，N越大权重越小，N越小权重越大。
下面对重复点的预测进行进一步的详细说明。
(1)首先得到按照莫顿码或者希尔伯特码排列的点云，对于其中的重复点集合(几何坐标相同的点集)P i{i＝1，2，……}，将P i中的属性值按照从小到大的顺序排列。
(2)点云中的属性按现有方法进行预测，对其中的重复点预测方式如下：
对重复点P i预测：i<＝H(比如，H＝1，实际应用中H值可变)时，P 1的预测方式与非重复点预测方式相同；H<i<＝J，P i的预测属性值为P i的前N个重复点和K个邻居点的属性值的均值或加权值；J<i<＝I时，P i的预测属性值为P i的前N(比如，N＝1，实际应用中N值可变)个重复点的属性值的均值或加权值。
(3)点云每个点的真实属性值与预测属性值作残差，对残差进行量化编码。
下面针对不同的属性信息进行距离说明。
当属性信息为颜色时，属性预测方法具体可以包括以下：
待编码点为非重复点时，首先利用莫顿码来查找当前点的空间邻居点，然后根据查找的邻居点对当前点进行属性预测。
莫顿编码也可叫z-order code，因为其编码顺序按照空间z序。计算莫顿码的具体方法描述如下所示，对于每一个分量用d比特二进制数表示的三维坐标(x，y，z)，其三个分量的表示通过以下实现：
其中，x l,y l,z l∈{0,1}分别是x，y，z的最高位(l＝1)到最低位(l＝d)对应的二进制数值。莫顿码M是对x，y，z从最高位开始，依次交叉排列x l,y l,z l到最低位，M的计算公式如下所示：
其中，m l′∈{0,1}分别是M的最高位(l′＝1)到最低位(l′＝3d)的值。在得到点云中每个点的莫顿码M后，将点云中的点按莫顿码由小到大的顺序进行排列，并将每个点的权值w设为1。表示为计算机语言，类似于z|(y<<1)|(x<<2)的组合。
需要说明的是，首先计算当前节点的莫顿码，然后根据当前节点的莫顿码，定位至基准点的莫顿码。 这里，基准点的莫顿码是当前节点的邻居节点中的最小莫顿码。示例性地，如果当前节点的三维坐标为(x,y,z)，那么基准点的三维坐标为(x-1,y-1,z-1)，这时候计算得到的莫顿码是最小的。
在得到基准点之后，可以计算基准点与这N个待搜索邻居节点的坐标差值(offset)，并将这N个坐标差值转换为N个莫顿码，然后将这N个莫顿码存储在预设查找表中。
邻居点的空间范围如图5所示，当前待编码点为中间灰色标记块，其对应的预设邻域范围为3×3×3大小；其中，X表示水平坐标轴，Y表示垂直坐标轴，Z表示z坐标轴。这里，当前节点的邻居节点数量总共为26个；其中，与当前节点共面的邻居节点数量有6个，与当前节点共线的邻居节点数量有12个，与当前节点共点的邻居节点数量有8个。需要注意的是，预设邻域范围并不局限于3×3×3大小，还可以是4×4×4大小、5×5×5大小、6×6×6大小，甚至是大于6×6×6大小等，本申请实施例不作具体限定。
结合图5的示例，考虑邻居节点的查找范围为待编码当前节点的3×3×3大小的预设邻域范围。首先利用当前点节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，然后利用基准块来查找与当前待编码点节点共面、共线的已编码编解码邻居节点。该预设邻域范围内与待编码当前节点共面且已编码/已解码(可简称为“已编解码”)的邻居节点之间的莫顿码关系如图6所示，该预设邻域范围内与当前节点共线且已编解码的邻居节点之间的莫顿码关系如图7所示。这里，在图6中，用7填充的块表示当前节点，用3、5、6填充的块为与当前节点共面的邻居节点。在图7中，用7填充的块仍表示当前节点，用1、2、4填充的块则为与当前节点共线的邻居节点。
如图6和图7所示，用1、2、3、4、5、6填充的这6个邻居节点一定在当前节点之前完成属性编解码，但是除这些邻居节点之外，还可以包括一些共线的邻居节点也有可能也在当前节点之前完成属性编解码。但是在相关技术中，目前仅仅只考虑了如图6和图7所示的3个共面和3个共线的邻居节点，这样将会遗漏掉一些已编解码的共线的邻居节点。那么在找不到这6个共面或共线的邻居节点以后，直接用莫顿码比当前节点小的前一个已编解码节点的重建属性值作为预测属性值，在空间上是不准确的，因为莫顿码存在周期性的跳变点，即使莫顿码是相邻的，但是空间位置却不能保证相邻。如此对于基于几何空间关系的属性预测来说，目前并没有充分利用相邻节点的空间相关性，从而降低了点云的编解码效率。
待编码点为重复点时，该方法还包括：基于所述待编码点云的几何信息进行莫顿重排序，得到莫顿顺序(即点云顺序)；根据莫顿顺序确定重复点集合；对所述重复点集合中的重复点的属性信息进行排序，确定重复点顺序；基于所述重复点顺序对重复点进行属性预测，确定重复点的属性预测结果。
当前重复点是所述重复点顺序中的第一个重复点时，基于所述待编码点云的点云顺序，确定当前重复点的已编码邻居点；将所述邻居点作为当前重复点的预测参考点；基于所述预测参考点的重建属性信息，对当前重复点进行属性预测。
当前重复点不是所述重复点顺序中的第一个重复点时，基于所述重复点顺序，确定当前重复点的预测参考点；基于所述预测参考点的重建属性信息，对当前重复点进行属性预测。
具体地，确定预测参考点的方法包括：基于所述重复点顺序，确定当前重复点的前N个重复点；其中，N取正整数；将所述前N个重复点作为当前重复点的预测参考点。基于所述待编码点云的点云顺序，确定当前重复点的已编码邻居点；基于所述重复点顺序，确定当前重复点的前M个重复点；其中，M取正整数；将所述邻居点和所述前M个重复点作为当前重复点的预测参考点。
当属性信息为反射率时，属性预测方法具体可以包括以下：
根据不同类型序列有两种对点云的排序方法：莫顿重排序和Hilbert重排序。具体地，单帧稠密点 云采用莫顿重排序，多帧稀疏点云采用Hilbert重排序。
也就是说，在对反射率进行预测时，无论重复点还是非重复点都需要先进行重排序得到点云顺序(即莫顿顺序或Hilbert顺序)。
莫顿重排序：根据点云几何坐标生成对应莫顿码，按照莫顿码重排序得到莫顿顺序1(即第一莫顿顺序)后，把所有点坐标加上固定值后得到新的坐标，用新的坐标生成点云对应的莫顿码，按照莫顿排序得到莫顿顺序2(即第二莫顿顺序)。根据莫顿顺序1解码，查找待解码点的最近邻居点，在莫顿顺序1中选择所述当前点的前P个点作为备选，在莫顿顺序2中选取所述当前点的前Q个点作为备选，在上述P和Q个点中，计算每个点到当前点的曼哈顿距离d，从这P+Q个点中选取距离最小的K个点已解码点作为当前点的预测点，在PCRM中，P＝Q＝4，K＝3。
Hilbert重排序：根据点云几何坐标生成对应Hilbert码，进行排序后得到Hilbert顺序，按照Hilbert顺序进行编码。在Hilbert顺序下在当前待编码点的前最大邻居数(maxNumOfNeighbours)个点中查找距离当前点最近的K个点，其中maxNumOfNeighbours默认为128，K取3，距离计算方法为曼哈顿距离。
对于反射率的这两种预测方法，都是按照几何位置来进行预测的，称为“基于几何位置的预测方法”，如果基于几何位置的预测方法产生的残差很大的情况下，基于属性值的预测方法通常能降低预测残差，并提高编码效率。
基于属性值的预测值方法分为以下几个步骤：
(1)保存最近的已编码的32个不同的属性预测值在候选预测值表中；
(2)选取跟当前点属性最近的点并用其属性值作为当前点的属性预测值；
(3)对选取点在候选预测值表的序号进行编码。
在PCRM中，首先使用基于几何位置的预测方法进行属性预测，并对得到的残差值进行统计，即对大于等于3的残差值进行累加并记录其数目。到编码完512个点以后，计算大于等于3的残差值的平均值并用该值比较预先设定好的阈值。当计算出的残差平均值超过阈值，切换到基于属性值的预测方法。在PCRM中，无损编码阈值是50，有损编码的阈值是25。
本申请实施例提供的预测方法应用到现有的点云预测中，通过对重复点的属性信息进行排序，得到属性信息连续的重复点，利用排序后的重复点顺序确定预测参考点，有利于减少输出码流，同时提高编解码性能。
对非重复点的属性信息进行编码的方法包括以下：
方法一：对于第一个点的属性信息，直接进行编码，进行量化、熵编码并写入码流；对第二个及以后的点的属性信息参考前一个已编码点的属性信息，进行预测，对残差进行量化、熵编码并写入码流；
方法二：对于第一个点的属性信息，直接进行编码，进行量化、熵编码并写入码流；对第二个点的属性信息参考第一个已编码点的属性信息，进行预测，对残差进行量化、熵编码并写入码流；对第三个点及以后的点，选择之前已编码点中规定数量的点的属性信息构建预测值，进行预测，对残差进行量化、熵编码并写入码流。
本申请实施例还提供了另一种预测方法，应用于解码器，图8为本申请实施例提供的预测方法的第三流程示意图，如图8所示，该方法包括：
步骤301：解析码流，确定待解码点云的重建几何信息；
这里，获取到码流后，解析几何码流并对几何信息进行预测得到重建几何信息，利用重建几何信息指导属性解码，几何信息具体指点的三维几何坐标。
具体地，解析过程可以对码流进行熵解码和逆量化。
步骤302：基于所述待解码点云的几何信息，确定重复点集合；其中，所述重复点集合包括所述待解码点云中的至少两点；
这里，重复点是指点云中位置相同或相近的点。实际应用中，可以用两点之间的距离来判断两点是否重合。
在一些实施例中，所述基于所述待解码点云的几何信息，确定重复点集合，包括：基于所述待解码点云的几何信息，确定所述待解码点云中与目标点的距离小于距离阈值的点，构成所述重复点集合。
这里，距离阈值大于或等于0。当距离阈值大于0时，重复点包括几何坐标相同或相近的点；当距离阈值等于0时，重复点只包括几何坐标相同的点。
在一些实施例中，所述基于所述待解码点云的几何信息，确定重复点集合，包括：基于所述待解码点云的几何信息，确定所述几何信息相同的点组成所述重复点集合。也就是，距离阈值等于0时，确定几何信息坐标完全相等的点组成重复点集合。
在一些实施例中，所述基于所述待解码点云的几何信息，确定重复点集合，包括：基于所述几何信息，生成所述待解码点云的莫顿码(Morton码)或希尔伯特码(Hilbert码)；确定莫顿码相等或希尔伯特码相等的点组成所述重复点集合。
也就是说，在确定重复点时，可以直接通过几何坐标来确定，也可以将几何坐标转换为莫顿码或希尔伯特码，确定莫顿码相等或希尔伯特码相等的点组成重复点集合。
需要说明的是，待解码点云中包括至少一个重复点集合，每一个重复点集合对应一个相同的几何信息，每个重复点集合的预测方法均相同。
步骤303：对所述重复点集合中的重复点的属性信息进行排序，确定重复点顺序；
本申请实施例中，属性信息和属性值是同一种解码数据的两种不同表达方式。
在一些实施例中，所述对所述重复点集合中的重复点的属性信息进行排序，确定重复点顺序，包括：按照属性信息(即属性值)从小到大的顺序对所述重复点集合中的重复点进行排序，确定所述重复点顺序；或者，按照属性信息从大到小的顺序对所述重复点集合中的重复点进行排序，确定所述重复点顺序。
需要说明的是，现有的重复点中包含多个属性值，按照原始点云顺序这些属性值是分布是不连续的，选取预测参考点时，重复点属性值若不连续，会对重复点的预测性能产生影响。比如，重复点顺序为：0、0、25、50、0、0、50、25、50、50。若按照这样的顺序为当前重复点选择前N个已解码的重复点作为预测参考点时，不容易选择到最佳预测参考点。本申请对重复点的属性值的按照属性值排序，得到重复点顺序为：0、0、0、0、25、25、50、50、50、50，按照这种重复点顺序为当前重复点选择前N个已解码重复点作为预测参考点时，会选择到最佳预测参考点，从而提高解码性能。
步骤304：基于所述重复点顺序对重复点进行属性预测，确定重复点的属性预测结果。
具体地，基于重复点顺序确定待解码当前重复点的预测参考点，预测参考点为已解码的重复点，根据预测参考点的重建属性信息确定当前重复点的预测属性信息，预测属性信息即为当前重复点的预测结果。
需要说明的是，若预测参考点为一个时，直接将预测参考点的重建属性信息作为预测属性信息；当预测参考点为至少两个时，可以对重建属性信息取平均运算或者加权运算，得到当前重复点的重建属性信息。
采用上述技术方案，通过对重复点的属性信息进行排序，得到属性信息连续的重复点，利用排序后的重复点顺序确定预测参考点，提高解码性能。
对重复点的具体预测方法如图4所示，该方法包括：
步骤201：当前重复点是所述重复点顺序中的第一个重复点时，基于所述待解码点云的点云顺序，确定当前重复点的已解码邻居点；将所述邻居点作为当前重复点的预测参考点；
这里，邻居点包括：与当前重复点距离最小的K个邻居点；其中，K取正整数。
这里，距离可以为欧式距离、曼哈顿距离、地球移动距离(Earth Mover's Distance，EMD)。为了较少计算量提高解码效率，优选为曼哈顿距离。
需要说明的是，对于第一个重复点，由于其在重复点顺序中位于第一位，因此，其前面无已解码的重复点，因此只能将其视为非重复点进行预测。具体地，根据非重复点的点云顺序为其选取距离最近的K个邻居点，作为预测参考点。
步骤202：当前重复点不是所述重复点顺序中的第一个重复点时，基于所述重复点顺序，确定当前重复点的预测参考点；
在一些实施例中，所述基于所述重复点顺序，确定当前重复点的预测参考点，包括：基于所述重复点顺序，确定当前重复点的前N个重复点；其中，N取正整数；将所述前N个重复点作为当前重复点的预测参考点。
这里，N可以取1、2、3、4、5等整数，当N取1时，利用当前重复点的前一个重复点的重建属性信息进行预测。比如，将前一个重复点的重建属性信息作为当前重复点的预测属性信息。
当N取大于1时，利用当前重复点的前多个重复点的重建属性信息进行预测。比如，将前多个重复点的重建属性信息作为当前重复点的预测属性信息。也就是说，当N取大于1时，从第N+1个重复点开始都是取前N个重复点作为预测参考点，对于第2个至第N个重复点可以同时取距离最近的邻居点和前面的一个或多个重复点作为预测参考点。
实际应用中，预测参考点的数量可以是固定的也可以是不固定的。当预测参考点的数量是固定的，随着重复点数量的减少邻居点的数量会增加，随着重复点数量的增加邻居点的数量会减少，当预测参考点的数量是不固定的，前3个重复点在预测时，邻居点只取一个最近邻居点，重复点取之前所有以解码的点，0个、1个或2个。
在一些实施例中，所述基于所述重复点顺序，确定当前重复点的预测参考点，包括：基于所述待解码点云的点云顺序，确定当前重复点的已解码邻居点；基于所述重复点顺序，确定当前重复点的前M个重复点；其中，M取正整数；将所述邻居点和所述前M个重复点作为当前重复点的预测参考点。
在一些实施例中，所述基于所述待解码点云的几何信息进行点云重排序，确定所述待解码点云的点云顺序，包括：所述待解码点云为稠密点云时，基于所述待解码点云的几何信息进行莫顿重排序，得到第一莫顿顺序；将所述所述待解码点云的几何信息加上偏移量后进行莫顿重排序，得到第二莫顿顺序；
相应的，所述基于所述待解码点云的点云顺序，确定当前重复点的已解码邻居点，包括：从所述第一莫顿顺序中，确定当前重复点的前P个邻居点；从所述第二莫顿顺序中，确定当前重复点的前Q个邻居点；从所述前P个邻居点和所述前Q个邻居点中，确定与当前重复点距离最小的K个邻居点；其中，P和Q均取正整数，K小于P+Q的和。
在PCRM中，P＝Q＝4，K＝3。
在一些实施例中，所述基于所述待解码点云的重建几何信息进行点云重排序，确定所述待解码点云的点云顺序，包括：所述待解码点云为稀疏点云时，基于所述待解码点云的几何信息进行Hilbert重排序，得到Hilbert顺序；
相应的，所述基于所述待解码点云的点云顺序，确定当前重复点的已解码邻居点，包括：从所述 Hilbert顺序中，确定当前重复点的前L个邻居点；从所述前L个邻居点中，确定与当前重复点距离最小的K个邻居点；其中，L取正整数，K小于L。
在Hilbert顺序下在待解码当前重复点的前L(L可以取前最大邻居数(maxNumOfNeighbours))个点中查找距离当前重复点最近的K个点。在一些实施例中，maxNumOfNeighbours取128，K取3，距离计算方法为曼哈顿距离计算方法。
步骤203：基于所述预测参考点的重建属性信息，对当前重复点进行属性预测。
在一些实施例中，所述基于所述预测参考点的重建属性信息，对当前重复点进行属性预测，包括：所述预测参考点的个数大于1时，对所述预测参考点的重建属性信息进行加权运算，得到当前重复点的预测属性信息。
在一些实施例中，所述方法还包括：基于每个预测参考点与当前重复点的距离，确定每个预测参考点的权重值。
需要说明的是，利用与当前重复点的距离越近的点进行预测的准确性越高，因此根据距离确定参考点的权重值，能够提高预测性能。比如，距离越小权重值越大，距离越大权重值越小。
在一些实施例中，所述方法还包括：所述预测参考点包括至少两个重复点时，基于所述至少两个重复点在所述重复点顺序中的位置，确定至少两个重复点的权重值。
需要说明的时，在重复点集合中的所有重复点的距离均为0，因此，无法利用距离来设定权重值，故可以根据重复点顺序来确定被选中的重复点与当前重复点的位置远近来设定权重值。比如，越靠近当前重复点的权重值越大，越远离当前重复点的权重值越小。
示例性地，每个重复点用前N个点进行加权预测，权重和预测参考点到当前重复点的排序位置有关，即当前重复点的第前N个重复点的权重为1/N，N越大权重越小，N越小权重越大。
下面对重复点的预测进行进一步的详细说明。
(1)首先得到按照莫顿码或者希尔伯特码排列的点云，对于其中的重复点集合(几何坐标相同的点集)P i{i＝1，2，……}，将P i中的属性值按照从小到大的顺序排列。
(2)点云中的属性按现有方法进行预测，对其中的重复点预测方式如下：
对重复点P i预测：i<＝H(比如，H＝1，实际应用中H值可变)时，P 1的预测方式与非重复点预测方式相同；H<i<＝J，P i的预测属性值为P i的前N个重复点和K个邻居点的属性值的均值或加权值；J<i<＝I时，P i的预测属性值为P i的前N(比如，N＝1，实际应用中N值可变)个重复点的属性值的均值或加权值。
(3)点云每个点的真实属性值与预测属性值作残差，对残差进行量化解码。
下面针对不同的属性信息进行距离说明。
当属性信息为颜色时，属性预测方法具体可以包括以下：
待解码点为非重复点时，首先利用莫顿码来查找当前点的空间邻居点，然后根据查找的邻居点对当前点进行属性预测。
邻居点的空间范围如图5所示，与当前点共面的邻居点如图6所示，与当前点共线的邻居点在图7中，实际应用中还可以选择与当前点共点的邻居点。
待解码点为重复点时，该方法还包括：基于所述待解码点云的几何信息进行莫顿重排序，得到莫顿顺序(即点云顺序)；根据莫顿顺序确定重复点集合；对所述重复点集合中的重复点的属性信息进行排序，确定重复点顺序；基于所述重复点顺序对重复点进行属性预测，确定重复点的属性预测结果。
当前重复点是所述重复点顺序中的第一个重复点时，基于所述待解码点云的点云顺序，确定当前重 复点的已解码邻居点；将所述邻居点作为当前重复点的预测参考点；基于所述预测参考点的重建属性信息，对当前重复点进行属性预测。
当前重复点不是所述重复点顺序中的第一个重复点时，基于所述重复点顺序，确定当前重复点的预测参考点；基于所述预测参考点的重建属性信息，对当前重复点进行属性预测。
具体地，确定预测参考点的方法包括：基于所述重复点顺序，确定当前重复点的前N个重复点；其中，N取正整数；将所述前N个重复点作为当前重复点的预测参考点。基于所述待解码点云的点云顺序，确定当前重复点的已解码邻居点；基于所述重复点顺序，确定当前重复点的前M个重复点；其中，M取正整数；将所述邻居点和所述前M个重复点作为当前重复点的预测参考点。
当属性信息为反射率时，属性预测方法具体可以包括以下：
根据不同类型序列有两种对点云的排序方法：莫顿重排序和Hilbert重排序。具体地，单帧稠密点云采用莫顿重排序，多帧稀疏点云采用Hilbert重排序。
也就是说，在对反射率进行预测时，无论重复点还是非重复点都需要先进行重排序得到点云顺序(即莫顿顺序或Hilbert顺序)。
莫顿重排序：根据点云几何坐标生成对应莫顿码，按照莫顿码重排序得到莫顿顺序1(即第一莫顿顺序)后，把所有点坐标加上固定值后得到新的坐标，用新的坐标生成点云对应的莫顿码，按照莫顿排序得到莫顿顺序2(即第二莫顿顺序)。根据莫顿顺序1解码，查找待解码点的最近邻居点，在莫顿顺序1中选择所述当前点的前P个点作为备选，在莫顿顺序2中选取所述当前点的前Q个点作为备选，在上述P和Q个点中，计算每个点到当前点的曼哈顿距离d，从这P+Q个点中选取距离最小的K个点已解码点作为当前点的预测点，在PCRM中，P＝Q＝4，K＝3。
Hilbert重排序：根据点云几何坐标生成对应Hilbert码，进行排序后得到Hilbert顺序，按照Hilbert顺序进行解码。在Hilbert顺序下在当前待解码点的前最大邻居数(maxNumOfNeighbours)个点中查找距离当前点最近的K个点，其中maxNumOfNeighbours默认为128，K取3，距离计算方法为曼哈顿距离。
对于反射率的这两种预测方法，都是按照几何位置来进行预测的，称为“基于几何位置的预测方法”，如果基于几何位置的预测方法产生的残差很大的情况下，基于属性值的预测方法通常能降低预测残差，并提高解码效率。
基于属性值的预测值方法分为以下几个步骤：
(1)保存最近的已解码的32个不同的属性预测值在候选预测值表中；
(2)选取跟当前点属性最近的点并用其属性值作为当前点的属性预测值；
(3)对选取点在候选预测值表的序号进行解码。
在PCRM中，首先使用基于几何位置的预测方法进行属性预测，并对得到的残差值进行统计，即对大于等于3的残差值进行累加并记录其数目。到解码完512个点以后，计算大于等于3的残差值的平均值并用该值比较预先设定好的阈值。当计算出的残差平均值超过阈值，切换到基于属性值的预测方法。在PCRM中，无损解码阈值是50，有损解码的阈值是25。
本申请实施例提供的预测方法应用到上述点云预测中，通过对重复点的属性信息进行排序，得到属性信息连续的重复点，利用排序后的重复点顺序确定预测参考点，提高解码性能。
本申请实施例提供一种编码器，图9为本申请实施例中编码器的第一组成结构示意图，如图9所示，该编码器90包括：
第一确定单元901，配置为确定待编码点云的几何信息；基于所述待编码点云的几何信息，确定重 复点集合；其中，所述重复点集合包括所述待编码点云中的至少两点；
第一排序单元902，配置为对所述重复点集合中的重复点的属性信息进行排序，确定重复点顺序；
第一预测单元903，配置为基于所述重复点顺序对重复点进行属性预测，确定重复点的属性预测结果。
在一些实施例中，第一确定单元901，配置为基于所述待编码点云的几何信息，确定所述待编码点云中与目标点的距离小于距离阈值的点，构成所述重复点集合。
在一些实施例中，第一确定单元901，配置为基于所述待编码点云的几何信息，确定所述几何信息相同的点组成所述重复点集合。
在一些实施例中，第一确定单元901，配置为基于所述几何信息，生成所述待编码点云的莫顿码或希尔伯特码；确定莫顿码相等或希尔伯特码相等的点组成所述重复点集合。
在一些实施例中，第一排序单元902，配置为按照属性信息从小到大的顺序对所述重复点集合中的重复点进行排序，确定所述重复点顺序；或者，按照属性信息从大到小的顺序对所述重复点集合中的重复点进行排序，确定所述重复点顺序。
在一些实施例中，第一预测单元903，配置为当前重复点不是所述重复点顺序中的第一个重复点时，基于所述重复点顺序，确定当前重复点的预测参考点；基于所述预测参考点的重建属性信息，对当前重复点进行属性预测。
在一些实施例中，第一预测单元903，配置为基于所述重复点顺序，确定当前重复点的前N个重复点；其中，N取正整数；将所述前N个重复点作为当前重复点的预测参考点。
在一些实施例中，第一预测单元903，配置为基于所述待编码点云的点云顺序，确定当前重复点的已编码邻居点；基于所述重复点顺序，确定当前重复点的前M个重复点；其中，M取正整数；将所述邻居点和所述前M个重复点作为当前重复点的预测参考点。
在一些实施例中，第一预测单元903，配置为当前重复点是所述重复点顺序中的第一个重复点时，基于所述待编码点云的点云顺序，确定当前重复点的已编码邻居点；将所述邻居点作为当前重复点的预测参考点；基于所述预测参考点的重建属性信息，对当前重复点进行属性预测。
在一些实施例中，所述邻居点包括：与当前重复点距离最小的K个邻居点；其中，K取正整数。
在一些实施例中，所述距离为曼哈顿距离。
在一些实施例中，第一排序单元902，配置为基于所述待编码点云的几何信息进行点云重排序，确定所述待编码点云的点云顺序。
在一些实施例中，第一排序单元902，配置为所述待编码点云为稠密点云时，基于所述待编码点云的几何信息进行莫顿重排序，得到第一莫顿顺序；将所述所述待编码点云的几何信息加上偏移量后进行莫顿重排序，得到第二莫顿顺序；
相应的，第一预测单元903，配置为从所述第一莫顿顺序中，确定当前重复点的前P个邻居点；从所述第二莫顿顺序中，确定当前重复点的前Q个邻居点；从所述前P个邻居点和所述前Q个邻居点中，确定与当前重复点距离最小的K个邻居点；其中，P和Q均取正整数，K小于P+Q的和。
在一些实施例中，第一排序单元902，配置为所述待编码点云为稀疏点云时，基于所述待编码点云的几何信息进行Hilbert重排序，得到Hilbert顺序；
相应的，第一预测单元903，配置为从所述Hilbert顺序中，确定当前重复点的前L个邻居点；从所述前L个邻居点中，确定与当前重复点距离最小的K个邻居点；其中，L取正整数，K小于L。
在一些实施例中，第一预测单元903，配置为所述预测参考点的个数大于1时，对所述预测参考点 的重建属性信息进行加权运算，得到当前重复点的预测属性信息。
在一些实施例中，第一预测单元903，配置为基于每个预测参考点与当前重复点的距离，确定每个预测参考点的权重值。
在一些实施例中，第一预测单元903，配置为所述预测参考点包括至少两个重复点时，基于所述至少两个重复点在所述重复点顺序中的位置，确定至少两个重复点的权重值。
在一些实施例中，第一确定单元901，配置为确定待编码点云的重建几何信息。
在实际应用中，本申请实施例还提供了一种编码器，图10为本申请实施例中编码器的第二组成结构示意图，编码器100包括：第一存储器1001和第一处理器1002；第一存储器1001存储有可在第一处理器1002上运行的计算机程序，第一处理器1002执行程序时编码器侧的点云编码方法。
采用上述编码器，通过对重复点进行排序，使得具有相同属性信息的重复点连续排列，利用重复点的排序结果进行重复点属性预测时，能够减少输出码流，提高编码性能。
本申请实施例提供一种解码器，图11为本申请实施例中解码器的第一组成结构示意图，如图11所示，该解码器110包括：
第二确定单元1101，配置为解析码流，确定待解码点云的几何信息；基于所述待解码点云的几何信息，确定重复点集合；其中，所述重复点集合包括所述待解码点云中的至少两点；
第二排序单元1102，配置为对所述重复点集合中的重复点的属性信息进行排序，确定重复点顺序；
第二预测单元1103，配置为基于所述重复点顺序对重复点进行属性预测，确定重复点的属性预测结果。
在一些实施例中，第二确定单元1101，配置为基于所述待解码点云的几何信息，确定所述待解码点云中与目标点的距离小于距离阈值的点，构成所述重复点集合。
在一些实施例中，第二确定单元1101，配置为基于所述待解码点云的几何信息，确定所述几何信息相同的点组成所述重复点集合。
在一些实施例中，第二确定单元1101，配置为基于所述几何信息，生成所述待解码点云的莫顿码或希尔伯特码；确定莫顿码相等或希尔伯特码相等的点组成所述重复点集合。
在一些实施例中，第二排序单元1102，配置为按照属性信息从小到大的顺序对所述重复点集合中的重复点进行排序，确定所述重复点顺序；或者，按照属性信息从大到小的顺序对所述重复点集合中的重复点进行排序，确定所述重复点顺序。
在一些实施例中，第二预测单元1103，配置为当前重复点不是所述重复点顺序中的第二个重复点时，基于所述重复点顺序，确定当前重复点的预测参考点；基于所述预测参考点的重建属性信息，对当前重复点进行属性预测。
在一些实施例中，第二预测单元1103，配置为基于所述重复点顺序，确定当前重复点的前N个重复点；其中，N取正整数；将所述前N个重复点作为当前重复点的预测参考点。
在一些实施例中，第二预测单元1103，配置为基于所述待解码点云的点云顺序，确定当前重复点的已解码邻居点；基于所述重复点顺序，确定当前重复点的前M个重复点；其中，M取正整数；将所述邻居点和所述前M个重复点作为当前重复点的预测参考点。
在一些实施例中，第二预测单元1103，配置为当前重复点是所述重复点顺序中的第二个重复点时，基于所述待解码点云的点云顺序，确定当前重复点的已解码邻居点；将所述邻居点作为当前重复点的预测参考点；基于所述预测参考点的重建属性信息，对当前重复点进行属性预测。
在一些实施例中，所述邻居点包括：与当前重复点距离最小的K个邻居点；其中，K取正整数。
在一些实施例中，所述距离为曼哈顿距离。
在一些实施例中，第二排序单元1102，配置为基于所述待解码点云的几何信息进行点云重排序，确定所述待解码点云的点云顺序。
在一些实施例中，第二排序单元1102，配置为所述待解码点云为稠密点云时，基于所述待解码点云的几何信息进行莫顿重排序，得到第二莫顿顺序；将所述所述待解码点云的几何信息加上偏移量后进行莫顿重排序，得到第二莫顿顺序；
相应的，第二预测单元1103，配置为从所述第二莫顿顺序中，确定当前重复点的前P个邻居点；从所述第二莫顿顺序中，确定当前重复点的前Q个邻居点；从所述前P个邻居点和所述前Q个邻居点中，确定与当前重复点距离最小的K个邻居点；其中，P和Q均取正整数，K小于P+Q的和。
在一些实施例中，第二排序单元1102，配置为所述待解码点云为稀疏点云时，基于所述待解码点云的几何信息进行Hilbert重排序，得到Hilbert顺序；
相应的，第二预测单元1103，配置为从所述Hilbert顺序中，确定当前重复点的前L个邻居点；从所述前L个邻居点中，确定与当前重复点距离最小的K个邻居点；其中，L取正整数，K小于L。
在一些实施例中，第二预测单元1103，配置为所述预测参考点的个数大于1时，对所述预测参考点的重建属性信息进行加权运算，得到当前重复点的预测属性信息。
在一些实施例中，第二预测单元1103，配置为基于每个预测参考点与当前重复点的距离，确定每个预测参考点的权重值。
在一些实施例中，第二预测单元1103，配置为所述预测参考点包括至少两个重复点时，基于所述至少两个重复点在所述重复点顺序中的位置，确定至少两个重复点的权重值。
在一些实施例中，第二确定单元1101，配置为确定待解码点云的重建几何信息。
在实际应用中，本申请实施例还提供了一种解码器，图12为本申请实施例中解码器的第二组成结构示意图，解码器120包括：第二存储器1201和第二处理器1202；第二存储器1201存储有可在第二处理器1202上运行的计算机程序，第二处理器1202执行程序时解码器侧的点云解码方法。
采用上述解码器，通过对重复点进行排序，使得具有相同属性信息的重复点连续排列，利用重复点的排序结果进行重复点属性预测时，提高解码性能。
可以理解地，在本申请实施例中，“单元”可以是部分电路、部分处理器、部分程序或软件等等，当然也可以是模块，还可以是非模块化的。而且在本实施例中的各组成部分可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
所述集成的单元如果以软件功能模块的形式实现并非作为独立的产品进行销售或使用时，可以存储在一个计算机可读取存储介质中，基于这样的理解，本实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或processor(处理器)执行本实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
而处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过第一处理器1803中的硬件的集成逻辑电路或者软件形式的指令完成。上述的第一处理器1803可以是通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。
相应的，本申请实施例提供了一种计算机存储介质，其上存储有计算机程序，该计算机程序被第一处理器执行时，实现编码器侧的点预测方法；或者，该计算机程序被第二处理器执行时，实现解码器侧的预测方法。
这里需要指出的是：以上存储介质和装置实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本申请存储介质和装置实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。
需要说明的是，在本申请中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
本申请所提供的几个方法实施例中所揭露的方法，在不冲突的情况下可以任意组合，得到新的方法实施例。
本申请所提供的几个产品实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的产品实施例。
本申请所提供的几个方法或设备实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的方法实施例或设备实施例。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
工业实用性
本申请实施例提供了一种预测方法、编码器、解码器以及存储介质，该方法包括：确定待编码/待解码点云的几何信息；基于所述待编码/待解码点云的几何信息，确定重复点集合；其中，所述重复点集合包括所述待编码/待解码点云中的至少两点；对所述重复点集合中的重复点的属性信息进行排序，确定重复点顺序；基于所述重复点顺序对重复点进行属性预测，确定重复点的属性预测结果。这样，通过对重复点的属性信息进行排序，得到属性信息连续的重复点，利用排序后的重复点顺序确定预测参考点，有利于减少输出码流，同时提高编解码性能。

Claims (40)

  1. 一种预测方法，应用于编码器，所述方法包括：
    确定待编码点云的几何信息；
    基于所述待编码点云的几何信息，确定重复点集合；其中，所述重复点集合包括所述待编码点云中的至少两点；
    对所述重复点集合中的重复点的属性信息进行排序，确定重复点顺序；
    基于所述重复点顺序对重复点进行属性预测，确定重复点的属性预测结果。
  2. 根据权利要求1所述的方法，其中，所述基于所述待编码点云的几何信息，确定重复点集合，包括：
    基于所述待编码点云的几何信息，确定所述待编码点云中与目标点的距离小于距离阈值的点，构成所述重复点集合。
  3. 根据权利要求2所述的方法，其中，所述基于所述待编码点云的几何信息，确定重复点集合，包括：
    基于所述待编码点云的几何信息，确定所述几何信息相同的点组成所述重复点集合。
  4. 根据权利要求3所述的方法，其中，所述基于所述待编码点云的几何信息，确定重复点集合，包括：
    基于所述几何信息，生成所述待编码点云的莫顿码或希尔伯特码；
    确定莫顿码相等或希尔伯特码相等的点组成所述重复点集合。
  5. 根据权利要求1所述的方法，其中，所述对所述重复点集合中的重复点的属性信息进行排序，确定重复点顺序，包括：
    按照属性信息从小到大的顺序对所述重复点集合中的重复点进行排序，确定所述重复点顺序；
    或者，按照属性信息从大到小的顺序对所述重复点集合中的重复点进行排序，确定所述重复点顺序。
  6. 根据权利要求1所述的方法，其中，所述基于所述重复点顺序对重复点进行属性预测，包括：
    当前重复点不是所述重复点顺序中的第一个重复点时，基于所述重复点顺序，确定当前重复点的预测参考点；
    基于所述预测参考点的重建属性信息，对当前重复点进行属性预测。
  7. 根据权利要求6所述的方法，其中，所述基于所述重复点顺序，确定当前重复点的预测参考点，包括：
    基于所述重复点顺序，确定当前重复点的前N个重复点；其中，N取正整数；
    将所述前N个重复点作为当前重复点的预测参考点。
  8. 根据权利要求6所述的方法，其中，所述基于所述重复点顺序，确定当前重复点的预测参考点，包括：
    基于所述待编码点云的点云顺序，确定当前重复点的已编码邻居点；
    基于所述重复点顺序，确定当前重复点的前M个重复点；其中，M取正整数；
    将所述邻居点和所述前M个重复点作为当前重复点的预测参考点。
  9. 根据权利要求6所述的方法，其中，所述方法还包括：
    当前重复点是所述重复点顺序中的第一个重复点时，基于所述待编码点云的点云顺序，确定当前重复点的已编码邻居点；
    将所述邻居点作为当前重复点的预测参考点；
    基于所述预测参考点的重建属性信息，对当前重复点进行属性预测。
  10. 根据权利要求8或9所述的方法，其中，所述邻居点包括：与当前重复点距离最小的K个邻居点；其中，K取正整数。
  11. 根据权利要求10所述的方法，其中，所述距离为曼哈顿距离。
  12. 根据权利要求8或9所述的方法，其中，所述方法还包括：基于所述待编码点云的几何信息进行点云重排序，确定所述待编码点云的点云顺序。
  13. 根据权利要求12所述的方法，其中，所述基于所述待编码点云的几何信息进行点云重排序，确定所述待编码点云的点云顺序，包括：
    所述待编码点云为稠密点云时，基于所述待编码点云的几何信息进行莫顿重排序，得到第一莫顿顺序；
    将所述所述待编码点云的几何信息加上偏移量后进行莫顿重排序，得到第二莫顿顺序；
    所述基于所述待编码点云的点云顺序，确定当前重复点的已编码邻居点，包括：
    从所述第一莫顿顺序中，确定当前重复点的前P个邻居点；
    从所述第二莫顿顺序中，确定当前重复点的前Q个邻居点；
    从所述前P个邻居点和所述前Q个邻居点中，确定与当前重复点距离最小的K个邻居点；
    其中，P和Q均取正整数，K小于P+Q的和。
  14. 根据权利要求12所述的方法，其中，所述基于所述待编码点云的重建几何信息进行点云重排序，确定所述待编码点云的点云顺序，包括：
    所述待编码点云为稀疏点云时，基于所述待编码点云的几何信息进行Hilbert重排序，得到Hilbert顺序；
    所述基于所述待编码点云的点云顺序，确定当前重复点的已编码邻居点，包括：
    从所述Hilbert顺序中，确定当前重复点的前L个邻居点；
    从所述前L个邻居点中，确定与当前重复点距离最小的K个邻居点；
    其中，L取正整数，K小于L。
  15. 根据权利要求6所述的方法，其中，所述基于所述预测参考点的重建属性信息，对当前重复点进行属性预测，包括：
    所述预测参考点的个数大于1时，对所述预测参考点的重建属性信息进行加权运算，得到当前重复点的预测属性信息。
  16. 根据权利要求15所述的方法，其中，所述方法还包括：
    基于每个预测参考点与当前重复点的距离，确定每个预测参考点的权重值。
  17. 根据权利要求16所述的方法，其中，所述方法还包括：
    所述预测参考点包括至少两个重复点时，基于所述至少两个重复点在所述重复点顺序中的位置，确定至少两个重复点的权重值。
  18. 根据权利要求1所述的方法，其中，所述确定待编码点云的几何信息，包括：确定待编码点云的重建几何信息。
  19. 一种预测方法，应用于解码器，所述方法包括：
    解析码流，确定待解码点云的几何信息；
    基于所述待解码点云的几何信息，确定重复点集合；其中，所述重复点集合包括所述待解码点云中 的至少两点；
    对所述重复点集合中的重复点的属性信息进行排序，确定重复点顺序；
    基于所述重复点顺序对重复点进行属性预测，确定重复点的属性预测结果。
  20. 根据权利要求19所述的方法，其中，所述基于所述待解码点云的几何信息，确定重复点集合，包括：
    基于所述待解码点云的几何信息，确定所述待解码点云中与目标点的距离小于距离阈值的点，构成所述重复点集合。
  21. 根据权利要求20所述的方法，其中，所述基于所述待解码点云的几何信息，确定重复点集合，包括：
    基于所述待解码点云的几何信息，确定所述几何信息相同的点组成所述重复点集合。
  22. 根据权利要求21所述的方法，其中，所述基于所述待解码点云的几何信息，确定重复点集合，包括：
    基于所述几何信息，生成所述待解码点云的莫顿码或希尔伯特码；
    确定莫顿码相等或希尔伯特码相等的点组成所述重复点集合。
  23. 根据权利要求19所述的方法，其中，所述对所述重复点集合中的重复点的属性信息进行排序，确定重复点顺序，包括：
    按照属性信息从小到大的顺序对所述重复点集合中的重复点进行排序，确定所述重复点顺序；
    或者，按照属性信息从大到小的顺序对所述重复点集合中的重复点进行排序，确定所述重复点顺序。
  24. 根据权利要求19所述的方法，其中，所述基于所述重复点顺序对重复点进行属性预测，包括：
    当前重复点不是所述重复点顺序中的第一个重复点时，基于所述重复点顺序，确定当前重复点的预测参考点；
    基于所述预测参考点的重建属性信息，对当前重复点进行属性预测。
  25. 根据权利要求24所述的方法，其中，所述基于所述重复点顺序，确定当前重复点的预测参考点，包括：
    基于所述重复点顺序，确定当前重复点的前N个重复点；其中，N取正整数；
    将所述前N个重复点作为当前重复点的预测参考点。
  26. 根据权利要求24所述的方法，其中，所述基于所述重复点顺序，确定当前重复点的预测参考点，包括：
    基于所述待解码点云的点云顺序，确定当前重复点的已解码邻居点；
    基于所述重复点顺序，确定当前重复点的前M个重复点；其中，M取正整数；
    将所述邻居点和所述前M个重复点作为当前重复点的预测参考点。
  27. 根据权利要求24所述的方法，其中，所述方法还包括：
    当前重复点是所述重复点顺序中的第一个重复点时，基于所述待解码点云的点云顺序，确定当前重复点的已解码邻居点；
    将所述邻居点作为当前重复点的预测参考点；
    基于所述预测参考点的重建属性信息，对当前重复点进行属性预测。
  28. 根据权利要求26或27所述的方法，其中，所述邻居点包括：与当前重复点距离最小的K个邻居点；其中，K取正整数。
  29. 根据权利要求28所述的方法，其中，所述距离为曼哈顿距离。
  30. 根据权利要求26或27所述的方法，其中，所述方法还包括：基于所述待解码点云的几何信息进行点云重排序，确定所述待解码点云的点云顺序。
  31. 根据权利要求30所述的方法，其中，所述基于所述待解码点云的几何信息进行点云重排序，确定所述待解码点云的点云顺序，包括：
    所述待解码点云为稠密点云时，基于所述待解码点云的几何信息进行莫顿重排序，得到第一莫顿顺序；
    将所述所述待解码点云的几何信息加上偏移量后进行莫顿重排序，得到第二莫顿顺序；
    所述基于所述待解码点云的点云顺序，确定当前重复点的已解码邻居点，包括：
    从所述第一莫顿顺序中，确定当前重复点的前P个邻居点；
    从所述第二莫顿顺序中，确定当前重复点的前Q个邻居点；
    从所述前P个邻居点和所述前Q个邻居点中，确定与当前重复点距离最小的K个邻居点；
    其中，P和Q均取正整数，K小于P+Q的和。
  32. 根据权利要求30所述的方法，其中，所述基于所述待解码点云的重建几何信息进行点云重排序，确定所述待解码点云的点云顺序，包括：
    所述待解码点云为稀疏点云时，基于所述待解码点云的几何信息进行Hilbert重排序，得到Hilbert顺序；
    所述基于所述待解码点云的点云顺序，确定当前重复点的已解码邻居点，包括：
    从所述Hilbert顺序中，确定当前重复点的前L个邻居点；
    从所述前L个邻居点中，确定与当前重复点距离最小的K个邻居点；
    其中，L取正整数，K小于L。
  33. 根据权利要求24所述的方法，其中，所述基于所述预测参考点的重建属性信息，对当前重复点进行属性预测，包括：
    所述预测参考点的个数大于1时，对所述预测参考点的重建属性信息进行加权运算，得到当前重复点的预测属性信息。
  34. 根据权利要求33所述的方法，其中，所述方法还包括：
    基于每个预测参考点与当前重复点的距离，确定每个预测参考点的权重值。
  35. 根据权利要求34所述的方法，其中，所述方法还包括：
    所述预测参考点包括至少两个重复点时，基于所述至少两个重复点在所述重复点顺序中的位置，确定至少两个重复点的权重值。
  36. 一种编码器，其中，所述编码器包括：
    第一确定单元，配置为确定待编码点云的几何信息；基于所述待编码点云的几何信息，确定重复点集合；其中，所述重复点集合包括所述待编码点云中的至少两点；
    第一排序单元，配置对所述重复点集合中的重复点的属性信息进行排序，确定重复点顺序；
    第一预测单元，配置为基于所述重复点顺序对重复点进行属性预测，确定重复点的属性预测结果。
  37. 一种解码器，其中，所述解码器包括：
    第二确定单元，配置为解析码流，确定待解码点云的重建几何信息；基于所述待解码点云的几何信息，确定重复点集合；其中，所述重复点集合包括所述待解码点云中的至少两点；
    第二排序单元，配置为对所述重复点集合中的重复点的属性信息进行排序，确定重复点顺序；
    第二预测单元，配置为基于所述重复点顺序对重复点进行属性预测，确定重复点的属性预测结果。
  38. 一种编码器，所述编码器包括第一存储器和第一处理器；其中，
    所述第一存储器，用于存储能够在所述第一处理器上运行的计算机程序；
    所述第一处理器，用于在运行所述计算机程序时，执行如权利要求1至18任一项所述的方法。
  39. 一种解码器，所述解码器包括第二存储器和第二处理器；其中，
    所述第二存储器，用于存储能够在所述第二处理器上运行的计算机程序；
    所述第二处理器，用于在运行所述计算机程序时，执行如权利要求19至35任一项所述的方法。
  40. 一种计算机存储介质，其中，所述计算机存储介质存储有计算机程序，所述计算机程序被第一处理器执行时实现如权利要求1至18任一项所述的方法、或者被第二处理器执行时实现如权利要求19至35任一项所述的方法。
CN202080107249.6A 2020-12-03 2020-12-03 预测方法、编码器、解码器以及存储介质 Active CN116472556B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2020/133707 WO2022116118A1 (zh) 2020-12-03 2020-12-03 预测方法、编码器、解码器以及存储介质

Publications (2)

Publication Number Publication Date
CN116472556A true CN116472556A (zh) 2023-07-21
CN116472556B CN116472556B (zh) 2024-10-01

Family

ID=81852824

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080107249.6A Active CN116472556B (zh) 2020-12-03 2020-12-03 预测方法、编码器、解码器以及存储介质

Country Status (2)

Country Link
CN (1) CN116472556B (zh)
WO (1) WO2022116118A1 (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109979008A (zh) * 2019-04-09 2019-07-05 北京大学深圳研究生院 一种基于属性的点云条带划分方法
US20200021856A1 (en) * 2018-07-10 2020-01-16 Apple Inc. Hierarchical point cloud compression
WO2020123469A1 (en) * 2018-12-11 2020-06-18 Futurewei Technologies, Inc. Hierarchical tree attribute coding by median points in point cloud coding

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10861196B2 (en) * 2017-09-14 2020-12-08 Apple Inc. Point cloud compression
US10783668B2 (en) * 2017-12-22 2020-09-22 Samsung Electronics Co., Ltd. Handling duplicate points in point cloud compression
US10904564B2 (en) * 2018-07-10 2021-01-26 Tencent America LLC Method and apparatus for video coding
US11166048B2 (en) * 2018-10-02 2021-11-02 Tencent America LLC Method and apparatus for video coding
CN110572655B (zh) * 2019-09-30 2023-01-10 北京大学深圳研究生院 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
CN111145090B (zh) * 2019-11-29 2023-04-25 鹏城实验室 一种点云属性编码方法、解码方法、编码设备及解码设备
CN111340899B (zh) * 2020-02-14 2022-09-06 福州大学 一种彩色点云的压缩采样及重构方法
CN111405281A (zh) * 2020-03-30 2020-07-10 北京大学深圳研究生院 一种点云属性信息的编码方法、解码方法、存储介质及终端设备

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200021856A1 (en) * 2018-07-10 2020-01-16 Apple Inc. Hierarchical point cloud compression
WO2020123469A1 (en) * 2018-12-11 2020-06-18 Futurewei Technologies, Inc. Hierarchical tree attribute coding by median points in point cloud coding
CN109979008A (zh) * 2019-04-09 2019-07-05 北京大学深圳研究生院 一种基于属性的点云条带划分方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Y. XU ET AL.: "Cluster-Based Point Cloud Coding with Normal Weighted Graph Fourier Transform", 《2018 IEEE INTERNATIONAL CONFERENCE ON ACOUSTICS, SPEECH AND SIGNAL PROCESSING (ICASSP)》, 13 September 2018 (2018-09-13) *
魏志文: "基于几何重构的LiDAR点云几何无损压缩的研究", 《中国优秀硕士论文电子期刊网》, 15 July 2020 (2020-07-15) *

Also Published As

Publication number Publication date
WO2022116118A1 (zh) 2022-06-09
CN116472556B (zh) 2024-10-01

Similar Documents

Publication Publication Date Title
CN111868751B (zh) 在视频代码化的机器学习模型中使用应用于量化参数的非线性函数
CN111801945B (zh) 用于对视频流进行编译的方法和装置
US11889114B2 (en) Three-dimensional data encoding method, three-dimensional data decoding method, three-dimensional data encoding device, and three-dimensional data decoding device
CN113272866A (zh) 使用用于细节级别生成的空间填充曲线的点云压缩
US20170324978A1 (en) Motion vector coding using dynamic reference motion vectors
US20220337872A1 (en) Point cloud data transmission device, point cloud data transmission method, point cloud data reception device, and point cloud data reception method
US20230164353A1 (en) Point cloud data processing device and processing method
US12165367B2 (en) Three-dimensional data encoding method, three-dimensional data decoding method, three-dimensional data encoding device, and three-dimensional data decoding device
CN115086660A (zh) 基于点云属性预测的解码、编码方法、解码器及编码器
CN117793372A (zh) 预测方法、编码器、解码器以及计算机存储介质
CN115474041B (zh) 点云属性的预测方法、装置及相关设备
US20240242390A1 (en) Point cloud data transmission method, point cloud data transmission device, point cloud data reception method, and point cloud data reception device
US20230232042A1 (en) Point cloud data transmission device, point cloud data transmission method, point cloud data reception device, and point cloud data reception method
US20240249441A1 (en) Method, apparatus and medium for point cloud coding
CN117321991A (zh) 点云属性的预测方法、装置及编解码器
US20240121395A1 (en) Methods and non-transitory computer readable storage medium for pre-analysis based resampling compression for machine vision
CN114598883A (zh) 点云属性的预测方法、编码器、解码器及存储介质
CN116472556B (zh) 预测方法、编码器、解码器以及存储介质
JP7611400B2 (ja) 点群符号化および復号化方法、エンコーダ、デコーダ、ならびにコンピュータ記憶媒体
CN115086716B (zh) 点云中邻居点的选择方法、装置及编解码器
US20210366158A1 (en) Three-dimensional data encoding method, three-dimensional data decoding method, three-dimensional data encoding device, and three-dimensional data decoding device
CN119366154A (zh) 点云编解码方法、装置、设备及存储介质
US20250016384A1 (en) Point cloud data transmission method, point cloud data transmission device, point cloud data reception method, and point cloud data reception device
US20240414372A1 (en) Point cloud data transmission method, point cloud data transmission device, point cloud data reception method, and point cloud data reception device
WO2024065406A1 (zh) 编解码方法、码流、编码器、解码器以及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant