点云质量评估

点云质量评价 Point Cloud Quality Assessment

分类

• 全参考
• 半参考
• 无参考

评价指标

• p2point：对每个点云 $a$ 中的点 $a_i$，去找到失真的点云$b$ 中距离 $a_i$ 最近的那个点 $b_i$ 来作为对应的点来比较
  • 优点：效率高
  • 缺点：精准度有限，不允许平面之间的滑动
• p2plane：求源点云中的点 $p_i$ 到目标点云中 $q_i$ ​组成的曲面的距离，需要提供每个点的法向量
• PSNR_yuv
• 点云投影成图像，进行图像质量评估（感知质量）

Predicting the Perceptual Quality of Point Cloud: A 3D-to-2D Projection-Based Exploration，将点云向六个垂直图像的平面投影，然后用图像评价指标评价图像质量：the weighted peak signal-to-noise ratio (PSNR), structural similarity (SSIM), feature similarity (FSIM) and natural image quality evaluator (NIQE)

• FR-PCQA
• NR-PCQA

p2plane

$$E(R,t)=\sum _{i=1}^N((R{p}_i+t-q_i{)}^T{n}_i{)}^2$$
其中，源点云（通常是旋转的） P = { p 1 , ⋯   , p N p , p i ∈ R 3 } P=\{p_1,\cdots, p_{N_{p}}, p_i\in R^3 \} P={p1​,⋯,pNp​​,pi​∈R3}；目标点云（参考点云，通常固定） Q = { q 1 , ⋯   , q N 1 , q i ∈ R 3 } Q=\{q_1,\cdots,q_{N_{1}},q_i \in R^3 \} Q={q1​,⋯,qN1​​,qi​∈R3}，每个 $q_i$ 点的法向量为 $n_i$ 。

上式没有解析解，可采用最小二乘法。因为旋转矩阵 $R$ 有9个元素，但要满足 $R{R}^T=I$，$|R|=1$ 的约束，故 $R$ 不能随便选。此时可以采用欧拉角的方式描述旋转矩阵。

$\alpha$ 是绕 x 轴旋转的角度，$\beta$ 是绕 y轴旋转角度，$\gamma$ 是绕 z轴的角度，则有每个轴对应的旋转矩阵：
$$R_x(\alpha )=\left[\begin{array}{ccc}1& 0& 0\\ 0& \cos \alpha & -\sin \alpha \\ 0& \sin \alpha & \cos \alpha \end{array}\right],R_y(\beta )=\left[\begin{array}{ccc}1& 0& 0\\ 0& \cos \beta & -\sin \beta \\ 0& \sin \beta & \cos \beta \end{array}\right],R_z(\gamma )=\left[\begin{array}{ccc}1& 0& 0\\ 0& \cos \gamma & -\sin \gamma \\ 0& \sin \gamma & \cos \gamma \end{array}\right]$$
故旋转矩阵可计算得到：
$$\begin{gathered} R=R_z(\gamma )R_x(\alpha )R_y(\beta )=\left[\begin{array}{ccc}1& 0& 0\\ 0& \cos \gamma & -\sin \gamma \\ 0& \sin \gamma & \cos \gamma \end{array}\right]\left[\begin{array}{ccc}1& 0& 0\\ 0& \cos \alpha & -\sin \alpha \\ 0& \sin \alpha & \cos \alpha \end{array}\right]\left[\begin{array}{ccc}1& 0& 0\\ 0& \cos \beta & -\sin \beta \\ 0& \sin \beta & \cos \beta \end{array}\right] \\ =\left[\begin{array}{ccc}{r}_{11}& r_{12}& r_{13}\\ r_{21}& r_{22}& r_{23}\\ r_{31}& r_{32}& r_{33}\end{array}\right] \end{gathered}$$
这样的 $R$ 矩阵是个非线性矩阵，不能采用最小二乘法，而采用高斯牛顿或列文伯格的方法，计算复杂。最终，采用近似的方法：
$$\begin{gathered} \alpha ,\beta ,\gamma \to 0 \\ \cos \theta \approx 1,\sin \theta \approx \theta ,{\theta }^2\approx 0,if\theta \approx 0 \end{gathered}$$
则有
$$R\approx \left[\begin{array}{ccc}1& \alpha \beta -\gamma & \alpha \gamma +\beta \\ \gamma & \alpha \beta \gamma +1& \beta \gamma -\alpha \\ -\beta & \alpha & 1\end{array}\right]\approx \left[\begin{array}{ccc}1& -\gamma & \beta \\ \gamma & 1& -\alpha \\ -\beta & \alpha & 1\end{array}\right]$$
…
最后通过最小二乘法解得线性方程，从而得到$\left[\begin{array}{c}R,t\end{array}\right]$.

评价步骤

1. 数据预处理：
   • 对源点云中的点在目标点云中寻找最近邻居
   • 移除距离大的点，$||p_i-q_i||$ 超过阈值
2. 计算 $R,t$
3. 验证
   • 评估迭代的收敛性：$E(R,t)\downarrow$，$\Delta R,\Delta t\downarrow$
   • 迭代未终止：$P\leftarrow RP+t$，重复1-3步，直至迭代成功

loading…