点云数据压缩学习系列（GPCC）# 系列文章01点云编码器背景综述

最新推荐文章于 2024-08-15 09:31:49 发布

冬枣吖

最新推荐文章于 2024-08-15 09:31:49 发布

阅读量2.9k

点赞数 2

文章标签：几何学信息压缩

本文链接：https://blog.csdn.net/qq_33684682/article/details/115696304

版权

本文介绍了点云的基本概念，包括其位置和属性信息，以及获取方式的分类。点云压缩的必要性在于减少存储和传输的需求。目前，国际上主要的点云压缩标准为MPEG的G-PCC（基于几何）和V-PCC（基于视频），分别适用于不同类型的点云。国内则有AVS-PCC标准。G-PCC利用八叉树编码几何信息，V-PCC则通过将点云转换为图像进行编码。

摘要由CSDN通过智能技术生成

点云数据压缩学习系列（GPCC）# 系列文章第一章点云编码器背景综述

系统的记录下自己在GPCC中的学习过程，由于代码各个版本更迭很大，目前主要看最新的V12版本。（由于本人才疏学浅，如有错误，欢迎指正。）

前言

本文简单介绍了目前点云及点云压缩的相关背景内容。

一、点云是什么？

点云（Point Cloud）是指海量三维点的集合，点云是物体表面的三维表现形式，通过光电雷达、激光雷达、激光扫描仪、多视角相机等采集设备，可以采集得到物体表面的点云。

点云中的点可以包括点的位置信息和点的属性信息。

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。）
点的属性信息可包括颜色信息和/或反射率等等。颜色信息可以是任意一种色彩空间上的信息。颜色信息可以是RGB信息。颜色信息也可以是亮度色度（YcbCr，YUV）信息。

一般情况下，属性类型与点云获取原理相关。

根据激光测量原理得到的点云，点云中的点一般包括点的三维坐标信息和点的激光反射强度（reflectance）。
根据摄影测量原理得到的点云，点云中的点一般包括点的三维坐标信息和点的颜色信息。
根据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。

点云按获取的途径分为三类：
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。

点云按用途分为两大类：
类别一：机器感知点云，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，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。

二、为什么要对点云进行压缩？

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。

三、目前点云压缩技术相关标准

截止目前为止，可对点云进行压缩的点云编码框架国际上主要是G-PCC和V-PCC。这两个都是由MPEG提供的，2014年起草开始，2020年结束完成第一版，目前第一版已结束。

G-PCC全称是Geometry Point Cloud Compression（基于几何的点云压缩）；V-PCC全称是Video Point Cloud Compression（基于视频的点云压缩）。

从技术层面来说，G-PCC编码的主体思想是按照其几何信息进行的，利用八叉树进行几何信息的编码，再在几何信息编码的基础上利用插值计算残差对其属性进行编码。V-PCC编码的主体思想是将三维点云转换成图像，然后再利用图像或视频编码技术进行点云编码。（类似映射原理，将三维图像向多个方位进行映射，得到若干个平面图像）

从压缩对象来说，G-PCC编解码框架主要是用于上述第一类静态点云和第三类动态获取点云的压缩。V-PCC编解码框架主要是用于上述第二类动态点云的压缩。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。

国内对点云进行压缩的点云编码框架是音视频编码标准（Audio Video Standard，AVS）提供的AVS-PCC编解码框架。国内的起步相对晚点，2019年6月份成立工作组。