1.基于点结构化信息网络的点云质量计算方法,其特征在于,包括:将预先获取的点云块的位置矢量特征、点云块的距离特征、点云块的亮度特征与点云块的亮度差特征联合输入到点结构化信息网络模型中,提取点云块的结构化信息特征;
其中,计算得到每个点云块的位置矢量特征与距离特征,通过以下步骤实现:计算点云块中每个采样点的位置矢量特征{Δxj,Δyj,Δzj}:{Δxj,Δyj,Δzj}={xj-x0,yj-y0,zj-z0},式中,pj={xj,yj,zj}表示每个采样点的三维坐标,j=1,2,…,K,p0={x0,y0,z0},p0为形心点的三维坐标;
计算点云块中每个采样点的距离特征:
计算得到点云块的亮度特征与亮度差特征,通过以下步骤实现:计算得到点云块中每个采样点的亮度特征lj:
lj=rj×0.229+gj×0.587+bj×0.114,式中,cj={rj,gj,bj}表示三维坐标为pj的采样点的颜色,rj表示红色的RGB值,gj表示绿色的RGB值,bj表示蓝色的RGB值;
计算点云块中每个采样点的亮度差特征Δlj:
Δlj=l0-lj,
式中,l0表示形心点的亮度值;
将点结构化信息特征输入到迭代训练完成的失真感知流网络中,得到失真分类特征;
将结构化信息特征输入到基础质量感知流网络中,得到点云块的基础质量特征。
2.根据权利要求1所述的基于点结构化信息网络的点云质量计算方法,其特征在于,将点云块的基础质量特征与失真分类特征进行融合并输入两层第三全连接层,获得预测质量分数;
将属于同一整体点云的多个点云块的预测质量分数进行平均计算,获得该整体点云的最终分数。
3.根据权利要求1所述的基于点结构化信息网络的点云质量计算方法,其特征在于,将预先获取的位置矢量特征、距离特征、亮度特征与亮度差特征联合输入到点结构化信息网络模型中,提取点云块的结构化信息特征,通过以下步骤实现:点结构化信息网络模型包括第一卷积层、第二卷积层、第三卷积层和第四卷积层,第一卷积层、第二卷积层、第三卷积层和第四卷积层依次连接;
将位置矢量特征输入第一卷积层、第二卷积层、第三卷积层和第四卷积层处理,得到结构化特征权重;
将位置矢量特征、距离特征、亮度特征和亮度差特征与结构化特征权重进行特征加权,获得点云块的结构化信息特征。
4.根据权利要求1所述的基于点结构化信息网络的点云质量计算方法,其特征在于,将点结构化信息特征输入到迭代训练完成的失真感知流网络中,得到失真分类特征,通过以下步骤实现:迭代训练之前的失真感知流网络包括第五卷积层、第六卷积层、第一最大池化层、第一全局平均池化层、第一全连接层和线性回归层,第五卷积层、第六卷积层、第一最大池化层、第一全局平均池化层、及第一全连接层和线性回归层依次连接;
对迭代训练完成的整个失真感知流网络进行冻结,去掉线性回归层;
将点结构化信息特征输入到去掉线性回归层的迭代训练完成的失真感知流网络中,得到失真分类特征。
5.根据权利要求4所述的基于点结构化信息网络的点云质量计算方法,其特征在于,基础质量感知流网络包括多层第七卷积层、第二最大池化层、第二全局平均池化层以及第二全连接层,多层第七卷积层、第二最大池化层、第二全局平均池化层以及第二全连接层依次连接。
6.根据权利要求1所述的基于点结构化信息网络的点云质量计算方法,其特征在于,预先获取位置矢量特征、距离特征、亮度特征与亮度差特征,通过以下步骤实现:依据FPS最远点采样算法原理对原始点云进行采样,获得采样点;
通过KNN最近邻算法,选取每个采样点的1024个最近距离点组成一个点云块;
计算得到每个点云块的位置矢量特征与距离特征;
计算得到每个点云块的亮度特征与亮度差特征。