CN118828023A - 点云编码处理方法、点云解码处理方法及相关设备 - Google Patents

Abstract

本申请公开了一种点云编码处理方法、点云解码处理方法及相关设备，属于计算机技术领域，本申请实施例的点云编码处理方法包括：确定待编码点的属性信息的属性预测模式；基于所述属性预测模式获取所述待编码点的属性信息的属性预测残差；将属性预测模式信息作为上下文对所述属性预测残差进行熵编码，得到所述待编码点的编码结果，所述属性预测模式信息用于表征所述属性预测模式。

Description

点云编码处理方法、点云解码处理方法及相关设备

技术领域

本申请属于计算机技术领域，具体涉及一种点云编码处理方法、点云解码处理方法及相关设备。

背景技术

点云是三维物体或场景的一种表现形式，是由空间中一组无规则分布、表达三维物体或场景空间结构和表面属性的离散点集所构成。为了准确反映空间中的信息，所需离散点的数量相当大，而为了减少点云数据存储和传输时所占用的带宽，需要对点云数据进行编码压缩处理。点云数据通常由描述位置的几何信息如三维坐标(x，y，z)以及该位置的属性信息如颜色(R，G，B)或者反射率等构成。在点云编码压缩过程中对几何信息及属性信息的编码是分开进行的。其中，对属性信息的编码过程包括对属性预测残差的熵编码。

相关技术中，在对属性预测残差进行熵编码的过程中，直接对每个待编码点的属性预测残差进行熵编码，编码效率较低。

发明内容

本申请实施例提供一种点云编码处理方法、点云解码处理方法及相关设备，能够解决编码效率较低的问题。

第一方面，提供了一种点云编码处理方法，由编码端执行，包括：

确定待编码点的属性信息的属性预测模式；

基于所述属性预测模式获取所述待编码点的属性信息的属性预测残差；

将属性预测模式信息作为上下文对所述属性预测残差进行熵编码，得到所述待编码点的编码结果，所述属性预测模式信息用于表征所述属性预测模式。

第二方面，提供了一种点云解码处理方法，由解码端执行，包括：

确定待解码点的属性信息的属性预测模式；

将属性预测模式信息作为上下文对待解码点的属性信息的属性预测残差进行熵解码，得到所述待解码点的解码结果，所述属性预测模式信息用于表征所述属性预测模式。

第三方面，提供了一种点云编码处理装置，包括：

确定模块，用于确定待编码点的属性信息的属性预测模式；

获取模块，用于基于所述属性预测模式获取所述待编码点的属性信息的属性预测残差；

编码模块，用于将属性预测模式信息作为上下文对所述属性预测残差进行熵编码，得到所述待编码点的编码结果，所述属性预测模式信息用于表征所述属性预测模式。

第四方面，提供了一种点云解码处理装置，包括：

确定模块，用于确定待解码点的属性信息的属性预测模式；

解码模块，用于将属性预测模式信息作为上下文对待解码点的属性信息的属性预测残差进行熵解码，得到所述待解码点的解码结果，所述属性预测模式信息用于表征所述属性预测模式。

第五方面，提供了一种终端，该终端包括处理器和存储器，所述存储器存储可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如第一方面所述的方法的步骤，或实现如第二方面所述的方法的步骤。

第六方面，提供了一种终端，包括处理器及通信接口，其中，所述处理器用于：确定待编码点的属性信息的属性预测模式；基于所述属性预测模式获取所述待编码点的属性信息的属性预测残差；将属性预测模式信息作为上下文对所述属性预测残差进行熵编码，得到所述待编码点的编码结果，所述属性预测模式信息用于表征所述属性预测模式。

第七方面，提供了一种终端，包括处理器及通信接口，其中，所述处理器用于：确定待解码点的属性信息的属性预测模式；将属性预测模式信息作为上下文对待解码点的属性信息的属性预测残差进行熵解码，得到所述待解码点的解码结果，所述属性预测模式信息用于表征所述属性预测模式。

第八方面，提供了一种可读存储介质，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如第一方面所述的方法的步骤，或者实现如第二方面所述的方法的步骤。

第九方面，提供了一种编解码系统，包括：：编码端设备及解码端设备，所述编码端设备可用于执行如第一方面所述的方法的步骤，所述解码端设备可用于执行如第二方面所述的方法的步骤。

第十方面，提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现如第一方面所述的方法，或实现如第二方面所述的方法。

第十一方面，提供了一种计算机程序/程序产品，所述计算机程序/程序产品被存储在存储介质中，所述程序/程序产品被至少一个处理器执行以实现如第一方面所述的方法的步骤，或者实现如第二方面所述的方法的步骤。

在本申请实施例中，确定待编码点的属性信息的属性预测模式；基于所述属性预测模式获取所述待编码点的属性信息的属性预测残差；将属性预测模式信息作为上下文对所述属性预测残差进行熵编码，得到所述待编码点的编码结果，所述属性预测模式信息用于表征所述属性预测模式。这样，由于属性预测残差通过属性预测模式获取，属性预测残差与属性预测模式之间存在一定相关性，在对属性预测残差进行熵编码时将属性预测模式信息作为上下文，利用属性预测模式信息与属性预测残差的相关性对属性预测残差进行熵编码，能够提高编码效率。

附图说明

图1是相关技术中的一种G-PCC编解码器框架图；

图2是相关技术中的一种预测模式示意图；

图3是本申请实施例提供的一种点云编码处理方法的流程图；

图4是本申请实施例提供的一种点云解码处理方法的流程图；

图5是本申请实施例提供的一种编码测试结果示意；

图6是本申请实施例提供的一种点云编码处理装置的结构示意图；

图7是本申请实施例提供的一种点云解码处理装置的结构示意图；

图8是本申请实施例提供的一种通信设备的结构示意图；

图9是本申请实施例提供的一种终端的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本申请保护的范围。

本申请的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换，以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”所区别的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。此外，本申请中的“或”表示所连接对象的至少其中之一。例如“A或B”涵盖三种方案，即，方案一：包括A且不包括B；方案二：包括B且不包括A；方案三：既包括A又包括B。字符“/”一般表示前后关联对象是一种“或”的关系。

本申请的术语“指示”既可以是一个直接的指示(或者说显式的指示)，也可以是一个间接的指示(或者说隐含的指示)。其中，直接的指示可以理解为，发送方在发送的指示中明确告知了接收方具体的信息、需要执行的操作或请求结果等内容；间接的指示可以理解为，接收方根据发送方发送的指示确定对应的信息，或者进行判断并根据判断结果确定需要执行的操作或请求结果等。

本申请实施例中的点云编解码处理方法对应的编解码端可以为终端，该终端也可以称作终端设备或者用户终端(User Equipment，UE)，终端可以是手机、平板电脑(TabletPersonal Computer)、膝上型电脑(Laptop Computer)或称为笔记本电脑、个人数字助理(Personal Digital Assistant，PDA)、掌上电脑、上网本、超级移动个人计算机(ultra-mobile personal computer，UMPC)、移动上网装置(Mobile Internet Device，MID)、增强现实(augmented reality，AR)/虚拟现实(virtual reality，VR)设备、机器人、可穿戴式设备(Wearable Device)或车载设备(VUE)、行人终端(PUE)等终端侧设备，可穿戴式设备包括：智能手表、手环、耳机、眼镜等。需要说明的是，在本申请实施例并不限定终端的具体类型。

为了方便理解，以下对本申请实施例涉及的一些内容进行说明：

1、基于几何的点云压缩(Geometry-based Point Cloud Compression，G-PCC)编码器

在点云G-PCC编码器框架中，点云的几何信息和属性信息是分开进行编码的。如图1所示，目前G-PCC的属性编码可分为基于上采样预测的区域自适应变换和基于层级结构划分的提升变换，其中当基于层级结构划分的提升变换不做更新操作时，称做基于层级结构划分的预测变换。不论使用哪种编码方式，对最终得到的变换系数或者预测残差都要采用算数编码来进行熵编码。

基于上采样预测的区域自适应变换包括：首先，构建变换树结构。从最底层开始，自底向上构建八叉树结构，在构建变换树的过程中，需要为合并后的节点生成对应的莫顿码信息、属性信息以及权重信息。然后，自顶向下从根节点开始逐层进行上采样预测和区域自适应变换(Region Adaptive Harr Transform，RAHT)。若当前节点为根节点，则不进行上采样预测，直接对节点的属性信息进行RAHT变换，然后对变换得到的直流系数和交流系数进行量化和熵编码。若不为根节点，则根据祖父节点和父节点的个数判断是否对当前节点进行预测。若需要进行预测，对当前待编码节点，为它的子节点分别选择当前待编码子节点的父节点、与当前待编码子节点共面共线的邻居父节点和与当前待编码子节点共面共线的邻居子节点进行加权预测得到当前待编码子节点的属性预测值，然后对当前待编码节点的属性预测值和原始属性值分别进行RAHT变换，计算得到的AC系数残差，将AC系数的残差进行量化和熵编码。若不需要进行预测，则直接对当前待编码节点的原始属性值进行RAHT变换，将得到的AC系数进行量化和熵编码，最终得到属性码流

基于层级结构划分的提升变换包括：首先，通过细节层次划分(Level of Detail，LoD)对待编码点云进行层次划分，建立点云的层级结构。在这个过程中，底层级的点先进行编解码，因此可以利用底层级的点和同一层级已重建的点对高层级的点进行预测，从而实现渐进式编解码。然后，将底层级和同一层级的点作为参考点，待编码点在参考点内进行搜索，选择最近的K个参考点作为预测参考点，利用这K个最近邻居的重建属性值进行线性插值预测，权重为最近邻点与待编码点的欧式距离的倒数。最后进行提升变换，它包含了分割、预测和更新三部分。分割环节将输入的点云数据进行空间分割，分割成高层次点云和低层次点云两部分。在预测环节中，利用低层次点云的属性信息对高层次点云的属性信息进行预测，得到预测残差。在分割和预测的过程中，由于LoD划分中的预测策略使得较低层LoD层中的点权重更高，因此需要基于预测残差、预测点与其邻居之间的距离来定义和递归更新每个点的影响权重，对残差继续编码最终得到属性信息的码流。

基于层级结构划分的预测变换包括：与上述基于层级结构的提升变换相比，只包含分割和预测两部分，不包括更新。为了进一步提高点云属性预测的效率，在预测变换中还引入了率失真优化技术。率失真优化是通过预测集中的预测器的属性值，得到单个预测器预测值和加权预测值等不同的预测值，对应不同的预测模式，最后通过率失真的方法来进行预测模式的选择；本申请实施例基于预测变换提出。

2、率失真优化选择预测模式

目前G-PCC，为了进一步提高点云属性预测的效率，在预测变换中还引入了率失真优化技术。率失真优化是通过预测集中的预测器的属性值，得到单个预测器预测值和加权预测值等不同的预测值，对应不同的预测模式，最后通过率失真的方法来进行预测模式的选择。具体选择如图2所示。

首先判定当前待编码点的预测点集中邻居之间的最大变化maxdiff是否大于预设值aps_prediction_threshold：

若小于预设值，则采用singlepredmode，对预测点集中的点加权平均得到属性预测值。

若大于或等于预设值，则采用mutipredmode，通过率失真优化(Rate–distortionoptimization，RDO)选择以下四种模式中的一个：

Predmode0：找到的三个预测点进行加权平均；

Predmode1：用第一近邻做预测；

Predmode2：用第二近邻做预测；

Predmode3：用第三近邻做预测。

对于singlepred来说，只有加权平均一种预测模式，因此，predmodeindex默认为0，无需编码。

对于mutipred来说，有四种预测模式，因此需要编码predmodeindex。目前G-PCC对predmodeindex不是单独编码，而是与变换系数进行结合，最后只编码结合后的变换系数即可。

3、算数编码

目前G-PCC，在属性信息(反射率或颜色等)熵编码采用了零游程编码的方式。以反射率信息为例，当输入所有变换系数时，遍历所有的变换系数。首先判断反射率信息(变换系数)是否为0，若为0，则length值++；若不都为0，则对当前length值进行编码，然后对当前反射率值进行编码。下面分别介绍零游程编码和变换系数编码的具体方式：

a、零游程编码

首先，判断反射率是否0，若为0，则length++；若不为0，则编码游程值，再编码反射率的值。编码游程值length的具体过程如下：

(1)使用概率模型1：判断length值是否为0，若为0，则编码一位0，结束当前编码；若不为0，则编码一位1，继续进行以下判断；

(2)使用概率模型2：判断length值是否为1，若为1，则编码一位0，结束当前编码；若不为1，则编码一位1，继续进行以下判断；

(3)使用概率模型3：判断length值是否为2，若为2，则编码一位0，结束当前编码；若不为2，则编码一位1，继续进行以下判断；

(4)更新length值：length-＝3；

(5)对length值除以2，即prefix＝length/2；

(6)使用概率模型4：对prefix进行一元码编码，最多编码4个比特位：

判断prefix值是否为0，若为0，则编码一位0(使用概率模型4)，使用旁路编码算法编码length％2的余数；若不为0，则编码一位1，继续进行以下判断；

判断prefix值是否为1，若为1，则编码一位0(使用概率模型4)，使用旁路编码算法编码length％2的余数；若不为1，则编码一位1，继续进行以下判断；

判断prefix值是否为2，若为2，则编码一位0(使用概率模型4)，使用旁路编码算法编码length％2的余数；若不为2，则编码一位1，继续进行以下判断；

判断prefix值是否为3，若为3，则编码一位0(使用概率模型4)，使用旁路编码算法编码length％2的余数；若不为3，则编码一位1，结束本次编码；

(7)更新length值：length-＝8；

(8)使用概率模型5：使用二阶指数哥伦布编码length值。

b.变换系数编码

编码任意一个变换系数时，最多需要使用8个上下文来进行编码，具体的编码方法为：

(1)使用上下文1：编码当前变换系数value是否大于0，若为0，则结束当前编码，若不为0，则继续进行以下编码；

(2)使用上下文2：编码当前变换系数value是否大于1，若为1，则结束当前编码，若不为1，则继续进行以下编码；

(3)使用上下文3、4、5和上下文6、7、8：使用一阶指数哥伦布编码算法编码value-2的值，使用上下文3、4、5作为前缀码的上下文，使用上下文6、7、8作为后缀码的上下文；

(4)基于旁路编码方式编码变换系数value的符号位。

下面结合附图，通过一些实施例及其应用场景对本申请实施例提供的点云编码处理方法、点云解码处理方法及相关设备进行详细地说明。

参见图3，图3是本申请实施例提供的一种点云编码处理方法的流程图，可以应用于编码端，如图3所示，点云编码处理方法包括以下步骤：

步骤101、确定待编码点的属性信息的属性预测模式。

其中，待编码点的属性信息的属性预测模式可以为多个预测模式中的至少一个，或，待编码点的属性信息的属性预测模式可以包括第一类预测模式及第二类预测模式中的至少一项。

另外，可以基于待编码点对应的最大属性插值确定待编码点的属性信息的属性预测模式。所述确定待编码点的属性信息的属性预测模式可以包括：在待编码点对应的最大属性插值小于预设值的情况下，确定所述待编码点的属性信息的属性预测模式为第一类预测模式；在待编码点对应的最大属性插值大于或等于预设值的情况下，确定所述待编码点的属性信息的属性预测模式为第二类预测模式；或者，所述确定待编码点的属性信息的属性预测模式可以包括：基于率失真优化算法从k个预测模式中选择所述待编码点的属性信息的属性预测模式；或者，所述确定待编码点的属性信息的属性预测模式可以包括：在待编码点对应的最大属性插值大于或等于预设值的情况下，基于率失真优化算法从k个预测模式中选择所述待编码点的属性信息的属性预测模式；等等，本实施例对此不进行限定。

步骤102、基于所述属性预测模式获取所述待编码点的属性信息的属性预测残差。

其中，属性预测残差还可以描述为变换系数，或变换系数残差，或预测残差。属性预测残差可以为待编码点的属性预测值与待编码点的属性信息之间的差值。可以基于所述属性预测模式对所述待编码点进行预测处理，得到待编码点的属性预测值，并基于该待编码点的属性预测值获取待编码点的属性信息的属性预测残差。

一种实施方式中，在待编码点的属性信息的属性预测模式为第一类预测模式的情况下，可以对待编码点对应的属性插值加权平均得到属性预测值，并基于该待编码点的属性预测值获取待编码点的属性信息的属性预测残差；在待编码点的属性信息的属性预测模式为第二类预测模式的情况下，可以从k个预测模式中选择至少一个预测模式对待编码点进行预测处理，得到属性预测值，并基于该待编码点的属性预测值获取待编码点的属性信息的属性预测残差。另外，待编码点对应的属性插值可以为对待编码点的预测点集中的点的重建属性值进行线性插值预测得到的属性插值。

一种实施方式中，可以从k个预测模式中选择至少一个预测模式对待编码点进行预测处理，得到属性预测值，并基于该待编码点的属性预测值获取待编码点的属性信息的属性预测残差。

需要说明的是，所述从k个预测模式中选择至少一个预测模式对待编码点进行预测处理，可以包括，基于率失真优化算法从k个预测模式中选择至少一个预测模式对待编码点进行预测处理。

示例地，k的值可以为4，所述k个预测模式可以包括第一预测模式、第二预测模式、第三预测模式及第四预测模式，在第一预测模式下对待编码点的预测点集中选择的三个预测点进行加权平均，得到属性预测值，并基于该属性预测值获取待编码点的属性信息的属性预测残差，该选择的三个预测点可以是第一近邻点、第二近邻点和第三近邻点；在第二预测模式下采用第一近邻点进行预测得到属性预测值，并基于该属性预测值获取待编码点的属性信息的属性预测残差；在第三预测模式下采用第二近邻点进行预测得到属性预测值，并基于该属性预测值获取待编码点的属性信息的属性预测残差；在第四预测模式下采用第三近邻点进行预测得到属性预测值，并基于该属性预测值获取待编码点的属性信息的属性预测残差。第一近邻点可以是与待编码点最近的邻居点，第二近邻点可以是除第一近邻点外与待编码点最近的邻居点，第三近邻点可以是除第一近邻点和第二近邻点外与待编码点最近的邻居点。

步骤103、将属性预测模式信息作为上下文对所述属性预测残差进行熵编码，得到所述待编码点的编码结果，所述属性预测模式信息用于表征所述属性预测模式。

其中，所述将属性预测模式信息作为上下文对所述属性预测残差进行熵编码，可以包括，将属性预测模式信息作为基于上下文的自适应二进制算术编码(Context-basedAdaptive Binary Arithmetic Coding，CABAC)编码模型的上下文，基于CABAC编码模型对所述属性预测残差进行编码。

一种实施方式中，基于CABAC编码模型对所述属性预测残差进行编码，可以是，基于CABAC编码模型对所述属性预测残差进行零游程编码。

另外，属性预测模式信息可以包括数字、字母或文字等信息，本实施例对属性预测模式信息的信息形式不进行限定，凡是可以用于表征属性预测模式的信息均可以作为属性预测模式信息。

另外，所述将属性预测模式信息作为上下文对所述属性预测残差进行熵编码，可以包括：将属性预测模式信息作为上下文对第一标识进行编码，得到第一编码结果，所述第一标识用于表征所述属性预测残差是否为第一预设值；或，将所述属性预测模式信息作为上下文对第二标识进行编码，得到第二编码结果，所述第二标识用于表征所述属性预测残差是否为第二预设值。所述将属性预测模式信息作为上下文对所述属性预测残差进行熵编码，还可以包括：对所述属性预测残差对应的待编码值进行编码，得到第三编码结果。其中，所述待编码点的编码结果可以包括所述第一编码结果、所述第二编码结果及所述第三编码结果中的至少一项。第一预设值可以为0，或者1，或者2等等，本实施例对第一预设值不进行限定；第二预设值可以为0，或者1，或者2等等，本实施例对第二预设值不进行限定。

一种实施方式中，所述将属性预测模式信息作为上下文对所述属性预测残差进行熵编码，可以包括：将属性预测模式信息作为上下文对第一标识进行编码，得到第一编码结果，所述第一标识用于表征所述属性预测残差是否为第一预设值；在所述属性预测残差不为第一预设值的情况下，对所述属性预测残差对应的待编码值进行编码，得到第三编码结果。其中，所述待编码点的编码结果可以包括所述第一编码结果及所述第三编码结果中的至少一项。该第一预设值可以为0，或者1，或者2等等，本实施例对第一预设值不进行限定。

相关技术中的点云G-PCC编码器框架中，在对变换系数进行编码时，没有利用属性预测模式信息与变换系数之间的相关性进行编码，因此在对变换系数的上下文建模上，仍有改进空间。

在本申请实施例中，确定待编码点的属性信息的属性预测模式；基于所述属性预测模式获取所述待编码点的属性信息的属性预测残差；将属性预测模式信息作为上下文对所述属性预测残差进行熵编码，得到所述待编码点的编码结果，所述属性预测模式信息用于表征所述属性预测模式。这样，由于属性预测残差通过属性预测模式获取，属性预测残差与属性预测模式之间存在一定相关性，在对属性预测残差进行熵编码时将属性预测模式信息作为上下文，利用属性预测模式信息与属性预测残差的相关性对属性预测残差进行熵编码，能够提高编码效率。

可选地，所述将属性预测模式信息作为上下文对所述属性预测残差进行熵编码，包括：

将属性预测模式信息作为上下文对第一标识进行编码，得到第一编码结果，所述第一标识用于表征所述属性预测残差对应的待编码值是否为0；

在所述属性预测残差对应的待编码值不为0的情况下，将所述属性预测模式信息作为上下文对第二标识进行编码，得到第二编码结果，所述第二标识用于表征所述属性预测残差对应的待编码值是否为1；

在所述属性预测残差对应的待编码值不为0且不为1的情况下，对所述属性预测残差对应的待编码值进行编码，得到第三编码结果；

其中，所述待编码点的编码结果包括所述第一编码结果、所述第二编码结果及所述第三编码结果中的至少一项。

其中，所述属性预测残差对应的待编码值可以为属性预测残差；或者，所述属性预测残差对应的待编码值可以为属性预测残差与第三预设值的差值，示例地，该第三预设值可以为1。

一种实施方式中，第一标识可以为标志位，在所述属性预测残差对应的待编码值为0时，该第一标识为1；在所述属性预测残差对应的待编码值不为0时，该第一标识为0。

一种实施方式中，第二标识可以为标志位，在所述属性预测残差对应的待编码值为1时，该第二标识为1；在所述属性预测残差对应的待编码值不为1时，该第二标识为0。

另外，所述将属性预测模式信息作为上下文对第一标识进行编码，可以包括：基于第一上下文或第二上下文对第一标识进行编码，所述第一上下文为编码所述第一类预测模式下的第一标识的上下文，所述第二上下文为编码所述第二类预测模式下的第一标识的上下文；或者可以包括：基于k个上下文对第一标识进行编码，所述k个上下文分别用于指示k个预测模式。

另外，所述将所述属性预测模式信息作为上下文对第二标识进行编码，可以包括：基于第三上下文或第四上下文对第二标识进行编码，所述第三上下文为编码所述第一类预测模式下的第二标识的上下文，所述第四上下文为编码所述第二类预测模式下的第二标识的上下文；或者可以包括：基于k个上下文对第二标识进行编码，所述k个上下文分别用于指示k个预测模式。

该实施方式中，在编码用于表征所述属性预测残差对应的待编码值是否为0的第一标识，及在编码用于表征所述属性预测残差对应的待编码值是否为1的第二标识时，将属性预测模式信息作为上下文进行编码，由于属性预测残差通过属性预测模式获取，属性预测残差与属性预测模式之间存在一定相关性，从而第一标识和第二标识的值与属性预测模式之间存在一定相关性，在对第一标识和第二标识进行编码时将属性预测模式信息作为上下文，利用第一标识和第二标识与属性预测模式信息的相关性对第一标识和第二标识进行编码，能够提高编码效率。

可选地，所述将属性预测模式信息作为上下文对第一标识进行编码之前，所述方法还包括：

在所述属性预测残差为0的情况下，更新目标参数，更新后的目标参数为更新前的目标参数加1；

所述将属性预测模式信息作为上下文对第一标识进行编码，包括：

在所述属性预测残差不为0的情况下，对目标参数进行编码，并将属性预测模式信息作为上下文对第一标识进行编码；

其中，所述目标参数用于指示属性预测残差为零的待编码点的连续统计值。

其中，所述属性预测残差对应的待编码值可以为属性预测残差与第三预设值的差值。

另外，目标参数可以是零游程编码的游程值。可以遍历待编码点的属性预测残差，统计连续属性预测残差为0的待编码点的个数作为目标参数，在待编码点的属性预测残差为0的情况下，更新目标参数，将目标参数加1。

该实施方式中，在所述属性预测残差为0的情况下，更新目标参数，更新后的目标参数为更新前的目标参数加1；在所述属性预测残差不为0的情况下，对目标参数进行编码，并将属性预测模式信息作为上下文对第一标识进行编码；其中，所述目标参数用于指示属性预测残差为零的待编码点的连续统计值。这样，能够实现将属性预测模式信息作为上下文对属性预测残差进行零游程编码，能够提高零游程编码的编码效率。

可选地，所述属性预测模式包括第一类预测模式或第二类预测模式，所述将属性预测模式信息作为上下文对第一标识进行编码，包括：

基于第一上下文或第二上下文对第一标识进行编码，所述第一上下文为编码所述第一类预测模式下的第一标识的上下文，所述第二上下文为编码所述第二类预测模式下的第一标识的上下文；

或

所述将所述属性预测模式信息作为上下文对第二标识进行编码，包括：

基于第三上下文或第四上下文对第二标识进行编码，所述第三上下文为编码所述第一类预测模式下的第二标识的上下文，所述第四上下文为编码所述第二类预测模式下的第二标识的上下文。

该实施方式中，基于第一上下文或第二上下文对第一标识进行编码，所述第一上下文为编码所述第一类预测模式下的第一标识的上下文，所述第二上下文为编码所述第二类预测模式下的第一标识的上下文，从而能够将不同类别的预测模式信息作为上下文对第一标识进行编码，利用预测类别与第一标识的相关性对第一标识进行编码，能够提高编码效率；或，基于第三上下文或第四上下文对第二标识进行编码，所述第三上下文为编码所述第一类预测模式下的第二标识的上下文，所述第四上下文为编码所述第二类预测模式下的第二标识的上下文，从而能够将不同类别的预测模式信息作为上下文对第二标识进行编码，利用预测类别与第二标识的相关性对第二标识进行编码，能够提高编码效率。

可选地，所述确定待编码点的属性信息的属性预测模式，包括：

在待编码点对应的最大属性插值小于预设值的情况下，确定所述待编码点的属性信息的属性预测模式为第一类预测模式；或

在待编码点对应的最大属性插值大于或等于预设值的情况下，确定所述待编码点的属性信息的属性预测模式为第二类预测模式。

其中，待编码点对应的最大属性插值可以是待编码点对应的属性插值的最大值。待编码点对应的属性插值可以为对待编码点的预测点集中的点的重建属性值进行线性插值预测得到的属性插值。待编码点对应的最大属性插值可以表征邻居之间的最大变化。待编码点对应的最大属性插值小于预设值，可以认为待编码点对应的属性插值中任意两个属性插值小于预设值。

该实施方式中，在待编码点对应的最大属性插值小于预设值的情况下，确定所述待编码点的属性信息的属性预测模式为第一类预测模式；或在待编码点对应的最大属性插值大于或等于预设值的情况下，确定所述待编码点的属性信息的属性预测模式为第二类预测模式。从而能够实现待编码点的属性信息的属性预测模式的确定，进而通过确定的属性预测模式获取所述待编码点的属性信息的属性预测残差。

可选地，所述属性预测模式包括k个预测模式，k为正整数，所述将属性预测模式信息作为上下文对第一标识进行编码，包括：

基于k个上下文对第一标识进行编码；

或

所述将所述属性预测模式信息作为上下文对第二标识进行编码，包括：

基于k个上下文对第二标识进行编码；

其中，所述k个上下文分别用于指示所述k个预测模式。

其中，以k为4为例，基于k个上下文对第一标识进行编码，可以是，基于上下文1、上下文2、上下文3及上下文4对第一标识进行编码，上下文1、上下文2、上下文3及上下文4可以分别用于指示四个预测模式。基于k个上下文对第二标识进行编码，可以是，基于上下文5、上下文6、上下文7及上下文8对第二标识进行编码，上下文5、上下文6、上下文7及上下文8可以分别用于指示四个预测模式。该四个预测模式可以为第一预测模式、第二预测模式、第三预测模式及第四预测模式。

该实施方式中，基于k个上下文对第一标识进行编码；基于k个上下文对第二标识进行编码；其中，所述k个上下文分别用于指示所述k个预测模式。从而能够通过与k个预测模式一一对应的k个上下文对第一标识及第二标识进行编码，能够提高编码效率。

可选地，所述确定待编码点的属性信息的属性预测模式，包括：

在待编码点对应的最大属性插值大于或等于预设值的情况下，基于率失真优化算法从所述k个预测模式中选择所述待编码点的属性信息的属性预测模式。

其中，待编码点对应的最大属性插值可以是待编码点对应的属性插值的最大值。待编码点对应的属性插值可以为对待编码点的预测点集中的点的重建属性值进行线性插值预测得到的属性插值。

该实施方式中，在待编码点对应的最大属性插值大于或等于预设值的情况下，基于率失真优化算法从所述k个预测模式中选择所述待编码点的属性信息的属性预测模式，从而能够实现待编码点的属性信息的属性预测模式的确定，进而通过确定的属性预测模式获取所述待编码点的属性信息的属性预测残差。

参见图4，图4是本申请实施例提供的一种点云解码处理方法的流程图，可以应用于解码端，如图4所示，点云解码处理方法包括以下步骤：

步骤201、确定待解码点的属性信息的属性预测模式；

步骤202、将属性预测模式信息作为上下文对待解码点的属性信息的属性预测残差进行熵解码，得到所述待解码点的解码结果，所述属性预测模式信息用于表征所述属性预测模式。

可选地，所述将属性预测模式信息作为上下文对待解码点的属性信息的属性预测残差进行熵解码，包括：

将属性预测模式信息作为上下文对第一标识进行解码，所述第一标识用于表征所述待解码点的属性信息的属性预测残差对应的待解码值是否为0；

在所述第一标识指示所述属性预测残差对应的待解码值不为0的情况下，将所述属性预测模式信息作为上下文对第二标识进行解码，所述第二标识用于表征所述属性预测残差对应的待解码值是否为1；

在所述第二标识指示所述属性预测残差对应的待解码值不为1的情况下，对所述属性预测残差对应的待解码值进行解码。

可选地，所述将属性预测模式信息作为上下文对第一标识进行解码之前，所述方法还包括：

对目标参数进行解码，所述目标参数用于指示属性预测残差为零的待解码点的连续统计值；

所述将属性预测模式信息作为上下文对第一标识进行解码，包括:

在所述目标参数为0的情况下，将属性预测模式信息作为上下文对第一标识进行解码。

可选地，所述属性预测模式包括第一类预测模式或第二类预测模式，所述将属性预测模式信息作为上下文对第一标识进行解码，包括：

基于第一上下文或第二上下文对第一标识进行解码，所述第一上下文为解码所述第一类预测模式下的第一标识的上下文，所述第二上下文为解码所述第二类预测模式下的第一标识的上下文；

或

所述将所述属性预测模式信息作为上下文对第二标识进行解码，包括：

基于第三上下文或第四上下文对第二标识进行解码，所述第三上下文为解码所述第一类预测模式下的第二标识的上下文，所述第四上下文为解码所述第二类预测模式下的第二标识的上下文。

可选地，所述确定待解码点的属性信息的属性预测模式，包括：

在待解码点对应的最大属性插值小于预设值的情况下，确定所述待解码点的属性信息的属性预测模式为第一类预测模式；或

在待解码点对应的最大属性插值大于或等于预设值的情况下，确定所述待解码点的属性信息的属性预测模式为第二类预测模式。

可选地，所述属性预测模式包括k个预测模式，k为正整数，所述将属性预测模式信息作为上下文对第一标识进行解码，包括：

基于k个上下文对第一标识进行解码；

或

所述将所述属性预测模式信息作为上下文对第二标识进行解码，包括：

基于k个上下文对第二标识进行解码；

其中，所述k个上下文分别用于指示所述k个预测模式。

可选地，所述确定待解码点的属性信息的属性预测模式，包括：

在待解码点对应的最大属性插值大于或等于预设值的情况下，基于率失真优化算法从所述k个预测模式中选择所述待解码点的属性信息的属性预测模式。

需要说明的是，本实施例作为与图3所示的实施例中对应的解码侧的实施方式，其具体的实施方式可以参见图3所示的实施例的相关说明，为了避免重复说明，本实施例不再赘述，且还可以达到相同有益效果。

以下通过两个具体的实施例对本申请实施例的点云编码处理方法和点云解码处理方法进行说明：

实施例1：

编码端：

步骤(11)：分割点云。

通过细节层次划分(LoD)对待编码点云进行层次划分，建立点云的层级结构。

步骤(12)：构建预测点集。

先对层级结构中底层级的点进行编码，将底层级和同一层级的点作为参考点，对待编码点在参考点内进行搜索，选择最近的K个参考点作为预测参考点，利用这K个最近邻居的重建属性值进行线性插值预测，进行线性插值的权重为最近邻点与待编码点的欧式距离的倒数。利用率失真优化算法选择出最佳的预测模式。具体过程如下：

首先判定待编码点对应的最大属性插值是否大于预设值：

若待编码点对应的最大属性插值小于预设值，则采用模式singlepredmode(即第一类预测模式)，对预测点集中的点加权平均得到属性预测值；

若待编码点对应的最大属性插值大于或等于预设值，则采用模式mutipredmode(即第二类预测模式)，通过RDO选择以下四种模式中的一个：

Predmode0(即第一预测模式)：对找到的三个预测点进行加权平均；

Predmode1(即第二预测模式)：用第一近邻做预测；

Predmode2(即第三预测模式)：用第二近邻做预测；

Predmode3(即第四预测模式)：用第三近邻做预测。

对于singlepredmode来说，只有加权平均一种预测模式，因此，predmodeindex默认为0，无需编码。

对于mutipredmode来说，有四种预测模式，因此需要编码predmodeindex。目前G-PCC对predmodeindex不是单独编码，而是按照固定规则与变换系数进行结合，最后只编码结合后的变换系数即可。

步骤(13)：差分预测。

将预测点与当前点(即待编码点)做差分预测，得到当前点的预测残差(也称变换系数或变换系数残差)。

步骤(14)：对预测残差(即属性预测残差)进行熵编码。

遍历所有的预测残差，首先判断当前预测残差是否为0，若为0，则对游程值length(即目标参数)加1；若不为0，则对当前length值进行编码，然后对当前预测残差进行编码。对当前预测残差进行编码的过程如下：

利用属性预测模式信息作为上下文编码预测残差，设计以下熵编码算法对预测残差进行熵编码，具体过程如下：

确定当前待编码点的属性预测模式为singlepredmode或mutipredmode，将此信息作为两个上下文编码预测残差。

1)使用上下文1及上下文2(表征模式singlepredmode或mutipredmode)进行编码：编码当前预测残差value是否大于0，若为0，则结束当前编码；若不为0，则继续进行以下编码；

2)使用上下文3及上下文4(表征模式singlepredmode或mutipredmode)进行编码：编码当前预测残差value是否大于1，若为1，则结束当前编码；若不为1，则继续进行以下编码；

3)使用上下文5、上下文6、上下文7和上下文8、上下文9、上下文10进行编码：基于一阶指数哥伦布编码算法编码value-2的值，在编码过程中使用上下文5、上下文6、上下文7作为前缀码的上下文，使用上下文8、上下文9、上下文10作为后缀码的上下文；

4)采用旁路编码算法编码预测残差value的符号位。

解码端：

步骤(21)：分割点云。

通过细节层次划分(LoD)对待编码点云进行层次划分，建立点云的层级结构。

步骤(22)：构建预测点集。

先对层级结构中底层级的点进行解码，将底层级和同一层级的点作为参考点，对待解码点在参考点内进行搜索，选择最近的K个参考点作为预测参考点，利用这K个最近邻居的重建属性值进行线性插值预测，进行线性插值的权重为最近邻点与待解码点的欧式距离的倒数。利用率失真优化算法选择出最佳的预测模式。具体过程如下：

首先判定待解码点对应的最大属性插值是否大于预设值：

若待解码点对应的最大属性插值小于预设值，则采用模式singlepredmode，对预测点集中的点加权平均得到属性预测值；

若待解码点对应的最大属性插值大于或等于预设值，则采用模式mutipredmode，通过RDO选择以下四种模式中的一个：

Predmode0：对找到的三个预测点进行加权平均；

Predmode1：用第一近邻做预测；

Predmode2：用第二近邻做预测；

Predmode3：用第三近邻做预测。

步骤(23)：对预测残差进行熵解码。

依次对预测残差进行解码，首先解码当前预测残差的游程值length，若不为0，则当前预测残差为0；若为0，则对当前预测残差进行解码，对预测残差解码的过程如下：

确定当前待解码点的属性预测模式为singlepredmode或mutipredmode，将此信息作为两个上下文解码预测残差。

1)使用上下文1及上下文2(表征模式singlepredmode或mutipredmode)进行解码：解码当前预测残差value是否大于0，若为0，则结束当前解码；若不为0，则继续进行以下解码；

2)使用上下文3及上下文4(表征模式singlepredmode或mutipredmode)进行解码：解码当前预测残差value是否大于1，若为1，则结束当前解码；若不为1，则继续进行以下解码；

3)使用上下文5、上下文6、上下文7和上下文8、上下文9、上下文10进行解码：基于一阶指数哥伦布解码算法解码value-2的值，在解码过程中使用上下文5、上下文6、上下文7作为前缀码的上下文，使用上下文8、上下文9、上下文10作为后缀码的上下文；

4)采用旁路解码算法解码预测残差value的符号位。

步骤(24)：遍历每一个点的预测残差，若当前点对应的是模式mutipredmode，则需从预测残差中按照固定规则分离出真正的预测残差，然后逐点将预测残差和其对应的预测点进行差分，重建出每一个点的属性信息，从而完成整个点云属性信息的解码重建。

如图5所示，通过本申请实施例的点云编码处理方法和点云解码处理方法进行编解码，可以降低码率，提高编码效率。图5中，第一竖列表征按照点云稠密程度分级的多类点云，例如：Solid average、Dense average、Sparse average等等。Overall average表示上述多类点云的平均值。Avg.Enc Time表示编码时间，Avg.Dec Time表示解码时间。Geometry为几何分量。颜色(Colour)及反射率(Reflectance)为属性分量。CW_ai和CY_ai为点云编码测试条件，CW_ai表示几何无损，属性无损(Lossless geometry,Lossless attributes[allintra])条件；C2_ai表示几何无损，属性接近无损(Lossless geometry,near-Losslessattributes[all intra])条件。Bpip ratio代表码率，Bpip ratio参数小于100％，则代表采用本实施例对点云进行编码的码率控制效果比采用现有技术进行编码的码率控制效果更好。EtE Hausdorff BD-AttrRate代表点云属性质量失真评估参数，EtE Hausdorff BD-AttrRate参数为负值，则代表采用本实施例对点云进行编码的点云综合质量比采用现有技术进行编码的点云综合质量更高。由图5可知，采用本实施例对点云进行编码的点云综合质量比采用现有技术进行编码的点云综合质量更高。

本申请实施例一方面利用属性预测模式信息和属性预测残差之间的相关性，编码属性预测残差；另外，利用属性预测模式信息作为上下文编码属性预测残差，可以降低码率，提高编码效率。

实施例2：

编码端：

利用属性预测模式信息作为上下文编码预测残差，设计以下熵编码算法对预测残差进行熵编码，具体的过程如下：

确定当前待编码点的属性预测模式，属性预测模式为如下四种模式中的一种：

Predmode0：对找到的三个预测点进行加权平均；

Predmode1：用第一近邻做预测；

Predmode2：用第二近邻做预测；

Predmode3：用第三近邻做预测。

将属性预测模式信息作为4个上下文编码预测残差。

1)使用上下文1，上下文2，上下文3及上下文4(表征模式Predmode0或Predmode1或Predmode2或Predmode3)进行编码：编码当前预测残差value是否大于0，若为0，则结束当前编码，若不为0，则继续进行以下编码；

2)使用上下文5，上下文6，上下文7及上下文8(表征模式Predmode0或Predmode1或Predmode2或Predmode3)进行编码：编码当前预测残差value是否大于1，若为1，则结束当前编码，若不为1，则继续进行以下编码；

3)使用上下文9，上下文10，上下文11和上下文12，上下文13，上下文14进行编码：基于一阶指数哥伦布编码算法编码value-2的值，使用上下文9，上下文10，上下文11作为前缀码的上下文，使用上下文12，上下文13，上下文14作为后缀码的上下文；

4)采用旁路编码算法编码预测残差value的符号位。

解码端：

利用属性预测模式信息作为上下文解码预测残差，对预测残差进行熵解码的过程如下：

确定当前待解码点的属性预测模式，属性预测模式为如下四种模式中的一种：

Predmode0：对找到的三个预测点进行加权平均；

Predmode1：用第一近邻做预测；

Predmode2：用第二近邻做预测；

Predmode3：用第三近邻做预测。

将属性预测模式信息作为4个上下文解码预测残差。

1)使用上下文1，上下文2，上下文3及上下文4(表征模式Predmode0或Predmode1或Predmode2或Predmode3)进行解码：解码当前预测残差value是否大于0，若为0，则结束当前解码；若不为0，则继续进行以下解码；

2)使用上下文5，上下文6，上下文7及上下文8(表征模式Predmode0或Predmode1或Predmode2或Predmode3)进行解码：解码当前预测残差value是否大于1，若为1，则结束当前解码；若不为1，则继续进行以下解码；

3)使用上下文9，上下文10，上下文11和上下文12，上下文13，上下文14进行编码：使用一阶指数哥伦布解码算法解码value-2的值，使用上下文9，上下文10，上下文11作为前缀码的上下文，使用上下文12，上下文13，上下文14作为后缀码的上下文；

4)旁路编码解码预测残差value的符号位。

需要说明的是，本申请实施例提供的点云编码处理方法，执行主体可以为点云编码处理装置，或者，该点云编码处理装置中的用于执行点云编码处理的方法的控制模块。本申请实施例中以点云编码处理装置执行点云编码处理的方法为例，说明本申请实施例提供的点云编码处理装置。

请参见图6，图6是本申请实施例提供的一种点云编码处理装置的结构图，如图6所示，点云编码处理装置300包括：

确定模块301，用于确定待编码点的属性信息的属性预测模式；

获取模块302，用于基于所述属性预测模式获取所述待编码点的属性信息的属性预测残差；

编码模块303，用于将属性预测模式信息作为上下文对所述属性预测残差进行熵编码，得到所述待编码点的编码结果，所述属性预测模式信息用于表征所述属性预测模式。

可选地，所述编码模块包括：

第一编码单元，用于将属性预测模式信息作为上下文对第一标识进行编码，得到第一编码结果，所述第一标识用于表征所述属性预测残差对应的待编码值是否为0；

第二编码单元，用于在所述属性预测残差对应的待编码值不为0的情况下，将所述属性预测模式信息作为上下文对第二标识进行编码，得到第二编码结果，所述第二标识用于表征所述属性预测残差对应的待编码值是否为1；

第三编码单元，用于在所述属性预测残差对应的待编码值不为0且不为1的情况下，对所述属性预测残差对应的待编码值进行编码，得到第三编码结果；

其中，所述待编码点的编码结果包括所述第一编码结果、所述第二编码结果及所述第三编码结果中的至少一项。

可选地，所述装置还包括：

更新模块，用于在所述属性预测残差为0的情况下，更新目标参数，更新后的目标参数为更新前的目标参数加1；

所述第一编码单元具体用于：

在所述属性预测残差不为0的情况下，对目标参数进行编码，并将属性预测模式信息作为上下文对第一标识进行编码；

其中，所述目标参数用于指示属性预测残差为零的待编码点的连续统计值。

可选地，所述属性预测模式包括第一类预测模式或第二类预测模式，所述第一编码单元具体用于：

基于第一上下文或第二上下文对第一标识进行编码，所述第一上下文为编码所述第一类预测模式下的第一标识的上下文，所述第二上下文为编码所述第二类预测模式下的第一标识的上下文；

或

在所述属性预测残差对应的待编码值不为0的情况下，所述第二编码单元具体用于：

基于第三上下文或第四上下文对第二标识进行编码，所述第三上下文为编码所述第一类预测模式下的第二标识的上下文，所述第四上下文为编码所述第二类预测模式下的第二标识的上下文。

可选地，所述确定模块具体用于：

在待编码点对应的最大属性插值小于预设值的情况下，确定所述待编码点的属性信息的属性预测模式为第一类预测模式；或

在待编码点对应的最大属性插值大于或等于预设值的情况下，确定所述待编码点的属性信息的属性预测模式为第二类预测模式。

可选地，所述属性预测模式包括k个预测模式，k为正整数，所述第一编码单元具体用于：

基于k个上下文对第一标识进行编码；

或

在所述属性预测残差对应的待编码值不为0的情况下，所述第二编码单元具体用于：

基于k个上下文对第二标识进行编码；

其中，所述k个上下文分别用于指示所述k个预测模式。

可选地，所述确定模块具体用于：

在待编码点对应的最大属性插值大于或等于预设值的情况下，基于率失真优化算法从所述k个预测模式中选择所述待编码点的属性信息的属性预测模式。

本申请实施例中的点云编码处理装置可以是装置，具有操作系统的装置或电子设备，也可以是终端中的部件、集成电路、或芯片。该装置或电子设备可以是移动终端，也可以为非移动终端。示例性的，移动终端可以包括但不限于上述所列举的终端的类型，非移动终端可以为服务器、网络附属存储器(Network Attached Storage，NAS)、个人计算机(personal computer，PC)、电视机(television，TV)、柜员机或者自助机等，本申请实施例不作具体限定。

本申请实施例提供的点云编码处理装置能够实现图3的方法实施例实现的各个过程，并达到相同的技术效果，为避免重复，这里不再赘述。

需要说明的是，本申请实施例提供的点云解码处理方法，执行主体可以为点云解码处理装置，或者，该点云解码处理装置中的用于执行点云解码处理的方法的控制模块。本申请实施例中以点云解码处理装置执行点云解码处理的方法为例，说明本申请实施例提供的点云解码处理装置。

请参见图7，图7是本申请实施例提供的一种点云解码处理装置的结构图，如图7所示，点云解码处理装置400包括：

确定模块401，用于确定待解码点的属性信息的属性预测模式；

解码模块402，用于将属性预测模式信息作为上下文对待解码点的属性信息的属性预测残差进行熵解码，得到所述待解码点的解码结果，所述属性预测模式信息用于表征所述属性预测模式。

可选地，所述解码模块包括：

第一解码单元，用于将属性预测模式信息作为上下文对第一标识进行解码，所述第一标识用于表征所述待解码点的属性信息的属性预测残差对应的待解码值是否为0；

第二解码单元，用于在所述第一标识指示所述属性预测残差对应的待解码值不为0的情况下，将所述属性预测模式信息作为上下文对第二标识进行解码，所述第二标识用于表征所述属性预测残差对应的待解码值是否为1；

第三解码单元，用于在所述第二标识指示所述属性预测残差对应的待解码值不为1的情况下，对所述属性预测残差对应的待解码值进行解码。

可选地，所述解码模块还包括：

第四解码单元，用于对目标参数进行解码，所述目标参数用于指示属性预测残差为零的待解码点的连续统计值；

所述第一解码单元具体用于：

在所述目标参数为0的情况下，将属性预测模式信息作为上下文对第一标识进行解码。

可选地，所述属性预测模式包括第一类预测模式或第二类预测模式，所述第一解码单元具体用于：

基于第一上下文或第二上下文对第一标识进行解码，所述第一上下文为解码所述第一类预测模式下的第一标识的上下文，所述第二上下文为解码所述第二类预测模式下的第一标识的上下文；

或

在所述第一标识指示所述属性预测残差对应的待解码值不为0的情况下，所述第二解码单元具体用于：基于第三上下文或第四上下文对第二标识进行解码，所述第三上下文为解码所述第一类预测模式下的第二标识的上下文，所述第四上下文为解码所述第二类预测模式下的第二标识的上下文。

可选地，所述确定模块具体用于：

在待解码点对应的最大属性插值小于预设值的情况下，确定所述待解码点的属性信息的属性预测模式为第一类预测模式；或

在待解码点对应的最大属性插值大于或等于预设值的情况下，确定所述待解码点的属性信息的属性预测模式为第二类预测模式。

可选地，所述属性预测模式包括k个预测模式，k为正整数，所述第一解码单元具体用于：

基于k个上下文对第一标识进行解码；

或

在所述第一标识指示所述属性预测残差对应的待解码值不为0的情况下，所述第二解码单元具体用于：

基于k个上下文对第二标识进行解码；

其中，所述k个上下文分别用于指示所述k个预测模式。

可选地，所述确定模块具体用于：

在待解码点对应的最大属性插值大于或等于预设值的情况下，基于率失真优化算法从所述k个预测模式中选择所述待解码点的属性信息的属性预测模式。

本申请实施例中的点云解码处理装置可以是装置，具有操作系统的装置或电子设备，也可以是终端中的部件、集成电路、或芯片。该装置或电子设备可以是移动终端，也可以为非移动终端。示例性的，移动终端可以包括但不限于上述所列举的终端的类型，非移动终端可以为服务器、网络附属存储器(Network Attached Storage，NAS)、个人计算机(personal computer，PC)、电视机(television，TV)、柜员机或者自助机等，本申请实施例不作具体限定。

本申请实施例提供的点云解码处理装置能够实现图4的方法实施例实现的各个过程，并达到相同的技术效果，为避免重复，这里不再赘述。

可选地，如图8所示，本申请实施例还提供一种通信设备500，包括处理器501和存储器502，存储器502上存储有可在所述处理器501上运行的程序或指令，例如，该通信设备500为编码端设备时，该程序或指令被处理器501执行时实现上述点云编码处理方法实施例的各个步骤，且能达到相同的技术效果。该通信设备500为解码端设备时，该程序或指令被处理器501执行时实现上述点云解码处理方法实施例的各个步骤，且能达到相同的技术效果，为避免重复，这里不再赘述。

本申请实施例还提供一种终端，包括处理器及通信接口，所述处理器用于：确定待编码点的属性信息的属性预测模式；基于所述属性预测模式获取所述待编码点的属性信息的属性预测残差；将属性预测模式信息作为上下文对所述属性预测残差进行熵编码，得到所述待编码点的编码结果，所述属性预测模式信息用于表征所述属性预测模式。或者，所述处理器用于：确定待解码点的属性信息的属性预测模式；将属性预测模式信息作为上下文对待解码点的属性信息的属性预测残差进行熵解码，得到所述待解码点的解码结果，所述属性预测模式信息用于表征所述属性预测模式。

该终端实施例与上述点云编码处理方法或点云解码处理方法实施例对应，上述点云编码处理方法或点云解码处理方法实施例的各个实施过程和实现方式均可适用于该终端实施例中，且能达到相同的技术效果。具体地，图9为实现本申请实施例的一种终端的硬件结构示意图。

该终端600包括但不限于：射频单元601、网络模块602、音频输出单元603、输入单元604、传感器605、显示单元606、用户输入单元607、接口单元608、存储器609以及处理器610等中的至少部分部件。

本领域技术人员可以理解，终端600还可以包括给各个部件供电的电源(比如电池)，电源可以通过电源管理系统与处理器610逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。图9中示出的终端结构并不构成对终端的限定，终端可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置，在此不再赘述。

应理解的是，本申请实施例中，输入单元604可以包括图形处理单元(GraphicsProcessing Unit，GPU)6041和麦克风6042，图形处理器6041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。显示单元606可包括显示面板6061，可以采用液晶显示器、有机发光二极管等形式来配置显示面板6061。用户输入单元607包括触控面板6071以及其他输入设备6072中的至少一种。触控面板6 071，也称为触摸屏。触控面板6071可包括触摸检测装置和触摸控制器两个部分。其他输入设备6072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆，在此不再赘述。

本申请实施例中，射频单元601接收来自网络侧设备的下行数据后，可以传输给处理器610进行处理；另外，射频单元601可以向网络侧设备发送上行数据。通常，射频单元601包括但不限于天线、放大器、收发信机、耦合器、低噪声放大器、双工器等。

存储器609可用于存储软件程序或指令以及各种数据。存储器609可主要包括存储程序或指令的第一存储区和存储数据的第二存储区，其中，第一存储区可存储操作系统、至少一个功能所需的应用程序或指令(比如声音播放功能、图像播放功能等)等。此外，存储器609可以包括易失性存储器或非易失性存储器，或者，存储器609可以包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory，RAM)，静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器(Dynamic RAM，DRAM)、同步动态随机存取存储器(SynchronousDRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data Rate SDRAM，DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(Synch link DRAM，SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM，DRRAM)。本申请实施例中的存储器609包括但不限于这些和任意其它适合类型的存储器。

处理器610可包括一个或多个处理单元；可选的，处理器610集成应用处理器和调制解调处理器，其中，应用处理器主要处理涉及操作系统、用户界面和应用程序等的操作，调制解调处理器主要处理无线通信信号，如基带处理器。可以理解的是，上述调制解调处理器也可以不集成到处理器610中。

其中，在所述终端为编码端的情况下：

所述处理器610用于：

确定待编码点的属性信息的属性预测模式；

基于所述属性预测模式获取所述待编码点的属性信息的属性预测残差；

将属性预测模式信息作为上下文对所述属性预测残差进行熵编码，得到所述待编码点的编码结果，所述属性预测模式信息用于表征所述属性预测模式。

可选地，所述处理器610具体用于：

将属性预测模式信息作为上下文对第一标识进行编码，得到第一编码结果，所述第一标识用于表征所述属性预测残差对应的待编码值是否为0；

在所述属性预测残差对应的待编码值不为0的情况下，将所述属性预测模式信息作为上下文对第二标识进行编码，得到第二编码结果，所述第二标识用于表征所述属性预测残差对应的待编码值是否为1；

在所述属性预测残差对应的待编码值不为0且不为1的情况下，对所述属性预测残差对应的待编码值进行编码，得到第三编码结果；

其中，所述待编码点的编码结果包括所述第一编码结果、所述第二编码结果及所述第三编码结果中的至少一项。

可选地，所述处理器610还用于：

在所述属性预测残差为0的情况下，更新目标参数，更新后的目标参数为更新前的目标参数加1；

所述处理器610具体用于：

在所述属性预测残差不为0的情况下，对目标参数进行编码，并将属性预测模式信息作为上下文对第一标识进行编码；

其中，所述目标参数用于指示属性预测残差为零的待编码点的连续统计值。

可选地，所述属性预测模式包括第一类预测模式或第二类预测模式，所述处理器610具体用于：

基于第一上下文或第二上下文对第一标识进行编码，所述第一上下文为编码所述第一类预测模式下的第一标识的上下文，所述第二上下文为编码所述第二类预测模式下的第一标识的上下文；

或

所述处理器610具体用于：

基于第三上下文或第四上下文对第二标识进行编码，所述第三上下文为编码所述第一类预测模式下的第二标识的上下文，所述第四上下文为编码所述第二类预测模式下的第二标识的上下文。

可选地，所述处理器610具体用于：

在待编码点对应的最大属性插值小于预设值的情况下，确定所述待编码点的属性信息的属性预测模式为第一类预测模式；或

在待编码点对应的最大属性插值大于或等于预设值的情况下，确定所述待编码点的属性信息的属性预测模式为第二类预测模式。

可选地，所述属性预测模式包括k个预测模式，k为正整数，所述处理器610具体用于：

基于k个上下文对第一标识进行编码；

或

所述处理器610具体还用于：

基于k个上下文对第二标识进行编码；

其中，所述k个上下文分别用于指示所述k个预测模式。

可选地，所述处理器610具体用于：

在待编码点对应的最大属性插值大于或等于预设值的情况下，基于率失真优化算法从所述k个预测模式中选择所述待编码点的属性信息的属性预测模式。

其中，在所述终端为解码端的情况下：

所述处理器610用于：

确定待解码点的属性信息的属性预测模式；

将属性预测模式信息作为上下文对待解码点的属性信息的属性预测残差进行熵解码，得到所述待解码点的解码结果，所述属性预测模式信息用于表征所述属性预测模式。

可选地，所述处理器610具体用于：

将属性预测模式信息作为上下文对第一标识进行解码，所述第一标识用于表征所述待解码点的属性信息的属性预测残差对应的待解码值是否为0；

在所述第一标识指示所述属性预测残差对应的待解码值不为0的情况下，将所述属性预测模式信息作为上下文对第二标识进行解码，所述第二标识用于表征所述属性预测残差对应的待解码值是否为1；

在所述第二标识指示所述属性预测残差对应的待解码值不为1的情况下，对所述属性预测残差对应的待解码值进行解码。

可选地，所述处理器610还用于：

对目标参数进行解码，所述目标参数用于指示属性预测残差为零的待解码点的连续统计值；

所述处理器610具体用于：

在所述目标参数为0的情况下，将属性预测模式信息作为上下文对第一标识进行解码。

可选地，所述属性预测模式包括第一类预测模式或第二类预测模式，所述处理器610具体用于：

基于第一上下文或第二上下文对第一标识进行解码，所述第一上下文为解码所述第一类预测模式下的第一标识的上下文，所述第二上下文为解码所述第二类预测模式下的第一标识的上下文；

或

所述处理器610具体用于：

基于第三上下文或第四上下文对第二标识进行解码，所述第三上下文为解码所述第一类预测模式下的第二标识的上下文，所述第四上下文为解码所述第二类预测模式下的第二标识的上下文。

可选地，所述处理器610具体用于：

在待解码点对应的最大属性插值小于预设值的情况下，确定所述待解码点的属性信息的属性预测模式为第一类预测模式；或

在待解码点对应的最大属性插值大于或等于预设值的情况下，确定所述待解码点的属性信息的属性预测模式为第二类预测模式。

可选地，所述处理器610具体用于：

基于k个上下文对第一标识进行解码；

或

所述处理器610具体用于：

基于k个上下文对第二标识进行解码；

其中，所述k个上下文分别用于指示所述k个预测模式。

可选地，所述处理器610具体用于：

在待解码点对应的最大属性插值大于或等于预设值的情况下，基于率失真优化算法从所述k个预测模式中选择所述待解码点的属性信息的属性预测模式。

本申请实施例能够提高编码效率。

具体地，本申请实施例的终端还包括：存储在存储器609上并可在处理器610上运行的指令或程序，处理器610调用存储器609中的指令或程序执行图6或图7所示各模块执行的方法，并达到相同的技术效果，为避免重复，故不在此赘述。

本申请实施例还提供一种可读存储介质，所述可读存储介质上存储有程序或指令，该程序或指令被处理器执行时实现上述点云编码处理方法实施例的各个过程，或者，该程序或指令被处理器执行时实现上述点云解码处理方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

其中，所述处理器为上述实施例中所述的终端中的处理器。所述可读存储介质，包括计算机可读存储介质，如计算机只读存储器ROM、随机存取存储器RAM、磁碟或者光盘等。在一些示例中，可读存储介质可以是非瞬态的可读存储介质。

本申请实施例另提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现上述点云编码处理方法实施例的各个过程，或者，实现上述点云解码处理方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

应理解，本申请实施例提到的芯片还可以称为系统级芯片，系统芯片，芯片系统或片上系统芯片等。

本申请实施例另提供了一种计算机程序/程序产品，所述计算机程序/程序产品被存储在存储介质中，所述计算机程序/程序产品被至少一个处理器执行以实现上述点云编码处理方法或点云解码处理方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

本申请实施例还提供了一种编解码系统，包括：编码端设备及解码端设备，所述编码端设备可用于执行如上所述的点云编码处理方法的步骤，所述解码端设备可用于执行如上所述的点云解码处理方法的步骤。

需要说明的是，在本文中，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。此外，需要指出的是，本申请实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能，还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能，例如，可以按不同于所描述的次序来执行所描述的方法，并且还可以添加、省去或组合各种步骤。另外，参照某些示例所描述的特征可在其他示例中被组合。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助计算机软件产品加必需的通用硬件平台的方式来实现，当然也可以通过硬件。该计算机软件产品存储在存储介质(如ROM、RAM、磁碟、光盘等)中，包括若干指令，用以使得终端或者网络侧设备执行本申请各个实施例所述的方法。

上面结合附图对本申请的实施例进行了描述，但是本申请并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本申请的启示下，在不脱离本申请宗旨和权利要求所保护的范围情况下，还可做出很多形式的实施方式，这些实施方式均属于本申请的保护之内。

Claims (18)

1.一种点云编码处理方法，由编码端执行，其特征在于，包括：

确定待编码点的属性信息的属性预测模式；

基于所述属性预测模式获取所述待编码点的属性信息的属性预测残差；

将属性预测模式信息作为上下文对所述属性预测残差进行熵编码，得到所述待编码点的编码结果，所述属性预测模式信息用于表征所述属性预测模式。

2.根据权利要求1所述的方法，其特征在于，所述将属性预测模式信息作为上下文对所述属性预测残差进行熵编码，包括：

将属性预测模式信息作为上下文对第一标识进行编码，得到第一编码结果，所述第一标识用于表征所述属性预测残差对应的待编码值是否为0；

在所述属性预测残差对应的待编码值不为0的情况下，将所述属性预测模式信息作为上下文对第二标识进行编码，得到第二编码结果，所述第二标识用于表征所述属性预测残差对应的待编码值是否为1；

在所述属性预测残差对应的待编码值不为0且不为1的情况下，对所述属性预测残差对应的待编码值进行编码，得到第三编码结果；

其中，所述待编码点的编码结果包括所述第一编码结果、所述第二编码结果及所述第三编码结果中的至少一项。

3.根据权利要求2所述的方法，其特征在于，所述将属性预测模式信息作为上下文对第一标识进行编码之前，所述方法还包括：

在所述属性预测残差为0的情况下，更新目标参数，更新后的目标参数为更新前的目标参数加1；

所述将属性预测模式信息作为上下文对第一标识进行编码，包括：

在所述属性预测残差不为0的情况下，对目标参数进行编码，并将属性预测模式信息作为上下文对第一标识进行编码；

其中，所述目标参数用于指示属性预测残差为零的待编码点的连续统计值。

4.根据权利要求2所述的方法，其特征在于，所述属性预测模式包括第一类预测模式或第二类预测模式，所述将属性预测模式信息作为上下文对第一标识进行编码，包括：

基于第一上下文或第二上下文对第一标识进行编码，所述第一上下文为编码所述第一类预测模式下的第一标识的上下文，所述第二上下文为编码所述第二类预测模式下的第一标识的上下文；

或

所述将所述属性预测模式信息作为上下文对第二标识进行编码，包括：

基于第三上下文或第四上下文对第二标识进行编码，所述第三上下文为编码所述第一类预测模式下的第二标识的上下文，所述第四上下文为编码所述第二类预测模式下的第二标识的上下文。

5.根据权利要求4所述的方法，其特征在于，所述确定待编码点的属性信息的属性预测模式，包括：

在待编码点对应的最大属性插值小于预设值的情况下，确定所述待编码点的属性信息的属性预测模式为第一类预测模式；或

在待编码点对应的最大属性插值大于或等于预设值的情况下，确定所述待编码点的属性信息的属性预测模式为第二类预测模式。

6.根据权利要求2所述的方法，其特征在于，所述属性预测模式包括k个预测模式，k为正整数，所述将属性预测模式信息作为上下文对第一标识进行编码，包括：

基于k个上下文对第一标识进行编码；

或

所述将所述属性预测模式信息作为上下文对第二标识进行编码，包括：

基于k个上下文对第二标识进行编码；

其中，所述k个上下文分别用于指示所述k个预测模式。

7.根据权利要求6所述的方法，其特征在于，所述确定待编码点的属性信息的属性预测模式，包括：

在待编码点对应的最大属性插值大于或等于预设值的情况下，基于率失真优化算法从所述k个预测模式中选择所述待编码点的属性信息的属性预测模式。

8.一种点云解码处理方法，由解码端执行，其特征在于，包括：

确定待解码点的属性信息的属性预测模式；

将属性预测模式信息作为上下文对待解码点的属性信息的属性预测残差进行熵解码，得到所述待解码点的解码结果，所述属性预测模式信息用于表征所述属性预测模式。

9.根据权利要求8所述的方法，其特征在于，所述将属性预测模式信息作为上下文对待解码点的属性信息的属性预测残差进行熵解码，包括：

将属性预测模式信息作为上下文对第一标识进行解码，所述第一标识用于表征所述待解码点的属性信息的属性预测残差对应的待解码值是否为0；

在所述第一标识指示所述属性预测残差对应的待解码值不为0的情况下，将所述属性预测模式信息作为上下文对第二标识进行解码，所述第二标识用于表征所述属性预测残差对应的待解码值是否为1；

在所述第二标识指示所述属性预测残差对应的待解码值不为1的情况下，对所述属性预测残差对应的待解码值进行解码。

10.根据权利要求9所述的方法，其特征在于，所述将属性预测模式信息作为上下文对第一标识进行解码之前，所述方法还包括：

对目标参数进行解码，所述目标参数用于指示属性预测残差为零的待解码点的连续统计值；

所述将属性预测模式信息作为上下文对第一标识进行解码，包括:

在所述目标参数为0的情况下，将属性预测模式信息作为上下文对第一标识进行解码。

11.根据权利要求9所述的方法，其特征在于，所述属性预测模式包括第一类预测模式或第二类预测模式，所述将属性预测模式信息作为上下文对第一标识进行解码，包括：

基于第一上下文或第二上下文对第一标识进行解码，所述第一上下文为解码所述第一类预测模式下的第一标识的上下文，所述第二上下文为解码所述第二类预测模式下的第一标识的上下文；

或

所述将所述属性预测模式信息作为上下文对第二标识进行解码，包括：

基于第三上下文或第四上下文对第二标识进行解码，所述第三上下文为解码所述第一类预测模式下的第二标识的上下文，所述第四上下文为解码所述第二类预测模式下的第二标识的上下文。

12.根据权利要求11所述的方法，其特征在于，所述确定待解码点的属性信息的属性预测模式，包括：

在待解码点对应的最大属性插值小于预设值的情况下，确定所述待解码点的属性信息的属性预测模式为第一类预测模式；或

在待解码点对应的最大属性插值大于或等于预设值的情况下，确定所述待解码点的属性信息的属性预测模式为第二类预测模式。

13.根据权利要求9所述的方法，其特征在于，所述属性预测模式包括k个预测模式，k为正整数，所述将属性预测模式信息作为上下文对第一标识进行解码，包括：

基于k个上下文对第一标识进行解码；

或

所述将所述属性预测模式信息作为上下文对第二标识进行解码，包括：

基于k个上下文对第二标识进行解码；

其中，所述k个上下文分别用于指示所述k个预测模式。

14.根据权利要求13所述的方法，其特征在于，所述确定待解码点的属性信息的属性预测模式，包括：

在待解码点对应的最大属性插值大于或等于预设值的情况下，基于率失真优化算法从所述k个预测模式中选择所述待解码点的属性信息的属性预测模式。

15.一种点云编码处理装置，其特征在于，包括：

确定模块，用于确定待编码点的属性信息的属性预测模式；

获取模块，用于基于所述属性预测模式获取所述待编码点的属性信息的属性预测残差；

编码模块，用于将属性预测模式信息作为上下文对所述属性预测残差进行熵编码，得到所述待编码点的编码结果，所述属性预测模式信息用于表征所述属性预测模式。

16.一种点云解码处理装置，其特征在于，包括：

确定模块，用于确定待解码点的属性信息的属性预测模式；

解码模块，用于将属性预测模式信息作为上下文对待解码点的属性信息的属性预测残差进行熵解码，得到所述待解码点的解码结果，所述属性预测模式信息用于表征所述属性预测模式。

17.一种终端，其特征在于，包括处理器，存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如权利要求1至7任一项所述的点云编码处理方法的步骤；或者，所述程序或指令被所述处理器执行时实现如权利要求8至14任一项所述的点云解码处理方法的步骤。

18.一种可读存储介质，其特征在于，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如权利要求1至7任一项所述的点云编码处理方法的步骤，或者，所述程序或指令被处理器执行时实现如权利要求8至14任一项所述的点云解码处理方法的步骤。