تقليل حجم ملفات LAS/LAZ بكفاءة باستخدام Laspy: دليل خطوة بخطوة

فهم عملية اختزال بيانات LAS باستخدام Laspy

عند العمل مع ملفات LAS أو LAZ الكبيرة في Python، يعد الاختزال ضروريًا للمعالجة والتحليل الفعالين. لاسبي، وهي حزمة Python لقراءة بيانات LAS وكتابتها وتعديلها، توفر طرقًا عديدة لمعالجة البيانات السحابية النقطية، مثل إنشاء رؤوس LAS وتحريرها.

يوضح هذا المثال كيفية اختزال مجموعة بيانات عن طريق استخراج كل نقطة عاشرة من ملف لاز ملف وإعادة استخدام موجود لاسهيدر. يتطلب هذا فهمًا لكيفية تفاعل الرؤوس مع البيانات، خاصة عند العمل بأعداد نقاط مختلفة.

عند تأسيس جديد LasData كائن من رأس موجود، يواجه المستخدمون في كثير من الأحيان حجم صفيف غير متطابق. يحدث هذا التباين بسبب ملف header's point_count قد لا تتم محاذاتها تلقائيًا مع البيانات الجديدة.

ويتمثل التحدي في تقييم ما إذا كان مطلوبًا تعديل سمات الرأس يدويًا مثل الإزاحات والمقاييس وpoint_count، أو ما إذا كان هناك حل أكثر تلقائية. يشرح هذا المنشور كيفية تحديث هذه القيم بشكل صحيح عند استخدام الاختزال لاسبي، مما أدى إلى عملية فعالة.

تحسين عملية الاختزال لسحابة النقاط باستخدام Laspy

يركز البرنامج النصي الأول في هذا المنشور على الاختزال أ لاز وهو أمر ضروري لإدارة مجموعات البيانات السحابية ذات النقاط الكبيرة. عن طريق استيراد الملف الأصلي باستخدام لاسبي.قراءة () وظيفة، يمكننا الوصول إلى بيانات النقطة والرأس الذي يحتوي على البيانات الوصفية حول سحابة النقطة. تتضمن تقنية الاختزال انتقاء كل نقطة عاشرة، مما يقلل من حجم مجموعة البيانات مع الاحتفاظ بالخصائص الجغرافية المهمة. ويتم ذلك باستخدام np.arange() لبناء مجموعة من المؤشرات. بعد اختيار النقاط، انسخ الرأس من الملف الأصلي لضمان التوافق في البيانات الوصفية، مثل point_format والنسخة.

ومع ذلك، تحدث مشكلة شائعة عندما لا يتوافق عدد النقاط في الرأس الأصلي مع البيانات المختزلة. لإصلاح هذا، نستخدم ينسخ() وظيفة لإنشاء نسخة سطحية من الرأس الأصلي وتعديل الملف يدويًا point_count الحقل ليعكس عدد النقاط المختزلة. بعد إنشاء رأس جديد، يتم تخصيص النقاط المختزلة إلى رأس جديد LasData كائن يحتوي على إحداثيات x وy وz الحقيقية. وأخيرا، LasData يتم حفظه كملف LAZ جديد باستخدام الملف يكتب() طريقة. يعد هذا البرنامج النصي فعالاً للمستخدمين الذين يحتاجون إلى استخراج مجموعات بيانات أصغر من السحب النقطية الأكبر.

يقوم البرنامج النصي الثاني بتوسيع الأول عن طريق إعادة حساب الإزاحات والمقاييس تلقائيًا للبيانات المختزلة. عند العمل مع السحب النقطية، يعد الحصول على إزاحات دقيقة أمرًا بالغ الأهمية لأنها تشير إلى أصل البيانات في مساحة ثلاثية الأبعاد. ال header.offsets يتم تحديث السمة بالحد الأدنى من إحداثيات x وy وz من النقاط المختزلة. وبالمثل، يتم تعيين عوامل القياس التي تؤثر على دقة البيانات النقطية باستخدام header.scales يصف. لا يقلل هذا البرنامج النصي من حجم السحابة النقطية فحسب، بل يضمن أيضًا دقة البيانات ومواءمتها، مما يجعلها أكثر ملاءمة للاستخدام العملي.

وأخيرًا، يوضح النص النهائي اختبار الوحدة باستخدام لغة بايثون com.unittest نطاق. في هذا البرنامج النصي، تحدد حالة الاختبار ما إذا كان عدد النقاط المختزلة يتوافق مع القيمة المتوقعة. يعد هذا أمرًا بالغ الأهمية لضمان تنفيذ إجراء الاختزال بشكل متسق عبر السياقات ومجموعات البيانات. يتم تعريف حالة الاختبار باستخدام TestCase الطبقة، ويتم إجراء المقارنة باستخدام تأكيد الذات () طريقة. ومن خلال تضمين الاختبار في سير العمل، يمكننا التأكد من أن إجراء الاختزال يعمل بشكل صحيح قبل نشره في مشاريع أو خطوط أنابيب أكبر. يساعد هذا البرنامج النصي المستخدمين على تجنب المشكلات والتناقضات عند العمل مع عدة ملفات سحابية.

import laspy
import numpy as np
from copy import copy
# Load the existing LAZ file
las = laspy.read("input_file.laz")
# Downsample by taking every 10th point
indices = np.arange(0, len(las.points), 10)
downsampled_points = las.points[indices]
# Copy the header and adjust the point count
header = copy(las.header)
header.point_count = len(downsampled_points)
# Create new LasData with downsampled points
d_las = laspy.LasData(header)
d_las.points = downsampled_points
# Write to a new LAZ file
d_las.write("downsampled_output.laz")

import laspy
import numpy as np
# Load the original LAZ file
las = laspy.read("input_file.laz")
# Downsample by taking every 10th point
indices = np.arange(0, len(las.points), 10)
downsampled_points = las.points[indices]
# Create new header and adjust offsets/scales
header = laspy.LasHeader(point_format=las.header.point_format, version=las.header.version)
header.offsets = np.min([las.x[indices], las.y[indices], las.z[indices]], axis=1)
header.scales = np.array([0.01, 0.01, 0.01])  # Set new scales
# Create new LasData and write to file
downsampled_las = laspy.LasData(header)
downsampled_las.points = downsampled_points
downsampled_las.write("downsampled_with_scales.laz")

import unittest
import laspy
import numpy as np
class TestDownsampling(unittest.TestCase):
    def test_downsample_point_count(self):
        las = laspy.read("input_file.laz")
        indices = np.arange(0, len(las.points), 10)
        downsampled_points = las.points[indices]
        self.assertEqual(len(downsampled_points), len(indices))
if __name__ == "__main__":
    unittest.main()

التعامل مع البيانات الوصفية لملفات LAS وتقنيات الاختزال المتقدمة

عند العمل مع مجموعات البيانات الضخمة مع لاسبي، تعد إدارة البيانات الوصفية أمرًا بالغ الأهمية مثل إدارة البيانات السحابية الفعلية. الحفاظ على دقة لاسهيدر القيم بعد الاختزال يمثل صعوبة كبيرة. نظرًا لتغير إحداثيات بيانات السحابة النقطية (x وy وz)، يجب أن يعكس الرأس هذه التغييرات. إعادة الحساب تعويضات يتطلب إعادة حساب الحد الأدنى من القيم لكل بعد، في حين أن المقاييس تحديد دقة البيانات النقطية، خاصة للتخزين.

هناك عامل آخر يجب تقييمه وهو سلامة الأبعاد الإضافية في ملف LAS. تُستخدم البايتات الإضافية بشكل شائع للاحتفاظ بمعلومات بخلاف إحداثيات x وy وz العادية، مثل الكثافة أو وقت GPS. إذا كانت مجموعة البيانات تحتوي على هذه الأبعاد الإضافية، فيجب معالجتها عند الاختزال. يجب عليك التأكد من أن عدد النقاط في الأبعاد الإضافية يتوافق مع عدد النقاط المخفض في البيانات الأولية. ال add_extra_dim وظيفة في لاسبي يتيح إضافة أبعاد مخصصة إلى رأس LAS.

وأخيرًا، يعد تحسين السرعة عاملاً مهمًا يجب مراعاته عند تقليل حجم السحب النقطية. على الرغم من أن التعديلات البشرية على الرأس تكون مطلوبة عادةً، إلا أن أتمتة العملية من خلال الاستفادة من الفهرسة الفعالة وتطبيق عمليات المصفوفة عبر numpy يمكن تسريع العملية بشكل كبير. من خلال تسخير قوة numpy، يمكنك إدارة مجموعات البيانات الهائلة بسرعة دون التضحية بالأداء. يتيح لك ذلك توسيع الحلول لمشاريع أكبر أو حتى أتمتة خطوط الأنابيب لمعالجة ملفات LAZ المتعددة.