ল্যাস্পির সাথে এলএএস/এলএজেড ফাইলগুলি দক্ষতার সাথে ডাউনস্যাম্পলিং: একটি ধাপে ধাপে নির্দেশিকা

ল্যাস্পির সাথে LAS ডেটা ডাউনস্যাম্পিংয়ের প্রক্রিয়া বোঝা

পাইথনে বড় LAS বা LAZ ফাইলগুলির সাথে কাজ করার সময়, দক্ষ প্রক্রিয়াকরণ এবং বিশ্লেষণের জন্য ডাউনস্যাম্পলিং অপরিহার্য। লাস্পি, LAS ডেটা পড়া, লেখা এবং পরিবর্তন করার জন্য একটি পাইথন প্যাকেজ, পয়েন্ট ক্লাউড ডেটা ম্যানিপুলেট করার অনেক উপায় অফার করে, যেমন LAS হেডার তৈরি এবং সম্পাদনা করা।

এই উদাহরণটি দেখায় কিভাবে a থেকে প্রতি দশম বিন্দু বের করে একটি ডেটাসেটের নমুনা কমাতে হয় অলস ফাইল করুন এবং একটি বিদ্যমান পুনরায় ব্যবহার করুন LasHeader. এটির জন্য শিরোনামগুলি কীভাবে ডেটার সাথে ইন্টারঅ্যাক্ট করে তা বোঝার প্রয়োজন, বিশেষ করে যখন বিভিন্ন পয়েন্ট গণনার সাথে কাজ করে।

একটি নতুন প্রতিষ্ঠা করার সময় লাসডেটা একটি বিদ্যমান শিরোনাম থেকে অবজেক্ট, ব্যবহারকারীরা প্রায়ই অমিল অ্যারের আকারের সম্মুখীন হয়। এই বৈষম্য ঘটে কারণ শিরোনামটির পয়েন্ট_গণনা স্বয়ংক্রিয়ভাবে নতুন ডেটার সাথে সারিবদ্ধ নাও হতে পারে।

চ্যালেঞ্জ হল অফসেট, স্কেল এবং পয়েন্ট_কাউন্টের মতো হেডার অ্যাট্রিবিউটগুলিকে ম্যানুয়ালি পরিবর্তন করতে হবে কিনা বা আরও স্বয়ংক্রিয় সমাধান আছে কিনা তা মূল্যায়ন করা। এই পোস্টটি ব্যাখ্যা করে কিভাবে সঠিকভাবে এই মানগুলিকে ডাউনস্যাম্পলিং ব্যবহার করে আপডেট করা যায় লাস্পি, একটি কার্যকর প্রক্রিয়ার ফলে।

Laspy এর সাথে অপ্টিমাইজিং পয়েন্ট ক্লাউড ডাউনস্যাম্পলিং

এই পোস্টে প্রথম স্ক্রিপ্ট একটি ডাউনস্যাম্পলিং উপর ফোকাস করে LAZ ফাইল, যা বিগ পয়েন্ট ক্লাউড ডেটাসেট পরিচালনার জন্য প্রয়োজনীয়। ব্যবহার করে মূল ফাইল আমদানি করে laspy.read() ফাংশন, আমরা পয়েন্ট ডেটা এবং হেডার অ্যাক্সেস করতে পারি যেখানে পয়েন্ট ক্লাউড সম্পর্কে মেটাডেটা রয়েছে। ডাউনস্যাম্পলিং কৌশলটিতে প্রতিটি দশম পয়েন্ট বাছাই করা জড়িত, যা গুরুত্বপূর্ণ ভৌগলিক বৈশিষ্ট্য বজায় রেখে ডেটাসেটের আকারকে ছোট করে। এটি ব্যবহার করে করা হয় np.arange() সূচকের একটি অ্যারে তৈরি করতে। পয়েন্টগুলি বাছাই করার পরে, মেটাডেটাতে সামঞ্জস্য নিশ্চিত করতে মূল ফাইল থেকে শিরোনামটি অনুলিপি করুন, যেমন পয়েন্ট_ফরম্যাট এবং সংস্করণ।

যাইহোক, একটি সাধারণ সমস্যা দেখা দেয় যখন মূল হেডারে পয়েন্টের সংখ্যা ডাউনস্যাম্পড ডেটার সাথে সঙ্গতিপূর্ণ হয় না। এটি ঠিক করতে, আমরা ব্যবহার করি অনুলিপি() মূল শিরোনামের একটি অগভীর অনুলিপি তৈরি করতে এবং ম্যানুয়ালি পরিবর্তন করতে ফাংশন পয়েন্ট_গণনা নিচের নমুনা দেওয়া পয়েন্টের সংখ্যা প্রতিফলিত করার জন্য ক্ষেত্র। নতুন শিরোনাম তৈরি করার পরে, ডাউনস্যাম্পল পয়েন্টগুলি একটি নতুনের জন্য বরাদ্দ করা হয় লাসডেটা বস্তু যা বাস্তব x, y, এবং z স্থানাঙ্ক ধারণ করে। অবশেষে, দ লাসডেটা ব্যবহার করে একটি নতুন LAZ ফাইল হিসাবে সংরক্ষণ করা হয় লিখুন() পদ্ধতি এই স্ক্রিপ্টটি সেইসব ব্যবহারকারীদের জন্য দক্ষ যাদের বড় পয়েন্ট ক্লাউড থেকে ছোট ডেটাসেট বের করতে হবে।

দ্বিতীয় স্ক্রিপ্টটি স্বয়ংক্রিয়ভাবে অফসেট এবং ডাউনস্যাম্পড ডেটার জন্য স্কেল পুনঃগণনা করে প্রথমটিকে প্রসারিত করে। পয়েন্ট ক্লাউডের সাথে কাজ করার সময়, সঠিক অফসেট থাকা গুরুত্বপূর্ণ কারণ তারা 3D স্পেসে ডেটার উত্স নির্দেশ করে। দ header.offsets ডাউনস্যাম্পল পয়েন্ট থেকে ন্যূনতম x, y, এবং z স্থানাঙ্কের সাথে অ্যাট্রিবিউট আপডেট করা হয়। একইভাবে, বিন্দু ডেটার নির্ভুলতাকে প্রভাবিত করে এমন স্কেল ফ্যাক্টরগুলি ব্যবহার করে সেট করা হয় header.scales বৈশিষ্ট্য এই স্ক্রিপ্টটি শুধুমাত্র পয়েন্ট ক্লাউডের আকারকে ছোট করে না, তবে এটি নিশ্চিত করে যে ডেটা সঠিক এবং সারিবদ্ধ, এটি ব্যবহারিক ব্যবহারের জন্য আরও উপযুক্ত করে তোলে।

অবশেষে, চূড়ান্ত স্ক্রিপ্ট পাইথনের সাথে ইউনিট পরীক্ষা প্রদর্শন করে ইউনিট পরীক্ষা কাঠামো এই স্ক্রিপ্টে, একটি টেস্ট কেস নির্ধারণ করে যে ডাউনস্যাম্পল পয়েন্ট গণনা পূর্বাভাসিত মানের সাথে মিলে যায় কিনা। ডাউনস্যাম্পলিং পদ্ধতিটি প্রসঙ্গ এবং ডেটাসেট জুড়ে ধারাবাহিকভাবে কাজ করে তা নিশ্চিত করার জন্য এটি অত্যন্ত গুরুত্বপূর্ণ। টেস্ট কেস ব্যবহার করে সংজ্ঞায়িত করা হয় টেস্টকেস ক্লাস, এবং তুলনা ব্যবহার করে পরিচালিত হয় self.asssertEqual() পদ্ধতি ওয়ার্কফ্লোতে পরীক্ষা অন্তর্ভুক্ত করে, আমরা নিশ্চিত করতে পারি যে ডাউনস্যাম্পলিং পদ্ধতিটি বড় প্রকল্প বা পাইপলাইনে স্থাপন করার আগে সঠিকভাবে কাজ করে। এই স্ক্রিপ্ট ব্যবহারকারীদের বিভিন্ন পয়েন্ট ক্লাউড ফাইলের সাথে কাজ করার সময় সমস্যা এবং অসঙ্গতি এড়াতে সাহায্য করে।

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()

LAS ফাইল মেটাডেটা এবং উন্নত ডাউনস্যাম্পলিং কৌশলগুলি পরিচালনা করা

সাথে বিশাল ডেটাসেট নিয়ে কাজ করার সময় লাস্পি, মেটাডেটা পরিচালনা করা প্রকৃত পয়েন্ট ক্লাউড ডেটা পরিচালনার মতো সমানভাবে গুরুত্বপূর্ণ। এর নির্ভুলতা বজায় রাখা LasHeader ডাউনস্যাম্পলিং পরে মান একটি উল্লেখযোগ্য অসুবিধা. যেহেতু পয়েন্ট ক্লাউড ডেটার স্থানাঙ্ক (x, y, এবং z) পরিবর্তিত হয়, হেডার অবশ্যই এই পরিবর্তনগুলি প্রতিফলিত করবে। পুনরায় গণনা করা হচ্ছে অফসেট প্রতিটি মাত্রার জন্য সর্বনিম্ন মান পুনঃগণনা করা প্রয়োজন, যেখানে দাঁড়িপাল্লা পয়েন্ট ডেটার নির্ভুলতা নির্ধারণ করুন, বিশেষ করে স্টোরেজের জন্য।

মূল্যায়ন করার আরেকটি কারণ হল LAS ফাইলের অতিরিক্ত মাত্রার অখণ্ডতা। অতিরিক্ত বাইট সাধারণত সাধারণ x, y, এবং z স্থানাঙ্ক, যেমন তীব্রতা বা GPS সময় ব্যতীত অন্যান্য তথ্য ধারণ করতে ব্যবহৃত হয়। যদি ডেটাসেটে এই অতিরিক্ত মাত্রাগুলি থাকে, তাহলে সেগুলি ডাউনস্যাম্পলিং করার সময় অবশ্যই পরিচালনা করতে হবে৷ আপনাকে অবশ্যই গ্যারান্টি দিতে হবে যে অতিরিক্ত মাত্রায় পয়েন্টের সংখ্যা প্রাথমিক ডেটাতে কমে যাওয়া পয়েন্টের সংখ্যার সাথে মিলে যায়। দ add_extra_dim মধ্যে কার্যকারিতা লাস্পি LAS হেডারে কাস্টম মাত্রা যোগ করতে সক্ষম করে।

অবশেষে, গতি অপ্টিমাইজেশান একটি গুরুত্বপূর্ণ ফ্যাক্টর যখন বিন্দু মেঘ ডাউনস্যাম্পলিং বিবেচনা করা. যদিও হেডারে মানুষের টুইকগুলি সাধারণত প্রয়োজন হয়, দক্ষ ইনডেক্সিং এবং এর মাধ্যমে অ্যারে ক্রিয়াকলাপ প্রয়োগ করে প্রক্রিয়াটিকে স্বয়ংক্রিয় করে নম্র প্রক্রিয়াটিকে যথেষ্ট ত্বরান্বিত করতে পারে। এর শক্তি ব্যবহার করে নম্র, আপনি কর্মক্ষমতা বলিদান ছাড়াই দ্রুত বিশাল ডেটাসেট পরিচালনা করতে পারেন। এটি আপনাকে বড় প্রকল্পগুলির সমাধান বা এমনকি একাধিক LAZ ফাইল প্রক্রিয়াকরণের জন্য স্বয়ংক্রিয় পাইপলাইনগুলি প্রসারিত করতে দেয়।