Efektivní převzorkování souborů LAS/LAZ pomocí Laspy: Průvodce krok za krokem

Pochopení procesu downsamplingu dat LAS s Laspy

Při práci s velkými soubory LAS nebo LAZ v Pythonu je pro efektivní zpracování a analýzu zásadní převzorkování. Laspy, balíček Pythonu pro čtení, zápis a změnu dat LAS, nabízí řadu způsobů, jak manipulovat s daty mračna bodů, jako je vytváření a úprava záhlaví LAS.

Tento příklad ukazuje, jak převzorkovat datovou sadu extrahováním každého desátého bodu z a lenošit soubor a znovu použít existující LasHeader. To vyžaduje pochopení toho, jak záhlaví interagují s daty, zejména při práci s různými počty bodů.

Při založení nového LasData objekt z existující hlavičky, uživatelé často narazí na neodpovídající velikost pole. K tomuto nepoměru dochází, protože hlavička je počet_bodů nemusí automaticky odpovídat novým datům.

Úkolem je vyhodnotit, zda je nutné ručně upravit atributy záhlaví, jako jsou offsety, měřítka a point_count, nebo zda existuje více automatické řešení. Tento příspěvek vysvětluje, jak správně aktualizovat tyto hodnoty při použití podvzorkování Laspyvýsledkem je efektivní proces.

Optimalizace bodového převzorkování pomocí Laspy

První skript v tomto příspěvku se zaměřuje na převzorkování a LAZ soubor, který je nezbytný pro správu datových sad velkých mraků bodů. Importováním původního souboru pomocí laspy.read() máme přístup k bodovým datům a hlavičce, která obsahuje metadata o mračnu bodů. Technika downsamplingu zahrnuje výběr každého desátého bodu, což minimalizuje velikost datové sady při zachování zásadních geografických vlastností. To se provádí pomocí np.arange() vytvořit pole indexů. Po vybrání bodů zkopírujte záhlaví z původního souboru, abyste zajistili kompatibilitu v metadatech, jako je např formát_bodu a verzi.

Častý problém však nastává, když počet bodů v původní hlavičce neodpovídá převzorkovaným datům. Abychom to napravili, použijeme kopie() pomocí funkce vytvořit mělkou kopii původního záhlaví a ručně upravit počet_bodů pole, které odráží počet převzorkovaných bodů. Po vytvoření nového záhlaví jsou převzorkované body přiřazeny novému LasData objekt, který obsahuje skutečné souřadnice x, y a z. Konečně, LasData se uloží jako nový soubor LAZ pomocí napsat() metoda. Tento skript je efektivní pro uživatele, kteří potřebují extrahovat menší datové sady z větších mračen bodů.

Druhý skript rozšiřuje první tím, že automaticky přepočítává offsety a měřítka pro převzorkovaná data. Při práci s mračny bodů je důležité mít přesné ofsety, protože označují původ dat ve 3D prostoru. The hlavička.offsety atribut je aktualizován minimálními souřadnicemi x, yaz z převzorkovaných bodů. Podobně se měřítkové faktory, které ovlivňují přesnost bodových dat, nastavují pomocí hlavička.váhy atribut. Tento skript nejen minimalizuje velikost mračna bodů, ale také zajišťuje, že data jsou přesná a zarovnaná, takže jsou vhodnější pro praktické použití.

Nakonec poslední skript demonstruje testování jednotek pomocí Pythonu unittest rámec. V tomto skriptu testovací případ určuje, zda počet převzorkovaných bodů odpovídá předpokládané hodnotě. To je zásadní pro zajištění toho, aby postup převzorkování probíhal konzistentně napříč kontexty a soubory dat. Testovací případ je definován pomocí TestCase třídy a porovnání se provádí pomocí self.assertEqual() metoda. Zahrnutím testování do pracovního postupu můžeme zajistit, aby postup převzorkování fungoval správně před jeho nasazením do větších projektů nebo potrubí. Tento skript pomáhá uživatelům vyhnout se problémům a nesrovnalostem při práci s několika soubory mračna bodů.

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()

Zpracování metadat souborů LAS a pokročilé techniky převzorkování

Při práci s velkými datovými sadami s laspySpráva metadat je stejně zásadní jako správa skutečných dat mračna bodů. Zachování přesnosti LasHeader hodnoty po převzorkování je značný problém. Protože se souřadnice dat mračna bodů (x, yaz) mění, musí záhlaví tyto změny odrážet. Přepočítávání ofsety vyžaduje přepočítání minimálních hodnot pro každý rozměr, zatímco váhy určit přesnost bodových dat, zejména pro ukládání.

Dalším faktorem, který je třeba vyhodnotit, je integrita dalších rozměrů v souboru LAS. Extra bajty se běžně používají k uložení informací jiných, než jsou normální souřadnice x, y a z, jako je intenzita nebo čas GPS. Pokud datová sada obsahuje tyto dodatečné dimenze, je třeba s nimi zacházet při převzorkování. Musíte zaručit, že počet bodů v dalších dimenzích odpovídá sníženému počtu bodů v primárních datech. The add_extra_dim funkčnost v laspy umožňuje přidání vlastních rozměrů do hlavičky LAS.

A konečně, optimalizace rychlosti je důležitým faktorem, který je třeba vzít v úvahu při převzorkování mračen bodů. I když jsou obvykle vyžadována lidská vylepšení záhlaví, automatizace procesu využitím efektivního indexování a aplikací operací pole prostřednictvím nemotorný může proces značně urychlit. Využitím síly nemotorný, můžete rychle spravovat obrovské datové sady, aniž byste obětovali výkon. To vám umožňuje rozšířit řešení na větší projekty nebo dokonce automatizovat potrubí pro zpracování více souborů LAZ.