Αποτελεσματική μείωση δειγματοληψίας αρχείων LAS/LAZ με το Laspy: Ένας οδηγός βήμα προς βήμα

Κατανόηση της διαδικασίας μείωσης δειγματοληψίας δεδομένων LAS με το Laspy

Όταν εργάζεστε με μεγάλα αρχεία LAS ή LAZ στην Python, η μείωση δειγματοληψίας είναι απαραίτητη για αποτελεσματική επεξεργασία και ανάλυση. Laspy, ένα πακέτο Python για ανάγνωση, γραφή και αλλαγή δεδομένων LAS, προσφέρει πολλούς τρόπους χειρισμού των δεδομένων cloud point, όπως η δημιουργία και η επεξεργασία κεφαλίδων LAS.

Αυτό το παράδειγμα δείχνει πώς να κάνετε μείωση δειγματοληψίας ενός συνόλου δεδομένων εξάγοντας κάθε δέκατο σημείο από το a τεμπέλης αρχείο και επαναχρησιμοποίηση ενός υπάρχοντος LasHeader. Αυτό απαιτεί κατανόηση του τρόπου με τον οποίο οι κεφαλίδες αλληλεπιδρούν με δεδομένα, ιδιαίτερα όταν εργάζεστε με διαφορετικές μετρήσεις σημείων.

Κατά την ίδρυση ενός νέου LasData αντικείμενο από μια υπάρχουσα κεφαλίδα, οι χρήστες συχνά αντιμετωπίζουν αναντιστοιχία μεγέθους πίνακα. Αυτή η διαφορά προκύπτει επειδή της κεφαλίδας point_count ενδέχεται να μην ευθυγραμμιστεί αυτόματα με τα νέα δεδομένα.

Η πρόκληση είναι να αξιολογηθεί εάν απαιτείται η μη αυτόματη τροποποίηση των χαρακτηριστικών κεφαλίδας, όπως οι μετατοπίσεις, οι κλίμακες και ο αριθμός_σημείων ή εάν υπάρχει μια πιο αυτόματη λύση. Αυτή η ανάρτηση εξηγεί πώς μπορείτε να ενημερώσετε σωστά αυτές τις τιμές κατά τη μείωση δειγματοληψίας χρησιμοποιώντας Laspy, με αποτέλεσμα μια αποτελεσματική διαδικασία.

Βελτιστοποίηση Point Cloud Downsampling με το Laspy

Το πρώτο σενάριο σε αυτήν την ανάρτηση εστιάζει στη μείωση δειγματοληψίας α LAZ αρχείο, το οποίο είναι απαραίτητο για τη διαχείριση συνόλων δεδομένων cloud μεγάλων σημείων. Εισάγοντας το αρχικό αρχείο χρησιμοποιώντας το laspy.read() λειτουργία, μπορούμε να έχουμε πρόσβαση στα δεδομένα σημείου και στην κεφαλίδα που περιέχει μεταδεδομένα για το νέφος σημείων. Η τεχνική της υποδειγματοληψίας περιλαμβάνει την επιλογή κάθε δέκατου σημείου, το οποίο ελαχιστοποιεί το μέγεθος του συνόλου δεδομένων διατηρώντας παράλληλα κρίσιμες γεωγραφικές ιδιότητες. Αυτό γίνεται με τη χρήση np.arange() για τη δημιουργία μιας σειράς δεικτών. Αφού επιλέξετε τα σημεία, αντιγράψτε την κεφαλίδα από το αρχικό αρχείο για να διασφαλίσετε τη συμβατότητα στα μεταδεδομένα, όπως π.χ point_format και έκδοση.

Ωστόσο, παρουσιάζεται ένα σύνηθες πρόβλημα όταν ο αριθμός των σημείων στην αρχική κεφαλίδα δεν αντιστοιχεί στα δεδομένα που έχουν υποβληθεί σε δειγματοληψία. Για να το διορθώσουμε, χρησιμοποιούμε το αντίγραφο() λειτουργία για να δημιουργήσετε ένα ρηχό αντίγραφο της αρχικής κεφαλίδας και να τροποποιήσετε με μη αυτόματο τρόπο την point_count πεδίο για να αντικατοπτρίζει τον αριθμό των σημείων με μειωμένη δειγματοληψία. Μετά τη δημιουργία της νέας κεφαλίδας, τα σημεία κάτω του δείγματος κατανέμονται σε μια νέα LasData αντικείμενο που περιέχει τις πραγματικές συντεταγμένες x, y και z. Τέλος, το LasData αποθηκεύεται ως νέο αρχείο LAZ χρησιμοποιώντας το γράφω() μέθοδος. Αυτό το σενάριο είναι αποτελεσματικό για χρήστες που πρέπει να εξάγουν μικρότερα σύνολα δεδομένων από μεγαλύτερα σύννεφα σημείων.

Η δεύτερη δέσμη ενεργειών επεκτείνει την πρώτη, υπολογίζοντας εκ νέου αυτόματα τις μετατοπίσεις και τις κλίμακες για δεδομένα με μειωμένο δείγμα. Όταν εργάζεστε με νέφη σημείων, η ύπαρξη ακριβών μετατοπίσεων είναι κρίσιμη, καθώς υποδεικνύουν την προέλευση των δεδομένων στον τρισδιάστατο χώρο. Ο επικεφαλίδα.μετατοπίσεις Το χαρακτηριστικό ενημερώνεται με τις ελάχιστες συντεταγμένες x, y και z από σημεία με μειωμένη δειγματοληψία. Ομοίως, οι παράγοντες κλίμακας που επηρεάζουν την ακρίβεια των σημειακών δεδομένων ρυθμίζονται χρησιμοποιώντας το επικεφαλίδα.κλίμακες ιδιότης. Αυτό το σενάριο όχι μόνο ελαχιστοποιεί το μέγεθος του νέφους σημείων, αλλά διασφαλίζει επίσης ότι τα δεδομένα είναι ακριβή και ευθυγραμμισμένα, καθιστώντας τα πιο κατάλληλα για πρακτική χρήση.

Τέλος, το τελικό σενάριο δείχνει τη δοκιμή μονάδας με Python's μονάδα δοκιμής σκελετός. Σε αυτό το σενάριο, μια δοκιμαστική περίπτωση καθορίζει εάν το πλήθος σημείων που υποβλήθηκε σε δειγματοληψία αντιστοιχεί στην προβλεπόμενη τιμή. Αυτό είναι ζωτικής σημασίας για τη διασφάλιση ότι η διαδικασία μείωσης δειγματοληψίας λειτουργεί με συνέπεια σε περιβάλλοντα και σύνολα δεδομένων. Η περίπτωση δοκιμής ορίζεται χρησιμοποιώντας το TestCase κλάση και η σύγκριση πραγματοποιείται χρησιμοποιώντας το self.assertEqual() μέθοδος. Συμπεριλαμβάνοντας τη δοκιμή στη ροή εργασιών, μπορούμε να διασφαλίσουμε ότι η διαδικασία μείωσης δειγματοληψίας λειτουργεί σωστά πριν από την ανάπτυξή της σε μεγαλύτερα έργα ή αγωγούς. Αυτό το σενάριο βοηθά τους χρήστες να αποφύγουν προβλήματα και ασυνέπειες όταν εργάζονται με πολλά αρχεία cloud point.

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()

Χειρισμός μεταδεδομένων αρχείων LAS και προηγμένες τεχνικές δειγματοληψίας

Όταν εργάζεστε με τεράστια σύνολα δεδομένων με λάσπη, η διαχείριση μεταδεδομένων είναι εξίσου σημαντική με τη διαχείριση των πραγματικών δεδομένων cloud point. Διατήρηση της ακρίβειας του LasHeader τιμές μετά τη μείωση του δείγματος είναι μια σημαντική δυσκολία. Επειδή οι συντεταγμένες των δεδομένων νέφους σημείου (x, y και z) αλλάζουν, η κεφαλίδα πρέπει να αντικατοπτρίζει αυτές τις αλλαγές. Επανυπολογισμός του αντισταθμίσεις απαιτεί τον επανυπολογισμό των ελάχιστων τιμών για κάθε διάσταση, ενώ το Ζυγός προσδιορίστε την ακρίβεια των σημειακών δεδομένων, ειδικά για αποθήκευση.

Ένας άλλος παράγοντας που πρέπει να αξιολογηθεί είναι η ακεραιότητα των πρόσθετων διαστάσεων στο αρχείο LAS. Τα επιπλέον byte χρησιμοποιούνται συνήθως για τη διατήρηση πληροφοριών εκτός από τις κανονικές συντεταγμένες x, y και z, όπως η ένταση ή ο χρόνος GPS. Εάν το σύνολο δεδομένων περιέχει αυτές τις πρόσθετες διαστάσεις, πρέπει να αντιμετωπίζονται κατά τη μείωση της δειγματοληψίας. Πρέπει να εγγυηθείτε ότι ο αριθμός των πόντων στις επιπλέον διαστάσεις αντιστοιχεί στο μειωμένο πλήθος πόντων στα κύρια δεδομένα. Ο add_extra_dim λειτουργικότητα σε λάσπη επιτρέπει την προσθήκη προσαρμοσμένων διαστάσεων στην κεφαλίδα LAS.

Τέλος, η βελτιστοποίηση ταχύτητας είναι ένας σημαντικός παράγοντας που πρέπει να λαμβάνεται υπόψη κατά τη μείωση δειγματοληψίας νέφους σημείων. Ενώ συνήθως απαιτούνται ανθρώπινες τροποποιήσεις στην κεφαλίδα, η αυτοματοποίηση της διαδικασίας αξιοποιώντας αποτελεσματική ευρετηρίαση και εφαρμόζοντας λειτουργίες πίνακα μέσω μουδιασμένος μπορεί να επιταχύνει σημαντικά τη διαδικασία. Αξιοποιώντας τη δύναμη του μουδιασμένος, μπορείτε να διαχειριστείτε γρήγορα τεράστια σύνολα δεδομένων χωρίς να θυσιάσετε την απόδοση. Αυτό σας επιτρέπει να επεκτείνετε λύσεις σε μεγαλύτερα έργα ή ακόμα και να αυτοματοποιείτε αγωγούς για την επεξεργασία πολλών αρχείων LAZ.