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. , 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 αρχείο και επαναχρησιμοποίηση ενός υπάρχοντος . 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 αντικείμενο από μια υπάρχουσα κεφαλίδα, οι χρήστες συχνά αντιμετωπίζουν αναντιστοιχία μεγέθους πίνακα. Αυτή η διαφορά προκύπτει επειδή της κεφαλίδας 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 , με αποτέλεσμα μια αποτελεσματική διαδικασία.

Εντολή	Παράδειγμα χρήσης
laspy.read()	Αυτή η εντολή μετατρέπει ένα αρχείο LAS ή LAZ σε αντικείμενο LasData. Εξάγει τα δεδομένα σύννεφο σημείου και τις πληροφορίες κεφαλίδας από το αρχείο, επιτρέποντας την τροποποίηση και την επεξεργασία σε Python.
np.arange()	Δημιουργεί έναν πίνακα δεικτών σε τακτά χρονικά διαστήματα. Σε αυτό το σενάριο, επιλέγει κάθε 10ο σημείο από τα φορτωμένα δεδομένα cloud σημείου, τα οποία είναι απαραίτητα για τη μείωση δειγματοληψίας.
laspy.LasHeader()	Αυτή η εντολή δημιουργεί μια νέα κεφαλίδα για δεδομένα LAS και LAZ. Η κεφαλίδα παρέχει βασικά μεταδεδομένα, συμπεριλαμβανομένων της μορφής σημείου, της έκδοσης, των μετατοπίσεων και των κλιμάκων, τα οποία είναι κρίσιμα κατά τη δημιουργία ή την επεξεργασία ενός .
header.offsets	Καθορίζει τις ελάχιστες συντεταγμένες x, y και z για τα δεδομένα νέφους σημείου. Αυτό βοηθά στην αλλαγή του σημείου αναφοράς για το νέφος σημείων, με αποτέλεσμα τη σωστή αναπαράσταση δεδομένων μετά τη μείωση της δειγματοληψίας.
header.scales	Καθορίζει την ακρίβεια των τιμών x, y και z ορίζοντας παράγοντες κλίμακας. Μετά τη μείωση του δείγματος, ο επανυπολογισμός και η τροποποίηση των παραγόντων κλίμακας μπορεί να είναι κρίσιμος για τη διατήρηση της ακεραιότητας των δεδομένων.
copy()	Δημιουργεί ένα ρηχό αντίγραφο ενός αντικειμένου. Σε αυτήν την περίπτωση, χρησιμοποιείται για τη μεταφορά της υπάρχουσας κεφαλίδας από το αρχικό νέφος σημείων, διασφαλίζοντας ότι τυχόν αλλαγές στο νέο σύνολο δεδομένων δεν βλάπτουν τα αρχικά δεδομένα.
downsampled_las.write()	Αυτή η εντολή αποθηκεύει το σύννεφο σημείων που έχει υποδειχθεί ως νέο αρχείο LAS ή LAZ γράφοντας το ενημερωμένο ή πρόσφατα σχηματισμένο αντικείμενο σε ένα αρχείο.
unittest.TestCase	Αυτή είναι η βασική κλάση για το πλαίσιο δοκιμής μονάδας της Python, το οποίο χρησιμοποιείται για τη δημιουργία περιπτώσεων δοκιμής. Αυτό το άρθρο το χρησιμοποιεί για να δοκιμάσει τη διαδικασία μείωσης δειγματοληψίας, διασφαλίζοντας ότι διατηρείται ο σωστός αριθμός πόντων.
self.assertEqual()	Μια δοκιμή μονάδας συγκρίνει δύο τιμές και επιστρέφει ένα σφάλμα εάν δεν είναι ίσες. Στο παράδειγμα, διασφαλίζει ότι ο αριθμός των σημείων με μείωση του δείγματος αντιστοιχεί στον προβλεπόμενο αριθμό.

Βελτιστοποίηση Point Cloud Downsampling με το Laspy

Το πρώτο σενάριο σε αυτήν την ανάρτηση εστιάζει στη μείωση δειγματοληψίας α αρχείο, το οποίο είναι απαραίτητο για τη διαχείριση συνόλων δεδομένων cloud μεγάλων σημείων. Εισάγοντας το αρχικό αρχείο χρησιμοποιώντας το 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 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 λειτουργία για να δημιουργήσετε ένα ρηχό αντίγραφο της αρχικής κεφαλίδας και να τροποποιήσετε με μη αυτόματο τρόπο την 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 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 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 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 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 κλάση και η σύγκριση πραγματοποιείται χρησιμοποιώντας το 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 , η διαχείριση μεταδεδομένων είναι εξίσου σημαντική με τη διαχείριση των πραγματικών δεδομένων cloud point. Διατήρηση της ακρίβειας του 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 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 λειτουργικότητα σε 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 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.

1. Πώς μπορώ να χειριστώ τις μη αντιστοιχισμένες διαστάσεις πίνακα ?
2. Για να το διορθώσετε, βεβαιωθείτε ότι το στην κεφαλίδα αντιστοιχεί στον πραγματικό αριθμό των σημείων στα δεδομένα κάτω δειγματοληψίας. Αλλάξτε χειροκίνητα το πλήθος όπως απαιτείται.
3. Πρέπει πάντα να επανυπολογίζω και μετά τη μείωση του δείγματος;
4. Ναι, είναι απαραίτητο να υπολογιστούν εκ νέου αυτές οι τιμές, ιδιαίτερα για τεράστια σύνολα δεδομένων. Ο αντιπροσωπεύει τις νέες ελάχιστες τιμές, ενώ εξασφαλίζει την ακρίβεια των δεδομένων.
5. Κουτί χειριστείτε επιπλέον διαστάσεις σε αρχεία LAS;
6. Ναι, μπορείτε να διαχειριστείτε περισσότερες διαστάσεις χρησιμοποιώντας το χαρακτηριστικό σε , που σας επιτρέπει να ορίσετε προσαρμοσμένες διαστάσεις όπως ένταση ή ώρα GPS.
7. Είναι απαιτείται για τη μείωση δειγματοληψίας με ?
8. Αν και δεν είναι απαραίτητα απαραίτητο, διευκολύνει το χειρισμό τεράστιων συνόλων δεδομένων με αποτελεσματική δημιουργία δεικτών και χειρισμό πινάκων.
9. Πώς μπορώ να επιταχύνω τη διαδικασία μείωσης του δείγματος;
10. Χρήση για την εκτέλεση λειτουργιών πίνακα και την αποτελεσματική ευρετηρίαση. Αυτό βελτιώνει την απόδοση όταν εργάζεστε με τεράστια σύννεφα σημείων.

Για την αποφυγή αναντιστοιχιών διαστάσεων κατά τη μείωση του δείγματος αρχεία με , το Η ιδιότητα πρέπει να ρυθμιστεί χειροκίνητα στην κεφαλίδα. Ο εκ νέου υπολογισμός των μετατοπίσεων και των κλιμάκων εγγυάται τη σωστή αναπαράσταση των φρέσκων δεδομένων.

Ορισμένα στοιχεία, όπως οι τροποποιήσεις κεφαλίδας, απαιτούν χειροκίνητη παρέμβαση, ενώ άλλα μπορούν να αυτοματοποιηθούν χρησιμοποιώντας για μεγιστοποίηση της ταχύτητας και διαχείριση τεράστιων συνόλων δεδομένων. Η δοκιμή μονάδας ενισχύει την ευρωστία της ροής εργασιών μείωσης δειγματοληψίας, καθιστώντας την πιο αποτελεσματική σε πραγματικές καταστάσεις.