LAS/LAZ-failide tõhus allaproovimine Laspy abil: samm-sammult juhend

Laspy abil LAS-i andmete allaproovimise protsessi mõistmine

Pythonis suurte LAS- või LAZ-failidega töötades on alladiskreetmine tõhusa töötlemise ja analüüsi jaoks hädavajalik. Laspy, Pythoni pakett LAS-i andmete lugemiseks, kirjutamiseks ja muutmiseks, pakub arvukalt viise punktipilveandmetega manipuleerimiseks, näiteks LAS-i päiste loomiseks ja redigeerimiseks.

See näide näitab, kuidas andmestikku diskreetida, eraldades a-st iga kümnenda punkti laz faili ja kasutage olemasolevat uuesti LasHeader. Selleks on vaja mõista, kuidas päised andmetega suhtlevad, eriti kui töötate erinevate punktide arvuga.

Uue asutamisel LasData objekti olemasolevast päisest, puutuvad kasutajad sageli kokku sobimatu massiivi suurusega. See erinevus tuleneb päisest punkti_arv ei pruugi automaatselt uute andmetega joondada.

Väljakutse seisneb selles, et hinnata, kas päise atribuute (nt nihked, skaalad ja punktide_arv) tuleb käsitsi muuta või on olemas automaatsem lahendus. See postitus selgitab, kuidas neid väärtusi diskreetimise ajal õigesti värskendada Laspy, mille tulemuseks on tõhus protsess.

Punktpilvede allaproovimise optimeerimine Laspyga

Selle postituse esimene skript keskendub alladiskreetmisele a LAZ fail, mis on vajalik suurte punktipilvede andmekogumite haldamiseks. Importides originaalfaili kasutades laspy.read() funktsiooni, pääseme juurde punktiandmetele ja päisele, mis sisaldab punktipilve metaandmeid. Allaproovimise tehnika hõlmab iga kümnenda punkti valimist, mis minimeerib andmestiku suurust, säilitades samas olulised geograafilised omadused. Seda tehakse kasutades np.arange() indeksite massiivi koostamiseks. Pärast punktide valimist kopeerige päis algsest failist, et tagada ühilduvus metaandmetega, näiteks punkti_vorming ja versioon.

Levinud probleem ilmneb aga siis, kui punktide arv algses päises ei vasta allavõetud andmetele. Selle parandamiseks kasutame kopeeri () funktsioon, et teha algsest päisest madal koopia ja seda käsitsi muuta punkti_arv alavalimitud punktide arvu kajastamiseks. Pärast uue päise loomist eraldatakse aladisamplitud punktid uuele LasData objekt, mis sisaldab tegelikke x-, y- ja z-koordinaate. Lõpuks, LasData salvestatakse uue LAZ-failina, kasutades kirjuta () meetod. See skript on tõhus kasutajatele, kes peavad eraldama suurematest punktipilvedest väiksemaid andmekogumeid.

Teine skript laiendab esimest, arvutades automaatselt ümber nihked ja skaalad alladiskreetsete andmete jaoks. Punktpilvedega töötamisel on täpsed nihked üliolulised, kuna need näitavad andmete päritolu 3D-ruumis. The päis.nihked atribuuti värskendatakse minimaalsete x-, y- ja z-koordinaatidega alladiskreetidest. Samamoodi määratakse skaalategurid, mis mõjutavad punktiandmete täpsust, kasutades päis.kaalud atribuut. See skript mitte ainult ei vähenda punktipilve suurust, vaid tagab ka andmete täpsuse ja joondamise, muutes need praktiliseks kasutamiseks sobivamaks.

Lõpuks demonstreerib viimane skript Pythoni üksuse testimist ühiktest raamistik. Selles skriptis määrab testjuhtum, kas aladisamplitud punktide arv vastab prognoositud väärtusele. See on ülioluline tagamaks, et alladiskreetimisprotseduur toimiks järjepidevalt erinevates kontekstides ja andmekogumites. Testjuhtum määratletakse kasutades TestCase klassis ja võrdlus viiakse läbi kasutades self.assertEqual() meetod. Kaasates töövoogu testimise, saame enne suurematesse projektidesse või torujuhtmetesse juurutamist tagada, et alladiskreetimisprotseduur töötab korralikult. See skript aitab kasutajatel vältida probleeme ja ebakõlasid mitme punktipilvefailiga töötamisel.

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-faili metaandmete ja täpsemate alladiskreetimismeetodite käsitlemine

Kui töötate tohutute andmekogumitega koos laspy, on metaandmete haldamine sama oluline kui tegelike punktipilveandmete haldamine. täpsuse säilitamine LasHeader väärtused pärast allavõtmist on märkimisväärne raskus. Kuna punktipilveandmete koordinaadid (x, y ja z) muutuvad, peab päis neid muudatusi kajastama. Ümber arvutades tasaarvestused nõuab iga mõõtme miinimumväärtuste ümberarvutamist, samas kui kaalud määrata punktiandmete täpsus, eriti salvestamiseks.

Teine hinnatav tegur on LAS-faili lisamõõtmete terviklikkus. Täiendavaid baite kasutatakse tavaliselt muu teabe hoidmiseks kui tavalised x-, y- ja z-koordinaadid, näiteks intensiivsus või GPS-aeg. Kui andmestik sisaldab neid lisadimensioone, tuleb neid alladiskreetmisel käsitleda. Peate tagama, et lisadimensioonide punktide arv vastab põhiandmete vähendatud punktide arvule. The add_extra_dim funktsionaalsus sisse laspy võimaldab LAS-i päisele kohandatud dimensioone lisada.

Lõpuks on kiiruse optimeerimine oluline tegur, mida punktipilvede diskreetimisel arvesse võtta. Kuigi päises on tavaliselt vaja inimlikke muudatusi, automatiseeritakse protsess, võimendades tõhusat indekseerimist ja rakendades massiivi toiminguid tuim võib protsessi oluliselt kiirendada. Kasutades jõudu tuim, saate kiiresti hallata tohutuid andmekogumeid jõudlust ohverdamata. See võimaldab teil laiendada lahendusi suurematele projektidele või isegi automatiseerida torujuhtmeid mitme LAZ-faili töötlemiseks.