Tehokas LAS/LAZ-tiedostojen näytteenotto Laspylla: vaiheittainen opas

LAS-tietojen alasnäytteenottoprosessin ymmärtäminen Laspylla

Kun työskentelet suurten LAS- tai LAZ-tiedostojen kanssa Pythonissa, näytteenotto on välttämätöntä tehokkaan käsittelyn ja analyysin kannalta. Laspy, Python-paketti LAS-tietojen lukemiseen, kirjoittamiseen ja muokkaamiseen, tarjoaa lukuisia tapoja käsitellä pistepilvitietoja, kuten luoda ja muokata LAS-otsikoita.

Tämä esimerkki näyttää, kuinka tietojoukosta voidaan ottaa alasnäyte poimimalla joka kymmenes piste a:sta laz tiedosto ja käytä uudelleen olemassa olevaa LasHeader. Tämä edellyttää ymmärrystä siitä, kuinka otsikot ovat vuorovaikutuksessa datan kanssa, etenkin kun työskentelet eri pistemäärän kanssa.

Perustettaessa uutta LasData Objektin olemassa olevasta otsikosta, käyttäjät kohtaavat usein yhteensopimattoman taulukon koon. Tämä ero johtuu otsikon pistemäärä ei välttämättä kohdista automaattisesti uusiin tietoihin.

Haasteena on arvioida, tarvitaanko otsikkomääritteiden, kuten offsets, scales ja point_count, manuaalista muokkaamista vai onko olemassa automaattisempaa ratkaisua. Tämä viesti selittää, kuinka nämä arvot päivitetään oikein, kun alasnäytteenottoa käytetään Laspy, mikä johtaa tehokkaaseen prosessiin.

Pistepilvien alasnäytteistyksen optimointi Laspylla

Tämän viestin ensimmäinen käsikirjoitus keskittyy näytteenottoa a LAZ tiedosto, joka on välttämätön suurten pistepilvitietojen hallintaan. Tuomalla alkuperäinen tiedosto käyttämällä laspy.read() -toiminnolla pääsemme käsiksi pistetietoihin ja otsikkoon, joka sisältää metatietoja pistepilvestä. Alasnäytteenottotekniikkaan kuuluu joka kymmenes pisteen poimiminen, mikä minimoi tietojoukon koon säilyttäen samalla tärkeät maantieteelliset ominaisuudet. Tämä tehdään käyttämällä np.arange() rakentaa joukko indeksejä. Kun olet valinnut pisteet, kopioi otsikko alkuperäisestä tiedostosta varmistaaksesi yhteensopivuuden metatietojen, kuten esim point_format ja versio.

Yleinen ongelma ilmenee kuitenkin, kun alkuperäisen otsikon pisteiden määrä ei vastaa alasnäytteen otettua dataa. Tämän korjaamiseksi käytämme kopioida() -toiminnolla voit tehdä matalan kopion alkuperäisestä otsikosta ja muokata sitä manuaalisesti pistemäärä kenttään, joka kuvastaa alennettujen pisteiden määrää. Kun uusi otsikko on luotu, alasnäytteiset pisteet allokoidaan uudelle LasData objekti, joka sisältää todelliset x-, y- ja z-koordinaatit. Lopuksi, LasData tallennetaan uutena LAZ-tiedostona käyttämällä kirjoittaa() menetelmä. Tämä komentosarja on tehokas käyttäjille, jotka tarvitsevat pienempiä tietojoukkoja isommista pistepilvista.

Toinen komentosarja laajentaa ensimmäistä laskemalla automaattisesti uudelleen offsetit ja skaalat alasnäytteistöille. Pistepilvien kanssa työskenneltäessä tarkat siirtymät ovat kriittisiä, koska ne osoittavat datan alkuperän 3D-avaruudessa. The header.offsets attribuutti päivitetään pienimmillä x-, y- ja z-koordinaateilla alennusnäytteisistä pisteistä. Samoin pistetietojen tarkkuuteen vaikuttavat skaalaustekijät asetetaan käyttämällä header.scales attribuutti. Tämä skripti ei vain minimoi pistepilven kokoa, vaan se myös varmistaa, että tiedot ovat tarkkoja ja kohdistettuja, mikä tekee siitä sopivamman käytännön käyttöön.

Lopuksi viimeinen skripti osoittaa yksikkötestauksen Pythonilla yksikkötesti puitteet. Tässä komentosarjassa testitapaus määrittää, vastaako alasnäytteen otettu pistemäärä ennustettua arvoa. Tämä on ratkaisevan tärkeää sen varmistamiseksi, että alasnäytteenotto toimii johdonmukaisesti eri konteksteissa ja tietojoukoissa. Testitapaus määritellään käyttämällä TestCase luokkaa, ja vertailu suoritetaan käyttämällä self.assertEqual() menetelmä. Sisällyttämällä testauksen työnkulkuun voimme varmistaa, että alasnäytteenotto toimii kunnolla ennen sen käyttöönottoa suurempiin projekteihin tai putkiin. Tämä komentosarja auttaa käyttäjiä välttämään ongelmia ja epäjohdonmukaisuuksia työskennellessään useiden pistepilvitiedostojen kanssa.

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-tiedoston metatietojen ja kehittyneiden alasnäytteenottotekniikoiden käsittely

Kun työskentelet valtavien tietojoukkojen kanssa laspy, metatietojen hallinta on yhtä tärkeää kuin varsinaisten pistepilvitietojen hallinta. Tarkkuuden säilyttäminen LasHeader arvot alasnäytteenoton jälkeen on merkittävä vaikeus. Koska pistepilvitietojen koordinaatit (x, y ja z) muuttuvat, otsikon on heijastettava näitä muutoksia. Laskemalla uudelleen kompensoinnit edellyttää kunkin ulottuvuuden vähimmäisarvojen uudelleenlaskentaa, kun taas vaa'at määrittää pistetietojen tarkkuuden, erityisesti tallennusta varten.

Toinen arvioitava tekijä on LAS-tiedoston lisämittojen eheys. Ylimääräisiä tavuja käytetään yleensä säilyttämään muita tietoja kuin normaalit x-, y- ja z-koordinaatit, kuten intensiteetti tai GPS-aika. Jos tietojoukko sisältää nämä ylimääräiset dimensiot, niitä on käsiteltävä alaotannuksessa. Sinun on taattava, että lisämittojen pistemäärä vastaa ensisijaisten tietojen alennettua pistemäärää. The add_extra_dim toiminnallisuus sisään laspy mahdollistaa mukautettujen ulottuvuuksien lisäämisen LAS-otsikkoon.

Lopuksi, nopeuden optimointi on tärkeä tekijä, joka on otettava huomioon pistepilvien näytteenotossa. Vaikka otsikkoa tarvitaan tyypillisesti ihmisen muokkauksilla, prosessi automatisoidaan hyödyntämällä tehokasta indeksointia ja käyttämällä taulukkotoimintoja nuhjuinen voi nopeuttaa prosessia huomattavasti. Valjastamalla voimaa nuhjuinen, voit hallita nopeasti valtavia tietojoukkoja suorituskyvystä tinkimättä. Tämän avulla voit laajentaa ratkaisuja suurempiin projekteihin tai jopa automatisoida putkistoja useiden LAZ-tiedostojen käsittelyä varten.