Laspy के साथ LAS/LAZ फ़ाइलों को कुशलतापूर्वक डाउनसैंपलिंग करना: एक चरण-दर-चरण मार्गदर्शिका

लास्पी के साथ एलएएस डेटा को डाउनसैंपलिंग करने की प्रक्रिया को समझना

पायथन में बड़ी LAS या LAZ फ़ाइलों के साथ काम करते समय, कुशल प्रसंस्करण और विश्लेषण के लिए डाउनसैंपलिंग आवश्यक है। लास्पीएलएएस डेटा को पढ़ने, लिखने और बदलने के लिए एक पायथन पैकेज, पॉइंट क्लाउड डेटा में हेरफेर करने के कई तरीके प्रदान करता है, जैसे एलएएस हेडर बनाना और संपादित करना।

यह उदाहरण दिखाता है कि प्रत्येक दसवें बिंदु को निकालकर किसी डेटासेट का डाउनसैंपल कैसे किया जाए लाज़ फ़ाइल करें और मौजूदा का पुन: उपयोग करें लासहैडर. इसके लिए यह समझने की आवश्यकता है कि हेडर डेटा के साथ कैसे इंटरैक्ट करते हैं, खासकर जब विभिन्न बिंदु गणनाओं के साथ काम करते हैं।

एक नया स्थापित करते समय लासडेटा किसी मौजूदा हेडर से ऑब्जेक्ट, उपयोगकर्ताओं को अक्सर बेमेल सरणी आकार का सामना करना पड़ता है। यह असमानता हेडर के कारण होती है बिंदु_गिनती नए डेटा के साथ स्वचालित रूप से संरेखित नहीं हो सकता है.

चुनौती यह मूल्यांकन करना है कि क्या ऑफसेट, स्केल और पॉइंट_काउंट जैसी हेडर विशेषताओं को मैन्युअल रूप से संशोधित करना आवश्यक है, या क्या कोई अधिक स्वचालित समाधान है। यह पोस्ट बताती है कि डाउनसैंपलिंग का उपयोग करते समय इन मानों को ठीक से कैसे अपडेट किया जाए लास्पी, जिसके परिणामस्वरूप एक प्रभावी प्रक्रिया होगी।

लास्पी के साथ प्वाइंट क्लाउड डाउनसैंपलिंग का अनुकूलन

इस पोस्ट की पहली स्क्रिप्ट डाउनसैंपलिंग पर केंद्रित है एलएजेड फ़ाइल, जो बड़े बिंदु क्लाउड डेटासेट के प्रबंधन के लिए आवश्यक है। का उपयोग करके मूल फ़ाइल आयात करके laspy.read() फ़ंक्शन, हम बिंदु डेटा और हेडर तक पहुंच सकते हैं जिसमें बिंदु क्लाउड के बारे में मेटाडेटा शामिल है। डाउनसैंपलिंग तकनीक में हर दसवें बिंदु को चुनना शामिल है, जो महत्वपूर्ण भौगोलिक गुणों को बनाए रखते हुए डेटासेट के आकार को कम करता है। इसका प्रयोग करके किया जाता है एनपी.अरेंज() सूचकांकों की एक श्रृंखला बनाने के लिए। अंक चुनने के बाद, मेटाडेटा में अनुकूलता सुनिश्चित करने के लिए मूल फ़ाइल से हेडर को कॉपी करें, जैसे बिंदु_प्रारूप और संस्करण.

हालाँकि, एक सामान्य समस्या तब होती है जब मूल हेडर में अंकों की संख्या डाउनसैंपल किए गए डेटा के अनुरूप नहीं होती है। इसे ठीक करने के लिए, हम इसका उपयोग करते हैं प्रतिलिपि() मूल हेडर की एक उथली प्रतिलिपि बनाने और मैन्युअल रूप से संशोधित करने का कार्य बिंदु_गिनती डाउनसैंपल किए गए बिंदुओं की संख्या दर्शाने के लिए फ़ील्ड। नया हेडर बनाने के बाद, डाउनसैंपल्ड पॉइंट एक नए को आवंटित किए जाते हैं लासडेटा वह वस्तु जिसमें वास्तविक x, y और z निर्देशांक हों। अंततः लासडेटा का उपयोग करके एक नई LAZ फ़ाइल के रूप में सहेजा जाता है लिखना() तरीका। यह स्क्रिप्ट उन उपयोगकर्ताओं के लिए कुशल है जिन्हें बड़े बिंदु क्लाउड से छोटे डेटासेट निकालने की आवश्यकता होती है।

दूसरी स्क्रिप्ट डाउनसैंपल किए गए डेटा के लिए ऑफसेट और स्केल को स्वचालित रूप से पुनर्गणना करके पहले का विस्तार करती है। बिंदु बादलों के साथ काम करते समय, सटीक ऑफसेट होना महत्वपूर्ण है क्योंकि वे 3डी स्पेस में डेटा की उत्पत्ति का संकेत देते हैं। हेडर.ऑफ़सेट विशेषता को डाउनसैंपल बिंदुओं से न्यूनतम x, y और z निर्देशांक के साथ अद्यतन किया जाता है। इसी प्रकार, बिंदु डेटा की सटीकता को प्रभावित करने वाले स्केल कारक का उपयोग करके सेट किए जाते हैं शीर्ष लेख.तराजू गुण। यह स्क्रिप्ट न केवल पॉइंट क्लाउड के आकार को कम करती है, बल्कि यह यह भी सुनिश्चित करती है कि डेटा सटीक और संरेखित है, जिससे यह व्यावहारिक उपयोग के लिए अधिक उपयुक्त हो जाता है।

अंत में, अंतिम स्क्रिप्ट पायथन के साथ इकाई परीक्षण को प्रदर्शित करती है इकाई परीक्षण रूपरेखा। इस स्क्रिप्ट में, एक परीक्षण मामला यह निर्धारित करता है कि क्या डाउनसैंपल बिंदु गणना अनुमानित मूल्य से मेल खाती है। यह सुनिश्चित करने के लिए महत्वपूर्ण है कि डाउनसैंपलिंग प्रक्रिया संदर्भों और डेटासेटों में लगातार निष्पादित हो। परीक्षण केस का उपयोग करके परिभाषित किया गया है परीक्षण मामला कक्षा, और तुलना का उपयोग करके आयोजित की जाती है self.assertEqual() तरीका। वर्कफ़्लो में परीक्षण को शामिल करके, हम यह सुनिश्चित कर सकते हैं कि डाउनसैंपलिंग प्रक्रिया बड़ी परियोजनाओं या पाइपलाइनों पर तैनात करने से पहले ठीक से काम करती है। यह स्क्रिप्ट उपयोगकर्ताओं को कई बिंदु क्लाउड फ़ाइलों के साथ काम करते समय समस्याओं और विसंगतियों से बचने में मदद करती है।

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()

एलएएस फ़ाइल मेटाडेटा और उन्नत डाउनसैंपलिंग तकनीकों को संभालना

विशाल डेटासेट के साथ काम करते समय laspy, मेटाडेटा का प्रबंधन करना वास्तविक बिंदु क्लाउड डेटा के प्रबंधन के समान ही महत्वपूर्ण है। की सटीकता बनाए रखना लासहैडर डाउनसैंपलिंग के बाद मान एक महत्वपूर्ण कठिनाई है। क्योंकि पॉइंट क्लाउड डेटा के निर्देशांक (x, y, और z) बदलते हैं, हेडर को इन परिवर्तनों को प्रतिबिंबित करना चाहिए। की पुनर्गणना कर रहा हूँ ऑफसेट प्रत्येक आयाम के लिए न्यूनतम मानों की पुनर्गणना की आवश्यकता होती है, जबकि तराजू बिंदु डेटा की सटीकता निर्धारित करें, विशेष रूप से भंडारण के लिए।

मूल्यांकन के लिए एक अन्य कारक एलएएस फ़ाइल में अतिरिक्त आयामों की अखंडता है। अतिरिक्त बाइट्स का उपयोग आमतौर पर सामान्य x, y और z निर्देशांक के अलावा तीव्रता या जीपीएस समय जैसी जानकारी रखने के लिए किया जाता है। यदि डेटासेट में ये अतिरिक्त आयाम हैं, तो डाउनसैंपलिंग करते समय उन्हें संभाला जाना चाहिए। आपको यह गारंटी देनी होगी कि अतिरिक्त आयामों में अंकों की संख्या प्राथमिक डेटा में कम बिंदु गणना से मेल खाती है। add_extra_dim में कार्यक्षमता laspy एलएएस हेडर में कस्टम आयाम जोड़ने में सक्षम बनाता है।

अंत में, डाउनसैंपलिंग बिंदु बादलों पर विचार करने के लिए गति अनुकूलन एक महत्वपूर्ण कारक है। जबकि हेडर में मानव बदलाव की आम तौर पर आवश्यकता होती है, कुशल अनुक्रमण का लाभ उठाकर और सरणी संचालन को लागू करके प्रक्रिया को स्वचालित करना Numpy प्रक्रिया में काफी तेजी ला सकता है। की शक्ति का उपयोग करके Numpy, आप प्रदर्शन से समझौता किए बिना विशाल डेटासेट को तुरंत प्रबंधित कर सकते हैं। यह आपको बड़ी परियोजनाओं के लिए समाधानों का विस्तार करने या यहां तक ​​कि कई एलएजेड फ़ाइलों को संसाधित करने के लिए पाइपलाइनों को स्वचालित करने की अनुमति देता है।