Učinkovito smanjenje LAS/LAZ datoteka pomoću Laspyja: Vodič korak po korak

Razumijevanje procesa smanjenja uzorkovanja LAS podataka pomoću Laspyja

Kada radite s velikim LAS ili LAZ datotekama u Pythonu, smanjenje uzorkovanja bitno je za učinkovitu obradu i analizu. Laspy, Python paket za čitanje, pisanje i mijenjanje LAS podataka, nudi brojne načine za manipuliranje podacima oblaka točaka, kao što je stvaranje i uređivanje LAS zaglavlja.

Ovaj primjer pokazuje kako smanjiti uzorkovanje skupa podataka izdvajanjem svake desete točke iz a laz datoteku i ponovno upotrijebite postojeću LasHeader. To zahtijeva razumijevanje načina na koji zaglavlja stupaju u interakciju s podacima, osobito kada se radi s različitim brojem bodova.

Prilikom osnivanja novog LasData objekta iz postojećeg zaglavlja, korisnici se često susreću s neusklađenom veličinom polja. Do ove razlike dolazi jer je zaglavlje broj_bodova možda se neće automatski uskladiti s novim podacima.

Izazov je procijeniti je li potrebno ručno mijenjati atribute zaglavlja kao što su pomaci, skale i broj_točaka ili postoji li automatiziranije rješenje. Ovaj post objašnjava kako ispravno ažurirati ove vrijednosti prilikom smanjenja uzorkovanja pomoću Laspy, što rezultira učinkovitim procesom.

Optimiziranje smanjenja uzorkovanja u oblaku točaka uz Laspy

Prva skripta u ovom postu fokusirana je na smanjenje uzorkovanja a LAZ datoteku koja je neophodna za upravljanje velikim skupovima podataka oblaka točaka. Uvozom izvorne datoteke pomoću laspy.read() možemo pristupiti podacima o točkama i zaglavlju koje sadrži metapodatke o oblaku točaka. Tehnika smanjivanja uzorkovanja uključuje odabir svake desete točke, što smanjuje veličinu skupa podataka uz zadržavanje ključnih geografskih svojstava. To se postiže korištenjem np.arange() za izgradnju niza indeksa. Nakon odabira točaka, kopirajte zaglavlje iz izvorne datoteke kako biste osigurali kompatibilnost u metapodacima, kao što je format_točke i verzija.

Međutim, čest problem se javlja kada broj točaka u izvornom zaglavlju ne odgovara smanjenim podacima. Da bismo to popravili, koristimo se kopirati() funkciju za izradu plitke kopije izvornog zaglavlja i ručnu izmjenu broj_bodova polje koje odražava broj smanjenih točaka. Nakon stvaranja novog zaglavlja, bodovi smanjenog uzorkovanja dodjeljuju se novom LasData objekt koji sadrži stvarne x, y i z koordinate. Konačno, LasData sprema se kao nova LAZ datoteka pomoću pisati() metoda. Ova je skripta učinkovita za korisnike koji trebaju izdvojiti manje skupove podataka iz većih oblaka točaka.

Druga skripta proširuje prvu automatskim ponovnim izračunavanjem pomaka i skala za podatke smanjene uzorkovanja. Kada radite s oblacima točaka, kritični su točni pomaci jer oni ukazuju na porijeklo podataka u 3D prostoru. The zaglavlje.pomaci atribut se ažurira minimalnim x, y i z koordinatama iz točaka smanjenog uzorkovanja. Slično tome, faktori mjerila koji utječu na preciznost podataka o točkama postavljaju se pomoću zaglavlje.vaga atribut. Ova skripta ne samo da smanjuje veličinu oblaka točaka, već također osigurava da su podaci precizni i usklađeni, što ih čini prikladnijima za praktičnu upotrebu.

Konačno, konačna skripta demonstrira jedinično testiranje s Pythonom jedinični test okvir. U ovoj skripti testni slučaj utvrđuje odgovara li smanjeni broj točaka predviđenoj vrijednosti. Ovo je presudno za osiguravanje dosljedne izvedbe postupka smanjenja uzorkovanja u svim kontekstima i skupovima podataka. Testni slučaj je definiran pomoću TestCase razreda, a usporedba se provodi pomoću self.assertEqual() metoda. Uključivanjem testiranja u tijek rada možemo osigurati da postupak smanjivanja uzorkovanja radi ispravno prije nego što ga implementiramo na veće projekte ili cjevovode. Ova skripta pomaže korisnicima da izbjegnu probleme i nedosljednosti pri radu s nekoliko datoteka oblaka točaka.

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()

Rukovanje metapodacima LAS datoteke i napredne tehnike smanjenja uzorkovanja

Kada radite s velikim skupovima podataka s laspy, upravljanje metapodacima jednako je ključno kao i upravljanje stvarnim podacima oblaka točaka. Održavanje točnosti LasHeader vrijednosti nakon smanjenja uzorkovanja predstavlja značajnu poteškoću. Budući da se koordinate podataka oblaka točaka (x, y i z) mijenjaju, zaglavlje mora odražavati te promjene. Ponovno izračunavanje kompenzacije zahtijeva ponovno izračunavanje minimalnih vrijednosti za svaku dimenziju, dok mjerila odrediti preciznost podataka o točki, posebno za pohranu.

Još jedan faktor koji treba ocijeniti je integritet dodatnih dimenzija u LAS datoteci. Dodatni bajtovi obično se koriste za čuvanje informacija koje nisu normalne x, y i z koordinate, kao što su intenzitet ili GPS vrijeme. Ako skup podataka sadrži te dodatne dimenzije, njima se mora postupati prilikom smanjivanja uzorkovanja. Morate jamčiti da broj točaka u dodatnim dimenzijama odgovara smanjenom broju točaka u primarnim podacima. The dodaj_ekstra_dim funkcionalnost u laspy omogućuje dodavanje prilagođenih dimenzija u LAS zaglavlje.

Konačno, optimizacija brzine važan je čimbenik koji treba uzeti u obzir pri smanjenju uzorkovanja oblaka točaka. Dok su obično potrebna ljudska podešavanja zaglavlja, automatizacija procesa iskorištavanjem učinkovitog indeksiranja i primjenom operacija polja putem numpy može znatno ubrzati proces. Iskorištavanjem moći numpy, možete brzo upravljati golemim skupovima podataka bez žrtvovanja performansi. To vam omogućuje da proširite rješenja na veće projekte ili čak automatizirate cjevovode za obradu više LAZ datoteka.