A LAS/LAZ fájlok hatékony mintavételezése a Laspy segítségével: lépésről lépésre

A LAS-adatok lemintavételezési folyamatának megértése a Laspy segítségével

Ha Pythonban nagy LAS vagy LAZ fájlokkal dolgozik, a lemintavétel elengedhetetlen a hatékony feldolgozás és elemzés érdekében. Laspy, a LAS-adatok olvasására, írására és módosítására szolgáló Python-csomag, amely számos módot kínál a pontfelhő-adatok manipulálására, például LAS-fejlécek létrehozására és szerkesztésére.

Ez a példa bemutatja, hogyan lehet lemintázni egy adatkészletet úgy, hogy minden tizedik pontot kivonunk az a laz fájlt, és használjon újra egy meglévőt LasHeader. Ehhez meg kell érteni, hogy a fejlécek hogyan hatnak egymásra az adatokkal, különösen, ha különböző pontszámokkal dolgozik.

Új létesítésekor LasData objektum egy meglévő fejlécből, a felhasználók gyakran találkoznak nem egyező tömbmérettel. Ez az eltérés abból adódik, hogy a fejléc pont_szám előfordulhat, hogy nem igazodik automatikusan az új adatokhoz.

A kihívás annak értékelése, hogy szükséges-e manuálisan módosítani a fejléc-attribútumokat, például az eltolásokat, a léptékeket és a pont_számát, vagy létezik-e automatikusabb megoldás. Ez a bejegyzés elmagyarázza, hogyan kell megfelelően frissíteni ezeket az értékeket a mintavételezés során Laspy, ami hatékony folyamatot eredményez.

Pontfelhő-lemintavétel optimalizálása a Laspy segítségével

A bejegyzés első szkriptje a mintavételezésre összpontosít a LAZ fájl, amely a nagypontos felhő adatkészletek kezeléséhez szükséges. Az eredeti fájl importálásával a laspy.read() függvény segítségével hozzáférhetünk a pontadatokhoz és a pontfelhővel kapcsolatos metaadatokat tartalmazó fejléchez. A mintavételezési technika minden tizedik pont felvételét foglalja magában, ami minimalizálja az adatkészlet méretét, miközben megtartja a döntő földrajzi tulajdonságokat. Ez használatával történik np.arange() indexek tömbjének felépítéséhez. A pontok kiválasztása után másolja ki a fejlécet az eredeti fájlból, hogy biztosítsa a metaadatokkal való kompatibilitást, mint pl pont_formátuma és verzió.

Gyakori probléma azonban akkor fordul elő, ha az eredeti fejlécben szereplő pontok száma nem egyezik meg a lemintázott adatokkal. Ennek javítására használjuk a másolat() funkció segítségével sekély másolatot készíthet az eredeti fejlécről, és manuálisan módosíthatja a pont_szám mezőben, hogy tükrözze a lemintázott pontok számát. Az új fejléc létrehozása után a lemintázott pontok egy újhoz kerülnek hozzárendelésre LasData objektum, amely tartalmazza a valós x, y és z koordinátákat. Végül a LasData új LAZ-fájlként kerül mentésre a írj () módszer. Ez a szkript hatékony azoknak a felhasználóknak, akiknek kisebb adatkészleteket kell kivonniuk nagyobb pontfelhőkből.

A második szkript kiterjeszti az elsőt azáltal, hogy automatikusan újraszámolja az eltolásokat és a skálákat a lemintazott adatokhoz. Amikor pontfelhőkkel dolgozik, a pontos eltolás kritikus fontosságú, mivel ezek jelzik az adatok eredetét a 3D térben. A fejléc.eltolások Az attribútum a minimális x, y és z koordinátákkal frissül a lemintázott pontokból. Hasonlóképpen a pontadatok pontosságát befolyásoló léptéktényezőket a segítségével állítjuk be fejléc.mérleg tulajdonság. Ez a szkript nemcsak minimalizálja a pontfelhő méretét, hanem azt is biztosítja, hogy az adatok pontosak és igazodjanak, így alkalmasabbak a gyakorlati használatra.

Végül a végső szkript bemutatja az egységtesztet Python-szal egységteszt keretrendszer. Ebben a szkriptben egy teszteset határozza meg, hogy a lemintázott pontok száma megfelel-e az előrejelzett értéknek. Ez kulcsfontosságú annak biztosításához, hogy a mintavételezési eljárás kontextusban és adatkészletekben következetesen működjön. A teszteset a TestCase osztályban, és az összehasonlítás a self.assertEqual() módszer. A tesztelésnek a munkafolyamatba való bevonásával biztosíthatjuk, hogy a mintavételezési eljárás megfelelően működjön, mielőtt nagyobb projektekre vagy folyamatokra telepítené. Ez a szkript segít a felhasználóknak elkerülni a problémákat és a következetlenségeket, amikor több pontfelhő-fájllal dolgoznak.

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()

A LAS-fájl metaadatainak kezelése és a speciális lemintavételezési technikák

Ha hatalmas adatkészletekkel dolgozik lassító, a metaadatok kezelése ugyanolyan fontos, mint a tényleges pontfelhő-adatok kezelése. pontosságának megőrzése LasHeader a mintavétel utáni értékek jelentős nehézséget jelentenek. Mivel a pontfelhő adatok koordinátái (x, y és z) változnak, a fejlécnek tükröznie kell ezeket a változásokat. Újraszámolva a ellentételezések minden dimenzióhoz újra kell számítani a minimális értékeket, míg a Mérleg meghatározza a pontadatok pontosságát, különösen a tároláshoz.

Egy másik értékelendő tényező a LAS-fájl további dimenzióinak integritása. Az extra bájtokat általában a normál x, y és z koordinátáktól eltérő információk tárolásához használják, például az intenzitást vagy a GPS-időt. Ha az adatkészlet tartalmazza ezeket az extra dimenziókat, akkor ezeket a mintavételezés során kezelni kell. Biztosítania kell, hogy a plusz dimenziókban szereplő pontok száma megfeleljen az elsődleges adatokban szereplő csökkentett pontszámnak. A add_extra_dim funkcionalitás be lassító lehetővé teszi egyéni dimenziók hozzáadását a LAS-fejléchez.

Végül a sebességoptimalizálás fontos tényező, amelyet figyelembe kell venni a pontfelhők mintavételezése során. Míg a fejlécben általában emberi módosításokra van szükség, a folyamat automatizálása hatékony indexelés és tömbműveletek alkalmazásával zsibbadt jelentősen felgyorsíthatja a folyamatot. Az erejét kihasználva zsibbadt, gyorsan kezelhet hatalmas adatkészleteket a teljesítmény feláldozása nélkül. Ez lehetővé teszi a megoldások kiterjesztését nagyobb projektekre, vagy akár a folyamatok automatizálását több LAZ-fájl feldolgozásához.