Downsampling File LAS/LAZ Secara Efisien dengan Laspy: Panduan Langkah-demi-Langkah

Memahami Proses Downsampling Data LAS dengan Laspy

Saat bekerja dengan file LAS atau LAZ besar dengan Python, downsampling sangat penting untuk pemrosesan dan analisis yang efisien. jahat, paket Python untuk membaca, menulis, dan mengubah data LAS, menawarkan berbagai cara untuk memanipulasi data point cloud, seperti membuat dan mengedit header LAS.

Contoh ini menunjukkan cara melakukan downsample kumpulan data dengan mengekstraksi setiap titik kesepuluh dari a malas file dan menggunakan kembali yang sudah ada LasHeader. Hal ini memerlukan pemahaman tentang bagaimana header berinteraksi dengan data, terutama saat bekerja dengan jumlah poin yang berbeda.

Saat mendirikan yang baru Data Las objek dari header yang ada, pengguna sering kali menemukan ukuran array yang tidak cocok. Disparitas ini terjadi karena header's poin_hitungan mungkin tidak secara otomatis selaras dengan data baru.

Tantangannya adalah mengevaluasi apakah atribut header seperti offset, skala, dan point_count perlu diubah secara manual, atau apakah ada solusi yang lebih otomatis. Posting ini menjelaskan cara memperbarui nilai-nilai ini dengan benar saat melakukan downsampling jahat, menghasilkan proses yang efektif.

Mengoptimalkan Downsampling Point Cloud dengan Laspy

Script pertama dalam posting ini berfokus pada downsampling a MALAS file, yang diperlukan untuk mengelola kumpulan data cloud titik besar. Dengan mengimpor file asli menggunakan laspy.baca() fungsinya, kita dapat mengakses data titik dan header yang berisi metadata tentang titik cloud. Teknik downsampling melibatkan pengambilan setiap titik kesepuluh, yang meminimalkan ukuran kumpulan data sambil tetap mempertahankan properti geografis yang penting. Ini dilakukan dengan menggunakan np.arange() untuk membangun array indeks. Setelah memilih poin, salin header dari file asli untuk memastikan kompatibilitas dalam metadata, seperti format_titik dan versi.

Namun, masalah umum terjadi ketika jumlah titik di header asli tidak sesuai dengan data yang didownsampling. Untuk memperbaikinya, kami menggunakan menyalin() berfungsi untuk membuat salinan dangkal dari header asli dan memodifikasinya secara manual poin_hitungan bidang untuk mencerminkan jumlah titik downsampled. Setelah membuat header baru, titik-titik yang didownsampling dialokasikan ke header baru Data Las benda yang memuat koordinat real x, y, dan z. Akhirnya, Data Las disimpan sebagai file LAZ baru menggunakan menulis() metode. Skrip ini efisien bagi pengguna yang perlu mengekstrak kumpulan data yang lebih kecil dari point cloud yang lebih besar.

Skrip kedua memperluas skrip pertama dengan secara otomatis menghitung ulang offset dan skala untuk data yang diturunkan sampelnya. Saat bekerja dengan point cloud, memiliki offset yang akurat sangatlah penting karena menunjukkan asal data dalam ruang 3D. Itu header.offset Atribut diperbarui dengan koordinat minimum x, y, dan z dari titik-titik yang di-downsampling. Demikian pula, faktor skala yang mempengaruhi ketepatan data titik diatur menggunakan header.skala atribut. Skrip ini tidak hanya meminimalkan ukuran point cloud, namun juga memastikan bahwa datanya tepat dan selaras, sehingga lebih cocok untuk penggunaan praktis.

Terakhir, skrip terakhir mendemonstrasikan pengujian unit dengan Python paling unit kerangka. Dalam skrip ini, kasus uji menentukan apakah jumlah titik sampel yang diturunkan sesuai dengan nilai prediksi. Hal ini penting untuk memastikan bahwa prosedur downsampling berjalan secara konsisten di seluruh konteks dan kumpulan data. Kasus uji didefinisikan menggunakan Kasus Uji kelas, dan perbandingannya dilakukan dengan menggunakan mandiri.assertEqual() metode. Dengan memasukkan pengujian ke dalam alur kerja, kami dapat memastikan bahwa prosedur downsampling berfungsi dengan baik sebelum menerapkannya ke proyek atau saluran pipa yang lebih besar. Skrip ini membantu pengguna menghindari masalah dan ketidakkonsistenan saat bekerja dengan beberapa file cloud titik.

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()

Menangani Metadata File LAS dan Teknik Downsampling Tingkat Lanjut

Saat bekerja dengan kumpulan data besar dengan sayang sekali, mengelola metadata sama pentingnya dengan mengelola data titik cloud yang sebenarnya. Menjaga keakuratan LasHeader nilai setelah downsampling adalah kesulitan yang signifikan. Karena koordinat data point cloud (x, y, dan z) berubah, header harus mencerminkan perubahan ini. Menghitung ulang offset memerlukan penghitungan ulang nilai minimum untuk setiap dimensi, sedangkan timbangan menentukan ketepatan data titik, terutama untuk penyimpanan.

Faktor lain yang perlu dievaluasi adalah integritas dimensi tambahan dalam file LAS. Byte ekstra biasanya digunakan untuk menyimpan informasi selain koordinat x, y, dan z normal, seperti intensitas atau waktu GPS. Jika kumpulan data berisi dimensi tambahan ini, dimensi tersebut harus ditangani saat melakukan downsampling. Anda harus menjamin bahwa jumlah poin dalam dimensi tambahan sesuai dengan pengurangan jumlah poin dalam data utama. Itu tambahkan_ekstra_dim fungsionalitas di sayang sekali memungkinkan penambahan dimensi khusus ke header LAS.

Terakhir, pengoptimalan kecepatan merupakan faktor penting untuk dipertimbangkan saat melakukan downsampling point cloud. Meskipun penyesuaian manusia pada header biasanya diperlukan, mengotomatiskan proses dengan memanfaatkan pengindeksan yang efisien dan menerapkan operasi array melalui numpy dapat mempercepat prosesnya secara signifikan. Dengan memanfaatkan kekuatan numpy, Anda dapat dengan cepat mengelola kumpulan data yang sangat besar tanpa mengorbankan kinerja. Hal ini memungkinkan Anda memperluas solusi untuk proyek yang lebih besar atau bahkan mengotomatiskan saluran pipa untuk memproses beberapa file LAZ.