Veiksmingas LAS / LAZ failų mėginių mažinimas naudojant Laspy: nuoseklus vadovas

Suprasti LAS duomenų mažinimo procesą naudojant Laspy

Dirbant su dideliais LAS arba LAZ failais Python, atranka yra būtina norint efektyviai apdoroti ir analizuoti. Laspy, Python paketas, skirtas LAS duomenims skaityti, rašyti ir keisti, siūlo daugybę būdų manipuliuoti taškų debesies duomenimis, pavyzdžiui, kurti ir redaguoti LAS antraštes.

Šiame pavyzdyje parodyta, kaip sumažinti duomenų rinkinio mėginius, ištraukiant kas dešimtą tašką iš a laz failą ir pakartotinai naudokite esamą LasHeader. Tam reikia suprasti, kaip antraštės sąveikauja su duomenimis, ypač dirbant su skirtingu taškų skaičiumi.

Steigiant naują LasData objektą iš esamos antraštės, vartotojai dažnai susiduria su nesuderinamu masyvo dydžiu. Šis skirtumas atsiranda dėl antraštės taškų_skaičius gali automatiškai nesutapti su naujais duomenimis.

Iššūkis yra įvertinti, ar reikia rankiniu būdu keisti antraštės atributus, pvz., poslinkius, skales ir taškų_skaičius, ar yra labiau automatinis sprendimas. Šiame įraše paaiškinama, kaip tinkamai atnaujinti šias vertes mažinant mėginius Laspy, todėl procesas yra veiksmingas.

Taškinių debesų mėginių mažinimo optimizavimas naudojant Laspy

Pirmajame šio įrašo scenarijuje dėmesys sutelkiamas į atrankos mažinimą LAZ failą, kuris reikalingas didelių taškų debesies duomenų rinkiniams valdyti. Importuodami originalų failą naudodami laspy.read() funkcija, galime pasiekti taško duomenis ir antraštę, kurioje yra metaduomenys apie taškų debesį. Atrankos mažinimo metodas apima kas dešimto taško paėmimą, o tai sumažina duomenų rinkinio dydį ir išlaiko svarbiausias geografines savybes. Tai atliekama naudojant np.arange() sukurti indeksų masyvą. Pasirinkę taškus, nukopijuokite antraštę iš pradinio failo, kad užtikrintumėte suderinamumą su metaduomenimis, pvz., taško_formatas ir versija.

Tačiau dažna problema kyla, kai taškų skaičius pradinėje antraštėje neatitinka atrinktų duomenų. Norėdami tai išspręsti, naudojame kopija () funkcija, kad padarytumėte negilią originalios antraštės kopiją ir rankiniu būdu pakeistumėte taškų_skaičius lauke, kad būtų rodomas sumažintų taškų skaičius. Sukūrus naują antraštę, atimti taškai priskiriami naujai LasData objektas, kuriame yra tikrosios x, y ir z koordinatės. Galiausiai, LasData išsaugomas kaip naujas LAZ failas naudojant rašyti () metodas. Šis scenarijus yra veiksmingas vartotojams, kuriems reikia išgauti mažesnius duomenų rinkinius iš didesnių taškų debesų.

Antrasis scenarijus išplečia pirmąjį, automatiškai perskaičiuodamas sumažintų duomenų poslinkius ir mastelius. Dirbant su taškiniais debesimis labai svarbu turėti tikslius poslinkius, nes jie nurodo duomenų kilmę 3D erdvėje. The antraštė.kompensacijos atributas atnaujinamas minimaliomis x, y ir z koordinatėmis iš sumažintų taškų. Panašiai mastelio veiksniai, turintys įtakos taško duomenų tikslumui, nustatomi naudojant antraštė.svarstyklės atributas. Šis scenarijus ne tik sumažina taško debesies dydį, bet ir užtikrina, kad duomenys būtų tikslūs ir suderinti, todėl yra tinkamesni praktiniam naudojimui.

Galiausiai galutinis scenarijus demonstruoja vienetų testavimą naudojant Python's unittest pagrindą. Šiame scenarijuje bandomasis atvejis nustato, ar sumažintas taškų skaičius atitinka numatytą vertę. Tai labai svarbu siekiant užtikrinti, kad atrankos mažinimo procedūra veiktų nuosekliai įvairiuose kontekstuose ir duomenų rinkiniuose. Bandomasis atvejis apibrėžiamas naudojant TestCase klasė, o palyginimas atliekamas naudojant self.assertEqual() metodas. Į darbo eigą įtraukę testavimą, galime užtikrinti, kad mėginių mažinimo procedūra tinkamai veiktų prieš diegiant ją didesniuose projektuose ar vamzdynuose. Šis scenarijus padeda vartotojams išvengti problemų ir neatitikimų dirbant su keliais taškų debesies failais.

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 failo metaduomenų tvarkymas ir pažangūs sumažinimo metodai

Dirbant su didžiuliais duomenų rinkiniais su lėkštas, tvarkyti metaduomenis yra taip pat labai svarbu, kaip ir tvarkyti tikrus taškų debesies duomenis. Išlaikant tikslumą LasHeader vertės po sumažinimo yra didelis sunkumas. Kadangi taškų debesies duomenų koordinatės (x, y ir z) keičiasi, antraštė turi atspindėti šiuos pokyčius. Perskaičiuojant kompensacijos reikalauja iš naujo perskaičiuoti minimalias kiekvieno matmens vertes, tuo tarpu svarstyklės nustatyti taškinių duomenų tikslumą, ypač saugojimui.

Kitas veiksnys, kurį reikia įvertinti, yra papildomų LAS failo matmenų vientisumas. Papildomi baitai dažniausiai naudojami kitai nei įprastoms x, y ir z koordinatėms, pvz., intensyvumui arba GPS laikui, informacijai laikyti. Jei duomenų rinkinyje yra šių papildomų dimensijų, jie turi būti tvarkomi mažinant atranką. Turite garantuoti, kad papildomų dimensijų taškų skaičius atitinka sumažintą taškų skaičių pirminiuose duomenyse. The add_extra_dim funkcionalumas viduje lėkštas leidžia pridėti pasirinktinius matmenis prie LAS antraštės.

Galiausiai greičio optimizavimas yra svarbus veiksnys, į kurį reikia atsižvelgti mažinant taškų debesų mėginius. Nors antraštę paprastai reikia keisti, o procesas automatizuojamas naudojant efektyvų indeksavimą ir taikant masyvo operacijas per nelygus gali žymiai pagreitinti procesą. Panaudojus galią niūrus, galite greitai valdyti didžiulius duomenų rinkinius neprarandant našumo. Tai leidžia išplėsti sprendimus iki didesnių projektų ar net automatizuoti kelių LAZ failų apdorojimo vamzdynus.