Efektīva LAS/LAZ failu izlases samazināšana, izmantojot Laspy: soli pa solim.

Izpratne par LAS datu samazināšanas procesu, izmantojot Laspy

Strādājot ar lieliem LAS vai LAZ failiem programmā Python, efektīvai apstrādei un analīzei būtiska ir iztveršanas samazināšana. Laspy, Python pakotne LAS datu lasīšanai, rakstīšanai un mainīšanai, piedāvā daudzus veidus, kā manipulēt ar punktu mākoņa datiem, piemēram, izveidot un rediģēt LAS galvenes.

Šajā piemērā parādīts, kā samazināt datu kopas izlasi, izvelkot katru desmito punktu no a laz failu un atkārtoti izmantot esošu LasHeader. Tas prasa izpratni par to, kā galvenes mijiedarbojas ar datiem, jo ​​īpaši strādājot ar dažādu punktu skaitu.

Izveidojot jaunu LasData objektu no esošas galvenes, lietotāji bieži saskaras ar neatbilstošu masīva izmēru. Šī atšķirība rodas, jo galvenes punktu_skaits var netikt automātiski saskaņots ar jaunajiem datiem.

Izaicinājums ir novērtēt, vai ir nepieciešams manuāli modificēt galvenes atribūtus, piemēram, nobīdes, skalas un punktu_skaits, vai arī ir automātiskāks risinājums. Šajā ziņojumā ir paskaidrots, kā pareizi atjaunināt šīs vērtības, veicot samazinātu iztveršanu Laspy, kā rezultātā notiek efektīvs process.

Punktu mākoņu samazināšanas optimizēšana, izmantojot Laspy

Pirmais šīs ziņas skripts ir vērsts uz samazināšanu a LAZ failu, kas nepieciešams lielo punktu mākoņu datu kopu pārvaldībai. Importējot sākotnējo failu, izmantojot laspy.read() funkciju, mēs varam piekļūt punktu datiem un galvenei, kas satur metadatus par punktu mākoni. Iztveršanas samazināšanas paņēmiens ietver katra desmitā punkta atlasi, kas samazina datu kopas lielumu, vienlaikus saglabājot svarīgākās ģeogrāfiskās īpašības. Tas tiek darīts, izmantojot np.arange() lai izveidotu indeksu masīvu. Pēc punktu atlasīšanas nokopējiet galveni no sākotnējā faila, lai nodrošinātu metadatu saderību, piemēram, punkta_formāts un versija.

Tomēr bieži sastopama problēma rodas, ja punktu skaits sākotnējā galvenē neatbilst samazinātajiem datiem. Lai to labotu, mēs izmantojam kopēt () funkcija, lai izveidotu seklu oriģinālās galvenes kopiju un manuāli modificētu punktu_skaits lauks, lai atspoguļotu samazināto punktu skaitu. Pēc jaunās galvenes izveides samazinātie punkti tiek piešķirti jaunai LasData objekts, kas satur reālās x, y un z koordinātas. Visbeidzot, LasData tiek saglabāts kā jauns LAZ fails, izmantojot rakstīt () metodi. Šis skripts ir efektīvs lietotājiem, kuriem nepieciešams iegūt mazākas datu kopas no lielākiem punktu mākoņiem.

Otrais skripts paplašina pirmo, automātiski pārrēķinot nobīdes un skalas samazinātajiem datiem. Strādājot ar punktu mākoņiem, precīzas nobīdes ir ļoti svarīgas, jo tās norāda datu izcelsmi 3D telpā. The header.offsets atribūts tiek atjaunināts ar minimālajām x, y un z koordinātām no samazinātajiem punktiem. Līdzīgi, skalas faktori, kas ietekmē punktu datu precizitāti, tiek iestatīti, izmantojot galvene.svari atribūts. Šis skripts ne tikai samazina punktu mākoņa izmēru, bet arī nodrošina, ka dati ir precīzi un saskaņoti, padarot tos piemērotākus praktiskai lietošanai.

Visbeidzot, pēdējais skripts demonstrē vienību testēšanu ar Python vienības tests ietvaros. Šajā skriptā testa gadījums nosaka, vai samazināto punktu skaits atbilst prognozētajai vērtībai. Tas ir ļoti svarīgi, lai nodrošinātu, ka samazināšanas procedūra konsekventi darbojas dažādos kontekstos un datu kopās. Testa gadījums tiek definēts, izmantojot TestCase klasē, un salīdzinājums tiek veikts, izmantojot self.assertEqual() metodi. Iekļaujot testēšanu darbplūsmā, mēs varam nodrošināt, ka iztveršanas procedūra darbojas pareizi, pirms to izvietojam lielākos projektos vai cauruļvados. Šis skripts palīdz lietotājiem izvairīties no problēmām un neatbilstībām, strādājot ar vairākiem punktu mākoņa failiem.

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 failu metadatu apstrāde un uzlabotas lejupielādes metodes

Strādājot ar milzīgām datu kopām ar laisks, metadatu pārvaldība ir vienlīdz svarīga kā faktisko punktu mākoņu datu pārvaldība. Precizitātes saglabāšana LasHeader vērtības pēc samazināšanas ir ievērojamas grūtības. Tā kā punktu mākoņa datu koordinātas (x, y un z) mainās, galvenē ir jāatspoguļo šīs izmaiņas. Pārrēķinot kompensācijas nepieciešams pārrēķināt katras kategorijas minimālās vērtības, savukārt svari noteikt punktu datu precizitāti, īpaši uzglabāšanai.

Vēl viens faktors, kas jānovērtē, ir papildu izmēru integritāte LAS failā. Papildu baiti parasti tiek izmantoti, lai saglabātu informāciju, kas atšķiras no parastajām x, y un z koordinātēm, piemēram, intensitāti vai GPS laiku. Ja datu kopā ir šīs papildu dimensijas, tās ir jāapstrādā, veicot samazinājumu. Jums jāgarantē, ka punktu skaits papildu dimensijās atbilst samazinātajam punktu skaitam primārajos datos. The add_extra_dim funkcionalitāte iekšā vieglprātīgs ļauj LAS galvei pievienot pielāgotus izmērus.

Visbeidzot, ātruma optimizācija ir svarīgs faktors, kas jāņem vērā, samazinot punktu mākoņu paraugus. Lai gan parasti ir nepieciešami cilvēka pielāgojumi galvenē, process tiek automatizēts, izmantojot efektīvu indeksēšanu un masīva darbības, izmantojot nejutīgs var ievērojami paātrināt procesu. Izmantojot spēku nejutīgs, varat ātri pārvaldīt milzīgas datu kopas, nezaudējot veiktspēju. Tas ļauj paplašināt risinājumus lielākiem projektiem vai pat automatizēt cauruļvadus vairāku LAZ failu apstrādei.