Mengurangkan Fail LAS/LAZ dengan cekap dengan Laspy: Panduan Langkah demi Langkah

Memahami Proses Penurunan Data LAS dengan Laspy

Apabila bekerja dengan fail LAS atau LAZ yang besar dalam Python, downsampling adalah penting untuk pemprosesan dan analisis yang cekap. Laspy, pakej Python untuk membaca, menulis dan mengubah data LAS, menawarkan pelbagai cara untuk memanipulasi data awan titik, seperti mencipta dan mengedit pengepala LAS.

Contoh ini menunjukkan cara menurunkan sampel set data dengan mengekstrak setiap titik kesepuluh daripada a malas fail dan gunakan semula yang sedia ada LasHeader. Ini memerlukan pemahaman tentang cara pengepala berinteraksi dengan data, terutamanya apabila bekerja dengan kiraan mata yang berbeza.

Apabila menubuhkan yang baru LasData objek daripada pengepala sedia ada, pengguna kerap menghadapi saiz tatasusunan yang tidak sepadan. Perbezaan ini berlaku kerana pengepala jumlah_titik mungkin tidak sejajar secara automatik dengan data baharu.

Cabarannya ialah untuk menilai sama ada perlu mengubah suai atribut pengepala secara manual seperti offset, skala dan pengiraan titik, atau sama ada terdapat penyelesaian yang lebih automatik. Siaran ini menerangkan cara mengemas kini nilai ini dengan betul apabila menggunakan pensampelan rendah Laspy, menghasilkan proses yang berkesan.

Mengoptimumkan Penurunan Pensampelan Awan Titik dengan Laspy

Skrip pertama dalam catatan ini memfokuskan pada pensampelan rendah a LAZ fail, yang diperlukan untuk menguruskan set data awan titik besar. Dengan mengimport fail asal menggunakan laspy.read() fungsi, kita boleh mengakses data titik dan pengepala yang mengandungi metadata tentang awan titik. Teknik pensampelan rendah melibatkan pemilihan setiap titik kesepuluh, yang meminimumkan saiz set data sambil mengekalkan sifat geografi yang penting. Ini dilakukan dengan menggunakan np.arange() untuk membina pelbagai indeks. Selepas memilih mata, salin pengepala daripada fail asal untuk memastikan keserasian dalam metadata, seperti format_titik dan versi.

Walau bagaimanapun, masalah biasa berlaku apabila bilangan titik dalam pengepala asal tidak sepadan dengan data yang dikurangkan sampel. Untuk membetulkannya, kami menggunakan salinan() berfungsi untuk membuat salinan cetek pengepala asal dan mengubah suai secara manual kiraan_titik medan untuk mencerminkan bilangan titik yang dikurangkan sampel. Selepas mencipta pengepala baharu, titik yang dikurangkan diperuntukkan kepada yang baharu LasData objek yang mengandungi koordinat x, y, dan z sebenar. Akhirnya, yang LasData disimpan sebagai fail LAZ baharu menggunakan fail tulis() kaedah. Skrip ini cekap untuk pengguna yang perlu mengekstrak set data yang lebih kecil daripada awan titik yang lebih besar.

Skrip kedua memanjangkan yang pertama dengan mengira semula secara automatik offset dan skala untuk data yang dikurangkan sampel. Apabila bekerja dengan awan titik, mempunyai offset yang tepat adalah penting kerana ia menunjukkan asal data dalam ruang 3D. The header.offsets atribut dikemas kini dengan koordinat x, y, dan z minimum daripada titik yang dikurangkan. Begitu juga, faktor skala yang mempengaruhi ketepatan data titik ditetapkan menggunakan header.scales atribut. Skrip ini bukan sahaja meminimumkan saiz awan titik, tetapi ia juga memastikan bahawa data adalah tepat dan sejajar, menjadikannya lebih sesuai untuk kegunaan praktikal.

Akhirnya, skrip terakhir menunjukkan ujian unit dengan Python ujian unit rangka kerja. Dalam skrip ini, kes ujian menentukan sama ada kiraan titik yang dikurangkan sepadan dengan nilai yang diramalkan. Ini penting untuk memastikan bahawa prosedur pensampelan turun berfungsi secara konsisten merentas konteks dan set data. Kes ujian ditakrifkan menggunakan TestCase kelas, dan perbandingan dijalankan menggunakan self.assertEqual() kaedah. Dengan memasukkan ujian ke dalam aliran kerja, kami boleh memastikan bahawa prosedur pensampelan turun berfungsi dengan betul sebelum menggunakannya ke projek atau saluran paip yang lebih besar. Skrip ini membantu pengguna mengelakkan masalah dan ketidakkonsistenan apabila bekerja dengan beberapa fail awan 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()

Mengendalikan Metadata Fail LAS dan Teknik Pensampelan Turun Lanjutan

Apabila bekerja dengan set data yang besar dengan lembik, mengurus metadata adalah sama pentingnya dengan mengurus data awan titik sebenar. Mengekalkan ketepatan LasHeader nilai selepas pensampelan turun adalah kesukaran yang ketara. Oleh kerana koordinat data awan titik (x, y dan z) berubah, pengepala mesti mencerminkan perubahan ini. Mengira semula mengimbangi memerlukan pengiraan semula nilai minimum untuk setiap dimensi, manakala penimbang tentukan ketepatan data titik, terutamanya untuk penyimpanan.

Faktor lain yang perlu dinilai ialah integriti dimensi tambahan dalam fail LAS. Bait tambahan biasanya digunakan untuk menyimpan maklumat selain daripada koordinat x, y dan z biasa, seperti keamatan atau masa GPS. Jika set data mengandungi dimensi tambahan ini, ia mesti dikendalikan semasa menurunkan sampel. Anda mesti menjamin bahawa bilangan mata dalam dimensi tambahan sepadan dengan kiraan mata yang dikurangkan dalam data utama. The add_extra_dim kefungsian dalam lembik membolehkan penambahan dimensi tersuai pada pengepala LAS.

Akhir sekali, pengoptimuman kelajuan merupakan faktor penting untuk dipertimbangkan semasa menurunkan persampelan awan titik. Walaupun tweak manusia pada pengepala biasanya diperlukan, mengautomasikan proses dengan memanfaatkan pengindeksan yang cekap dan menggunakan operasi tatasusunan melalui numpy boleh mempercepatkan proses dengan ketara. Dengan memanfaatkan kuasa numpy, anda boleh mengurus set data yang besar dengan cepat tanpa mengorbankan prestasi. Ini membolehkan anda mengembangkan penyelesaian kepada projek yang lebih besar atau mengautomasikan saluran paip untuk memproses berbilang fail LAZ.