Effektiv nedsampling av LAS/LAZ-filer med Laspy: en trinn-for-trinn-veiledning

Forstå prosessen med å nedsample LAS-data med Laspy

Når du arbeider med store LAS- eller LAZ-filer i Python, er nedsampling avgjørende for effektiv prosessering og analyse. Laspy, en Python-pakke for lesing, skriving og endring av LAS-data, tilbyr en rekke måter å manipulere punktskydata på, for eksempel å lage og redigere LAS-overskrifter.

Dette eksemplet viser hvordan du nedsampler et datasett ved å trekke ut hvert tiende punkt fra en laz fil og gjenbruk en eksisterende LasHeader. Dette krever en forståelse av hvordan overskrifter samhandler med data, spesielt når du arbeider med forskjellige poengtellinger.

Ved etablering av en ny LasData objekt fra en eksisterende overskrift, møter brukere ofte uoverensstemmende matrisestørrelser. Denne forskjellen oppstår fordi overskriftens point_count kanskje ikke automatisk tilpasset de nye dataene.

Utfordringen er å vurdere om det er nødvendig å manuelt endre topptekstattributter som forskyvninger, skalaer og punkttelling, eller om det er en mer automatisk løsning. Dette innlegget forklarer hvordan du oppdaterer disse verdiene på riktig måte når du nedsampler med Laspy, noe som resulterer i en effektiv prosess.

Optimalisering av Point Cloud Downsampling med Laspy

Det første skriptet i dette innlegget fokuserer på nedsampling a LAZ fil, som er nødvendig for å administrere store punktskydatasett. Ved å importere den originale filen ved å bruke laspy.read() funksjon, kan vi få tilgang til punktdataene og overskriften som inneholder metadata om punktskyen. Nedsamplingsteknikken innebærer å velge hvert tiende punkt, noe som minimerer datasettets størrelse samtidig som de beholder viktige geografiske egenskaper. Dette gjøres ved å bruke np.arange() å bygge en rekke indekser. Etter å ha valgt poengene, kopier overskriften fra originalfilen for å sikre kompatibilitet i metadata, som f.eks punktformat og versjon.

Imidlertid oppstår et vanlig problem når antall punkter i den opprinnelige overskriften ikke samsvarer med de nedsamplede dataene. For å fikse dette bruker vi kopiere() funksjon for å lage en grunn kopi av den originale overskriften og manuelt endre point_count feltet for å gjenspeile antall nedsamplede punkter. Etter å ha opprettet den nye overskriften, blir de nedsamplede poengene tildelt en ny LasData objekt som inneholder de reelle x-, y- og z-koordinatene. Til slutt, den LasData lagres som en ny LAZ-fil ved hjelp av skrive() metode. Dette skriptet er effektivt for brukere som trenger å trekke ut mindre datasett fra større punktskyer.

Det andre skriptet utvider det første ved automatisk å beregne forskyvningene og skalaene for nedsamplede data på nytt. Når du arbeider med punktskyer, er det avgjørende å ha nøyaktige forskyvninger siden de indikerer opprinnelsen til dataene i 3D-rom. De header.offsets attributtet oppdateres med minimum x-, y- og z-koordinater fra nedsamplede punkter. På samme måte settes skalafaktorene som påvirker presisjonen til punktdataene ved hjelp av header.scales attributt. Dette skriptet minimerer ikke bare størrelsen på punktskyen, men det sikrer også at dataene er presise og justert, noe som gjør det mer egnet for praktisk bruk.

Til slutt demonstrerer det endelige skriptet enhetstesting med Python's enhetstest rammeverk. I dette skriptet bestemmer et testtilfelle om antallet nedsamplede poeng tilsvarer den forutsagte verdien. Dette er avgjørende for å sikre at nedsamplingsprosedyren fungerer konsekvent på tvers av kontekster og datasett. Testtilfellet defineres ved hjelp av TestCase klasse, og sammenligningen utføres ved hjelp av self.assertEqual() metode. Ved å inkludere testing i arbeidsflyten kan vi sikre at nedsamplingsprosedyren fungerer som den skal før vi distribuerer den til større prosjekter eller rørledninger. Dette skriptet hjelper brukere med å unngå problemer og inkonsekvenser når de arbeider med flere punktskyfiler.

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()

Håndtering av LAS-filmetadata og avanserte nedsamplingsteknikker

Når du jobber med enorme datasett med lat, er administrasjon av metadata like viktig som å administrere de faktiske punktskydataene. Opprettholde nøyaktigheten av LasHeader verdier etter nedsampling er en betydelig vanskelighet. Fordi punktskydataens koordinater (x, y og z) endres, må overskriften gjenspeile disse endringene. Omberegning av forskyvninger krever omberegning av minimumsverdiene for hver dimensjon, mens vekter bestemme nøyaktigheten til punktdataene, spesielt for lagring.

En annen faktor å evaluere er integriteten til tilleggsdimensjonene i LAS-filen. Ekstra byte brukes vanligvis til å holde annen informasjon enn de vanlige x-, y- og z-koordinatene, for eksempel intensitet eller GPS-tid. Hvis datasettet inneholder disse ekstra dimensjonene, må de håndteres ved nedsampling. Du må garantere at antall poeng i de ekstra dimensjonene tilsvarer det reduserte poengtallet i primærdataene. De add_extra_dim funksjonalitet i lat gjør det mulig å legge til egendefinerte dimensjoner til LAS-overskriften.

Til slutt er hastighetsoptimalisering en viktig faktor å vurdere når du nedsampler punktskyer. Mens menneskelige justeringer av overskriften vanligvis kreves, automatisere prosessen ved å utnytte effektiv indeksering og bruke array-operasjoner via nusset kan akselerere prosessen betraktelig. Ved å utnytte kraften til nusset, kan du raskt administrere enorme datasett uten å ofre ytelsen. Dette lar deg utvide løsninger til større prosjekter eller til og med automatisere rørledninger for behandling av flere LAZ-filer.