Efektywne próbkowanie plików LAS/LAZ w dół za pomocą Laspy: przewodnik krok po kroku

Zrozumienie procesu próbkowania danych LAS w dół za pomocą Laspy

Podczas pracy z dużymi plikami LAS lub LAZ w Pythonie próbkowanie w dół jest niezbędne do wydajnego przetwarzania i analizy. Laspy, pakiet Pythona do odczytu, zapisu i modyfikowania danych LAS, oferuje wiele sposobów manipulowania danymi chmury punktów, takich jak tworzenie i edytowanie nagłówków LAS.

Ten przykład pokazuje, jak zmniejszyć zbiór danych, wyodrębniając co dziesiąty punkt z a laz plik i ponownie użyj istniejącego LasNagłówek. Wymaga to zrozumienia, w jaki sposób nagłówki wchodzą w interakcję z danymi, szczególnie podczas pracy z różną liczbą punktów.

Przy zakładaniu nowego LasData obiektu z istniejącego nagłówka, użytkownicy często spotykają się z niezgodnym rozmiarem tablicy. Ta rozbieżność występuje, ponieważ plik nagłówka liczba_punktów mogą nie zostać automatycznie dopasowane do nowych danych.

Wyzwanie polega na ocenie, czy wymagana jest ręczna modyfikacja atrybutów nagłówka, takich jak przesunięcia, skale i liczba punktów, czy też istnieje bardziej automatyczne rozwiązanie. W tym poście wyjaśniono, jak prawidłowo zaktualizować te wartości podczas próbkowania przy użyciu Laspyco skutkuje skutecznym procesem.

Optymalizacja próbkowania chmury punktów za pomocą Laspy

Pierwszy skrypt w tym poście skupia się na próbkowaniu w dół pliku a ŁAZ plik, który jest niezbędny do zarządzania dużymi zbiorami danych chmur punktów. Importując oryginalny plik przy użyciu formatu laspy.read() funkcji, możemy uzyskać dostęp do danych punktowych i nagłówka zawierającego metadane dotyczące chmury punktów. Technika próbkowania w dół polega na wybieraniu co dziesiątego punktu, co minimalizuje rozmiar zbioru danych, zachowując jednocześnie kluczowe właściwości geograficzne. Odbywa się to za pomocą np.arange() do zbudowania tablicy indeksów. Po wybraniu punktów skopiuj nagłówek z oryginalnego pliku, aby zapewnić zgodność z metadanymi, takimi jak format_punktu i wersja.

Jednak częstym problemem jest sytuacja, gdy liczba punktów w oryginalnym nagłówku nie odpowiada danym poddanym próbce zmniejszonej. Aby to naprawić, używamy kopia() funkcję, aby utworzyć płytką kopię oryginalnego nagłówka i ręcznie zmodyfikować plik liczba_punktów pole odzwierciedlające liczbę punktów próbkowanych w dół. Po utworzeniu nowego nagłówka, zmniejszone punkty są przydzielane nowemu nagłówkowi LasData obiekt zawierający rzeczywiste współrzędne x, y i z. Wreszcie, LasData jest zapisywany jako nowy plik LAZ przy użyciu rozszerzenia pisać() metoda. Ten skrypt jest skuteczny dla użytkowników, którzy muszą wyodrębnić mniejsze zbiory danych z większych chmur punktów.

Drugi skrypt rozszerza pierwszy, automatycznie przeliczając przesunięcia i skale dla danych próbkowanych w dół. Podczas pracy z chmurami punktów posiadanie dokładnych przesunięć ma kluczowe znaczenie, ponieważ wskazują one pochodzenie danych w przestrzeni 3D. The przesunięcia nagłówka atrybut jest aktualizowany o minimalne współrzędne x, y i z z punktów objętych próbką zmniejszoną. Podobnie współczynniki skali wpływające na precyzję danych punktowych są ustawiane za pomocą nagłówek.skale atrybut. Skrypt ten nie tylko minimalizuje rozmiar chmury punktów, ale także zapewnia dokładność i wyrównanie danych, dzięki czemu są one bardziej przydatne w praktycznym zastosowaniu.

Na koniec końcowy skrypt demonstruje testy jednostkowe z użyciem języka Python test jednostkowy struktura. W tym skrypcie przypadek testowy określa, czy liczba punktów zmniejszonych do próby odpowiada przewidywanej wartości. Ma to kluczowe znaczenie dla zapewnienia spójnego działania procedury próbkowania w dół w różnych kontekstach i zbiorach danych. Przypadek testowy definiuje się za pomocą Przypadek testowy class, a porównanie przeprowadza się za pomocą metody self.assertEqual() metoda. Włączając testowanie do przepływu pracy, możemy zapewnić, że procedura próbkowania w dół działa prawidłowo przed wdrożeniem jej w większych projektach lub potokach. Skrypt ten pomaga użytkownikom uniknąć problemów i niespójności podczas pracy z kilkoma plikami chmur punktów.

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()

Obsługa metadanych plików LAS i zaawansowane techniki próbkowania w dół

Podczas pracy z ogromnymi zbiorami danych z laspyzarządzanie metadanymi jest równie istotne, jak zarządzanie rzeczywistymi danymi chmury punktów. Zachowując dokładność LasNagłówek wartości po próbkowaniu w dół stanowi znaczną trudność. Ponieważ współrzędne danych chmury punktów (x, y i z) zmieniają się, nagłówek musi odzwierciedlać te zmiany. Ponowne przeliczenie offsety wymaga przeliczenia wartości minimalnych dla każdego wymiaru, natomiast waga określić precyzję danych punktowych, szczególnie w przypadku przechowywania.

Kolejnym czynnikiem wymagającym oceny jest integralność dodatkowych wymiarów w pliku LAS. Dodatkowe bajty są powszechnie używane do przechowywania informacji innych niż normalne współrzędne x, y i z, takich jak intensywność lub czas GPS. Jeśli zbiór danych zawiera te dodatkowe wymiary, należy je uwzględnić podczas próbkowania w dół. Musisz zagwarantować, że liczba punktów w dodatkowych wymiarach odpowiada zmniejszonej liczbie punktów w danych pierwotnych. The add_extra_dim funkcjonalność w laspy umożliwia dodanie niestandardowych wymiarów do nagłówka LAS.

Wreszcie, optymalizacja prędkości jest ważnym czynnikiem, który należy wziąć pod uwagę podczas próbkowania chmur punktów. Chociaż zazwyczaj wymagane są zmiany w nagłówku przez człowieka, automatyzacja procesu poprzez wykorzystanie wydajnego indeksowania i stosowania operacji tablicowych za pośrednictwem tępy może znacznie przyspieszyć ten proces. Wykorzystując moc tępymożesz szybko zarządzać ogromnymi zbiorami danych bez poświęcania wydajności. Pozwala to rozszerzyć rozwiązania na większe projekty, a nawet zautomatyzować potoki przetwarzania wielu plików LAZ.