Эффективное понижение разрешения файлов LAS/LAZ с помощью Laspy: пошаговое руководство

Понимание процесса субдискретизации данных LAS с помощью Laspy

При работе с большими файлами LAS или LAZ в Python понижающая дискретизация необходима для эффективной обработки и анализа. , пакет Python для чтения, записи и изменения данных LAS, предлагает множество способов манипулирования данными облака точек, таких как создание и редактирование заголовков LAS.

В этом примере показано, как уменьшить выборку набора данных, извлекая каждую десятую точку из файл и повторно использовать существующий . Это требует понимания того, как заголовки взаимодействуют с данными, особенно при работе с различным количеством точек.

При создании нового объект из существующего заголовка, пользователи часто сталкиваются с несоответствием размера массива. Это несоответствие возникает потому, что заголовок может не соответствовать автоматически новым данным.

Задача состоит в том, чтобы оценить, требуется ли вручную изменять атрибуты заголовка, такие как смещения, масштабы и point_count, или существует более автоматическое решение. В этом посте объясняется, как правильно обновить эти значения при понижении разрешения с помощью , что приводит к эффективному процессу.

Команда	Пример использования
laspy.read()	Эта команда преобразует файл LAS или LAZ в объект LasData. Он извлекает данные облака точек и информацию заголовка из файла, что позволяет изменять и обрабатывать их в Python.
np.arange()	Создает массив индексов, расположенных через равные промежутки времени. В этом сценарии выбирает каждую 10-ю точку из загруженных данных облака точек, что необходимо для понижения разрешения.
laspy.LasHeader()	Эта команда генерирует новый заголовок для данных LAS и LAZ. Заголовок содержит ключевые метаданные, включая формат точки, версию, смещения и масштабы, которые имеют решающее значение при создании или редактировании точки. .
header.offsets	Определяет минимальные координаты x, y и z для данных облака точек. Это помогает изменить опорную точку для облака точек, что приводит к правильному представлению данных после понижения разрешения.
header.scales	Указывает точность значений x, y и z путем определения масштабных коэффициентов. После понижения дискретизации пересчет и изменение коэффициентов масштабирования могут иметь решающее значение для поддержания целостности данных.
copy()	Создает неглубокую копию объекта. В этом случае он используется для переноса существующего заголовка из исходного облака точек, гарантируя, что любые изменения в новом наборе данных не повредят исходные данные.
downsampled_las.write()	Эта команда сохраняет облако точек с пониженной дискретизацией как новый файл LAS или LAZ, записывая обновленный или вновь сформированный файл. объект для файла.
unittest.TestCase	Это базовый класс для платформы модульного тестирования Python, который используется для создания тестовых примеров. В этой статье он используется для тестирования процесса понижения дискретизации, гарантируя сохранение правильного количества точек.
self.assertEqual()	Модульный тест сравнивает два значения и возвращает ошибку, если они не равны. В примере это гарантирует, что количество точек пониженной дискретизации соответствует прогнозируемому числу.

Оптимизация понижения разрешения облака точек с помощью Laspy

Первый скрипт в этом посте фокусируется на понижении разрешения файл, который необходим для управления большими наборами данных облаков точек. Импортировав исходный файл с помощью мы можем получить доступ к данным точек и заголовку, который содержит метаданные об облаке точек. Метод пониженной выборки предполагает выбор каждой десятой точки, что минимизирует размер набора данных, сохраняя при этом важные географические свойства. Это делается с помощью построить массив индексов. После выбора точек скопируйте заголовок из исходного файла, чтобы обеспечить совместимость метаданных, например point_format и версия.

Однако распространенная проблема возникает, когда количество точек в исходном заголовке не соответствует данным с пониженной дискретизацией. Чтобы исправить это, мы используем функция, позволяющая сделать неглубокую копию исходного заголовка и вручную изменить поле, чтобы отразить количество точек пониженной дискретизации. После создания нового заголовка точки пониженной дискретизации распределяются по новому объект, содержащий реальные координаты x, y и z. Наконец, ЛасДата сохраняется как новый файл LAZ с помощью писать() метод. Этот сценарий эффективен для пользователей, которым необходимо извлечь меньшие наборы данных из более крупных облаков точек.

Второй скрипт расширяет первый, автоматически пересчитывая смещения и масштабы для данных с пониженной дискретизацией. При работе с облаками точек наличие точных смещений имеет решающее значение, поскольку они указывают происхождение данных в трехмерном пространстве. Атрибут обновляется с использованием минимальных координат x, y и z из точек с пониженной дискретизацией. Аналогично, масштабные коэффициенты, влияющие на точность точечных данных, устанавливаются с помощью атрибут. Этот сценарий не только минимизирует размер облака точек, но также гарантирует точность и выравнивание данных, что делает их более подходящими для практического использования.

Наконец, окончательный сценарий демонстрирует модульное тестирование с использованием Python. рамки. В этом сценарии тестовый пример определяет, соответствует ли количество точек пониженной дискретизации прогнозируемому значению. Это имеет решающее значение для обеспечения того, чтобы процедура понижающей выборки выполнялась последовательно в разных контекстах и ​​наборах данных. Тестовый пример определяется с помощью класс, и сравнение проводится с использованием метод. Включив тестирование в рабочий процесс, мы можем гарантировать, что процедура понижения разрешения работает правильно, прежде чем развертывать ее в более крупных проектах или конвейерах. Этот сценарий помогает пользователям избежать проблем и несоответствий при работе с несколькими файлами облаков точек.

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()

Обработка метаданных файла LAS и расширенные методы понижения разрешения

При работе с огромными наборами данных с Управление метаданными столь же важно, как и управление фактическими данными облака точек. Поддержание точности значений после понижения дискретизации представляет собой значительную трудность. Поскольку координаты данных облака точек (x, y и z) изменяются, заголовок должен отражать эти изменения. Перерасчет требует пересчета минимальных значений для каждого измерения, тогда как весы определить точность точечных данных, особенно для хранения.

Еще одним фактором, который необходимо оценить, является целостность дополнительных измерений в файле LAS. Дополнительные байты обычно используются для хранения информации, отличной от обычных координат x, y и z, например интенсивности или времени GPS. Если набор данных содержит эти дополнительные измерения, их необходимо обработать при понижении разрешения. Вы должны гарантировать, что количество точек в дополнительных измерениях соответствует уменьшенному количеству точек в первичных данных. функциональность в позволяет добавлять пользовательские размеры в заголовок LAS.

Наконец, оптимизация скорости является важным фактором, который следует учитывать при субдискретизации облаков точек. Хотя обычно требуется внесение изменений в заголовок человеком, автоматизация процесса осуществляется за счет эффективного индексирования и применения операций с массивами с помощью может значительно ускорить этот процесс. Используя силу бестолковый, вы можете быстро управлять огромными наборами данных, не жертвуя при этом производительностью. Это позволяет расширять решения для более крупных проектов или даже автоматизировать конвейеры для обработки нескольких файлов LAZ.

1. Как обрабатывать несовпадающие размеры массива в ?
2. Чтобы исправить это, убедитесь, что в заголовке соответствует фактическому количеству точек в данных с пониженной дискретизацией. При необходимости измените счетчик вручную.
3. Должен ли я всегда пересчитывать и после понижения разрешения?
4. Да, необходимо пересчитывать эти значения, особенно для огромных наборов данных. представляет новые минимальные значения, а обеспечивает точность данных.
5. Может обрабатывать дополнительные измерения в файлах LAS?
6. Да, больше измерений можно управлять с помощью функция в , который позволяет вам устанавливать собственные параметры, такие как интенсивность или время GPS.
7. Является требуется для понижающей дискретизации с ?
8. Хотя это и не обязательно необходимо, облегчает обработку больших наборов данных за счет эффективного создания индексов и манипулирования массивами.
9. Как я могу ускорить процесс субдискретизации?
10. Использовать для выполнения операций с массивами и эффективного индексирования. Это повышает производительность при работе с огромными облаками точек.

Чтобы избежать несоответствия размеров при понижении разрешения файлы с , свойство необходимо вручную настроить в заголовке. Пересчет смещений и масштабов гарантирует правильное представление свежих данных.

Некоторые компоненты, такие как изменение заголовка, требуют ручного вмешательства, тогда как другие можно автоматизировать с помощью для максимизации скорости и управления огромными наборами данных. Модульное тестирование повышает надежность рабочего процесса субдискретизации, делая его более эффективным в реальных ситуациях.