Učinkovito zmanjševanje vzorčenja datotek LAS/LAZ z Laspy: vodnik po korakih

Razumevanje postopka zmanjševanja vzorčenja podatkov LAS z Laspy

Pri delu z velikimi datotekami LAS ali LAZ v Pythonu je zmanjšanje vzorčenja bistvenega pomena za učinkovito obdelavo in analizo. Laspy, paket Python za branje, pisanje in spreminjanje podatkov LAS, ponuja številne načine za manipulacijo podatkov oblaka točk, kot je ustvarjanje in urejanje glav LAS.

Ta primer prikazuje, kako zmanjšati vzorčenje nabora podatkov z ekstrahiranjem vsake desete točke iz a laz datoteko in ponovno uporabite obstoječo LasHeader. To zahteva razumevanje interakcije glav s podatki, zlasti pri delu z različnimi točkami.

Pri ustanovitvi novega LasData predmeta iz obstoječe glave, uporabniki pogosto naletijo na neusklajeno velikost matrike. Do tega neskladja pride, ker je glava štetje_točk morda ne bodo samodejno usklajeni z novimi podatki.

Izziv je oceniti, ali je treba ročno spremeniti atribute glave, kot so odmiki, lestvice in število točk, ali pa obstaja bolj samodejna rešitev. Ta objava pojasnjuje, kako pravilno posodobiti te vrednosti pri zmanjševanju vzorčenja z uporabo Laspy, kar ima za posledico učinkovit postopek.

Optimizacija zmanjšanja vzorčenja oblaka točk z Laspy

Prvi skript v tej objavi se osredotoča na zmanjševanje vzorčenja a LAZ datoteko, ki je potrebna za upravljanje naborov podatkov velikih oblakov točk. Z uvozom izvirne datoteke z uporabo laspy.read() lahko dostopamo do podatkov o točkah in glave, ki vsebuje metapodatke o oblaku točk. Tehnika zmanjšanja vzorčenja vključuje izbiro vsake desete točke, kar zmanjša velikost nabora podatkov, hkrati pa ohrani ključne geografske lastnosti. To se naredi z uporabo np.arange() za izgradnjo niza indeksov. Ko izberete točke, kopirajte glavo iz izvirne datoteke, da zagotovite združljivost v metapodatkih, kot je npr format_točke in različica.

Vendar se pogosta težava pojavi, ko število točk v izvirni glavi ne ustreza zmanjšanim vzorčenim podatkom. Da bi to popravili, uporabljamo kopiraj () funkcijo za izdelavo plitke kopije izvirne glave in ročno spreminjanje štetje_točk polje, ki odraža število znižanih točk. Po ustvarjanju nove glave se znižane točke dodelijo novemu LasData objekt, ki vsebuje realne koordinate x, y in z. Končno, LasData se shrani kot nova datoteka LAZ z uporabo pisati() metoda. Ta skript je učinkovit za uporabnike, ki morajo ekstrahirati manjše nabore podatkov iz večjih oblakov točk.

Drugi skript razširi prvega s samodejnim ponovnim izračunom odmikov in lestvic za podatke z zmanjšanim vzorčenjem. Pri delu z oblaki točk so natančni odmiki ključnega pomena, saj nakazujejo izvor podatkov v 3D prostoru. The glava.odmiki atribut je posodobljen z najmanjšimi koordinatami x, y in z iz znižanih točk. Podobno so faktorji lestvice, ki vplivajo na natančnost podatkov o točkah, nastavljeni z uporabo glava.tehtnice atribut. Ta skript ne le zmanjša velikost oblaka točk, ampak tudi zagotavlja, da so podatki natančni in poravnani, zaradi česar so primernejši za praktično uporabo.

Končno končni skript prikazuje testiranje enot s Pythonom test enote ogrodje. V tem skriptu testni primer ugotovi, ali znižano število točk ustreza predvideni vrednosti. To je ključnega pomena za zagotovitev, da postopek zmanjševanja vzorčenja deluje dosledno v vseh kontekstih in naborih podatkov. Testni primer je definiran z uporabo TestCase razreda, primerjava pa poteka z uporabo self.assertEqual() metoda. Z vključitvijo testiranja v potek dela lahko zagotovimo, da postopek zmanjšanja vzorčenja deluje pravilno, preden ga uvedemo v večje projekte ali cevovode. Ta skript pomaga uporabnikom, da se izognejo težavam in nedoslednostim pri delu z več datotekami v oblaku točk.

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()

Ravnanje z metapodatki datoteke LAS in napredne tehnike zmanjševanja ločljivosti

Pri delu z ogromnimi nabori podatkov z laspy, je upravljanje metapodatkov enako ključno kot upravljanje dejanskih podatkov oblaka točk. Ohranjanje natančnosti LasHeader vrednosti po znižanju vzorčenja je velika težava. Ker se koordinate podatkov oblaka točk (x, y in z) spreminjajo, mora glava odražati te spremembe. Ponovni izračun poboti zahteva ponoven izračun minimalnih vrednosti za vsako dimenzijo, medtem ko lestvice določiti natančnost točkovnih podatkov, zlasti za shranjevanje.

Drug dejavnik, ki ga je treba oceniti, je celovitost dodatnih dimenzij v datoteki LAS. Dodatni bajti se običajno uporabljajo za shranjevanje informacij, ki niso običajne koordinate x, y in z, na primer intenzivnost ali čas GPS. Če nabor podatkov vsebuje te dodatne dimenzije, jih je treba obravnavati pri zmanjševanju vzorčenja. Zagotoviti morate, da število točk v dodatnih dimenzijah ustreza zmanjšanemu številu točk v primarnih podatkih. The add_extra_dim funkcionalnost v laspy omogoča dodajanje dimenzij po meri v glavo LAS.

Končno je optimizacija hitrosti pomemben dejavnik, ki ga je treba upoštevati pri zmanjševanju vzorčenja oblakov točk. Medtem ko so navadno potrebne človeške prilagoditve glave, je avtomatizacija procesa z uporabo učinkovitega indeksiranja in uporabe operacij polja prek numpy lahko znatno pospeši proces. Z izkoriščanjem moči numpy, lahko hitro upravljate z ogromnimi nabori podatkov, ne da bi žrtvovali zmogljivost. To vam omogoča, da razširite rešitve na večje projekte ali celo avtomatizirate cevovode za obdelavo več datotek LAZ.