Ефикасно смањивање узорковања ЛАС/ЛАЗ датотека помоћу Ласпи-а: Водич корак по корак

Разумевање процеса Довнсамплинг ЛАС података помоћу Ласпи-а

Када радите са великим ЛАС или ЛАЗ датотекама у Питхон-у, смањење узорковања је неопходно за ефикасну обраду и анализу. Ласпи, Питхон пакет за читање, писање и измену ЛАС података, нуди бројне начине за манипулацију подацима облака тачака, као што је креирање и уређивање ЛАС заглавља.

Овај пример показује како смањити узорковање скупа података издвајањем сваке десете тачке из а лаз датотеку и поново употребите постојећу ЛасХеадер. Ово захтева разумевање начина на који заглавља комуницирају са подацима, посебно када се ради са различитим бројем поена.

Приликом оснивања новог ЛасДата објекат из постојећег заглавља, корисници често наилазе на неусклађену величину низа. Овај диспаритет настаје зато што је заглавље поинт_цоунт можда се неће аутоматски ускладити са новим подацима.

Изазов је проценити да ли је потребно ручно мењати атрибуте заглавља као што су офсетови, размере и поинт_цоунт, или постоји више аутоматско решење. Овај пост објашњава како правилно ажурирати ове вредности приликом смањења узорковања помоћу Ласпи, што резултира ефикасним процесом.

Оптимизација смањења узорковања облака тачака помоћу Ласпи-ја

Прва скрипта у овом посту се фокусира на смањење узорковања а ЛАЗ датотеку, која је неопходна за управљање великим скуповима података облака тачака. Увозом оригиналне датотеке помоћу ласпи.реад() функција, можемо приступити подацима о тачкама и заглављу које садржи метаподатке о облаку тачака. Техника смањења узорковања укључује одабир сваке десете тачке, што минимизира величину скупа података уз задржавање кључних географских својстава. Ово се ради коришћењем нп.аранге() да се изгради низ индекса. Након што одаберете тачке, копирајте заглавље из оригиналне датотеке да бисте осигурали компатибилност у метаподацима, као што су формат_тачке и верзија.

Међутим, чест проблем се јавља када број тачака у оригиналном заглављу не одговара подацима са смањеним узорком. Да бисмо ово поправили, користимо цопи() функцију да направите плитку копију оригиналног заглавља и ручно измените поинт_цоунт поље које одражава број тачака смањеног узорковања. Након креирања новог заглавља, тачке смањеног узорковања се додељују новом ЛасДата објекат који садржи реалне к, и и з координате. Коначно, ЛасДата се чува као нова ЛАЗ датотека помоћу напиши() методом. Ова скрипта је ефикасна за кориснике који треба да издвоје мање скупове података из већих облака тачака.

Друга скрипта проширује прву аутоматским поновним израчунавањем помака и размера за податке смањеног узорковања. Када радите са облацима тачака, прецизна одступања је критична јер они указују на порекло података у 3Д простору. Тхе хеадер.оффсетс атрибут се ажурира са минималним к, и и з координатама из тачака смањеног узорковања. Слично томе, фактори скале који утичу на прецизност тачака података се постављају помоћу заглавље.скале атрибут. Ова скрипта не само да минимизира величину облака тачака, већ такође осигурава да су подаци прецизни и усклађени, што их чини погоднијим за практичну употребу.

Коначно, коначна скрипта демонстрира тестирање јединица са Питхон-ом униттест оквир. У овој скрипти, тест случај одређује да ли број тачака смањеног узорковања одговара предвиђеној вредности. Ово је кључно да би се осигурало да се поступак смањења узорковања одвија доследно у различитим контекстима и скуповима података. Тестни случај се дефинише коришћењем ТестЦасе класе, а поређење се врши помоћу селф.ассертЕкуал() методом. Укључивањем тестирања у ток посла, можемо осигурати да процедура смањења узорковања ради исправно пре него што је применимо на веће пројекте или цевоводе. Ова скрипта помаже корисницима да избегну проблеме и недоследности када раде са неколико датотека у облаку тачака.

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()

Руковање метаподацима ЛАС датотеке и напредне технике смањивања узорковања

Када радите са огромним скуповима података са ласпи, управљање метаподацима је једнако кључно као и управљање стварним подацима облака тачака. Одржавање тачности од ЛасХеадер вредности након смањења узорковања представља значајну потешкоћу. Пошто се координате података облака тачака (к, и и з) мењају, заглавље мора да одражава ове промене. Поновно израчунавање оффсетс захтева поновно израчунавање минималних вредности за сваку димензију, док је ваге одредити прецизност тачака података, посебно за складиштење.

Други фактор који треба проценити је интегритет додатних димензија у ЛАС датотеци. Додатни бајтови се обично користе за чување информација које нису нормалне координате к, и и з, као што су интензитет или ГПС време. Ако скуп података садржи ове додатне димензије, њима се мора руковати приликом смањења узорковања. Морате да гарантујете да број поена у додатним димензијама одговара смањеном броју поена у примарним подацима. Тхе адд_ектра_дим функционалност у ласпи омогућава додавање прилагођених димензија у ЛАС заглавље.

Коначно, оптимизација брзине је важан фактор који треба узети у обзир при смањењу узорковања облака тачака. Иако су обично потребна људска подешавања заглавља, аутоматизација процеса коришћењем ефикасног индексирања и применом операција низа преко нумпи може знатно убрзати процес. Искористивши моћ нумпи, можете брзо управљати огромним скуповима података без жртвовања перформанси. Ово вам омогућава да проширите решења на веће пројекте или чак аутоматизујете цевоводе за обраду више ЛАЗ датотека.