Ефективне зменшення роздільної здатності файлів LAS/LAZ за допомогою Laspy: покроковий посібник

Розуміння процесу зменшення дискретизації даних LAS за допомогою Laspy

Під час роботи з великими файлами LAS або LAZ у Python зменшення дискретизації є важливим для ефективної обробки та аналізу. Ласпі, пакет Python для читання, запису та зміни даних LAS, пропонує численні способи маніпулювання даними хмари точок, наприклад створення та редагування заголовків LAS.

У цьому прикладі показано, як зменшити вибірку набору даних шляхом вилучення кожної десятої точки з a лаз файл і повторно використовувати існуючий LasHeader. Це вимагає розуміння того, як заголовки взаємодіють з даними, особливо під час роботи з різними підрахунками балів.

При встановленні нового LasData з існуючого заголовка, користувачі часто стикаються з невідповідністю розміру масиву. Ця невідповідність виникає тому, що заголовок кількість балів може не узгоджуватися автоматично з новими даними.

Завдання полягає в тому, щоб оцінити, чи потрібно вручну змінювати атрибути заголовка, як-от зміщення, масштаби та кількість точок, чи існує більш автоматичне рішення. У цьому дописі пояснюється, як правильно оновити ці значення під час зменшення дискретизації за допомогою Ласпі, що призводить до ефективного процесу.

Оптимізація зменшення дискретизації хмари точок за допомогою Laspy

Перший сценарій у цій публікації зосереджений на зменшенні дискретизації a ЛАЗ файл, необхідний для керування наборами даних великої хмари точок. Імпортуючи вихідний файл за допомогою laspy.read() ми можемо отримати доступ до даних точок і заголовка, який містить метадані про хмару точок. Техніка зменшення дискретизації передбачає вибір кожної десятої точки, що мінімізує розмір набору даних, зберігаючи важливі географічні властивості. Це робиться за допомогою np.arange() для побудови масиву індексів. Вибравши точки, скопіюйте заголовок із оригінального файлу, щоб забезпечити сумісність у метаданих, наприклад point_format і версія.

Однак поширена проблема виникає, коли кількість точок у вихідному заголовку не відповідає даним зі зниженою дискретизацією. Щоб виправити це, ми використовуємо копіювати() функція, щоб зробити поверхневу копію оригінального заголовка та вручну змінити кількість балів поле для відображення кількості точок зі зниженою дискретизацією. Після створення нового заголовка точки зі зниженою дискретизацією розподіляються в новий LasData об’єкт, який містить дійсні координати x, y та z. Нарешті, LasData зберігається як новий файл LAZ за допомогою написати() метод. Цей сценарій ефективний для користувачів, яким потрібно витягти менші набори даних із великих хмар точок.

Другий сценарій розширює перший шляхом автоматичного перерахунку зсувів і масштабів для даних зі зниженою дискретизацією. Під час роботи з хмарами точок критично важливо мати точні зсуви, оскільки вони вказують на походження даних у 3D-просторі. The header.offsets атрибут оновлюється з мінімальними координатами x, y та z із точок зі зниженою дискретизацією. Подібним чином, коефіцієнти масштабу, які впливають на точність точкових даних, встановлюються за допомогою заголовок.ваги атрибут. Цей сценарій не тільки мінімізує розмір хмари точок, але також забезпечує точність і вирівняність даних, що робить їх більш придатними для практичного використання.

Нарешті, фінальний сценарій демонструє модульне тестування за допомогою Python unittest рамка. У цьому сценарії тестовий приклад визначає, чи відповідає кількість точок зі зниженою дискретизацією прогнозованому значенню. Це має вирішальне значення для забезпечення узгодженого виконання процедури зменшення дискретизації в контекстах і наборах даних. Тестовий приклад визначається за допомогою TestCase класу, а порівняння ведеться за допомогою self.assertEqual() метод. Включивши тестування в робочий процес, ми можемо переконатися, що процедура зменшення дискретизації працює належним чином, перш ніж розгортати її у великих проектах або конвеєрах. Цей сценарій допомагає користувачам уникнути проблем і невідповідностей під час роботи з кількома файлами хмари точок.

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()

Обробка метаданих файлів LAS і розширені методи зменшення дискретизації

При роботі з величезними наборами даних з ласпи, керування метаданими є таким же важливим, як і керування фактичними даними хмари точок. Підтримання точності LasHeader значень після зменшення дискретизації є значною складністю. Оскільки координати даних хмари точок (x, y та z) змінюються, заголовок має відображати ці зміни. Перерахунок зміщення вимагає перерахунку мінімальних значень для кожного виміру, тоді як ваги визначити точність точкових даних, особливо для зберігання.

Іншим фактором для оцінки є цілісність додаткових розмірів у файлі LAS. Додаткові байти зазвичай використовуються для зберігання інформації, відмінної від звичайних координат x, y та z, такої як інтенсивність або час GPS. Якщо набір даних містить ці додаткові параметри, їх потрібно обробити під час зменшення дискретизації. Ви повинні гарантувати, що кількість точок у додаткових вимірах відповідає зменшеній кількості точок у первинних даних. The add_extra_dim функціональність в ласпи дозволяє додавати спеціальні розміри до заголовка LAS.

Нарешті, оптимізація швидкості є важливим фактором, який слід враховувати при зниженні дискретизації хмар точок. Хоча, як правило, потрібні людські налаштування заголовка, автоматизація процесу за допомогою ефективного індексування та застосування операцій з масивами через numpy може значно прискорити процес. Використовуючи силу numpy, ви можете швидко керувати величезними наборами даних без шкоди для продуктивності. Це дозволяє розширити рішення для більших проектів або навіть автоматизувати конвеєри для обробки кількох файлів LAZ.