Lấy mẫu các tệp LAS/LAZ một cách hiệu quả với Laspy: Hướng dẫn từng bước

Tìm hiểu quy trình lấy mẫu dữ liệu LAS với Laspy

Khi làm việc với các tệp LAS hoặc LAZ lớn trong Python, việc lấy mẫu xuống là điều cần thiết để xử lý và phân tích hiệu quả. Laspy, gói Python để đọc, ghi và thay đổi dữ liệu LAS, cung cấp nhiều cách để thao tác dữ liệu đám mây điểm, chẳng hạn như tạo và chỉnh sửa các tiêu đề LAS.

Ví dụ này cho thấy cách lấy mẫu dữ liệu xuống bằng cách trích xuất từng điểm thứ mười từ một lười biếng tập tin và sử dụng lại một tập tin hiện có tiêu đề las. Điều này đòi hỏi sự hiểu biết về cách các tiêu đề tương tác với dữ liệu, đặc biệt khi làm việc với các số điểm khác nhau.

Khi thành lập mới Dữ liệu Las đối tượng từ tiêu đề hiện có, người dùng thường xuyên gặp phải kích thước mảng không khớp. Sự chênh lệch này xảy ra do tiêu đề của số điểm có thể không tự động căn chỉnh với dữ liệu mới.

Thách thức ở đây là đánh giá xem liệu có cần thiết phải sửa đổi các thuộc tính tiêu đề theo cách thủ công như độ lệch, tỷ lệ và point_count hay không hoặc liệu có giải pháp tự động hơn hay không. Bài đăng này giải thích cách cập nhật chính xác các giá trị này khi lấy mẫu xuống bằng cách sử dụng Laspy, dẫn đến một quá trình hiệu quả.

Tối ưu hóa việc lấy mẫu đám mây điểm với Laspy

Kịch bản đầu tiên trong bài viết này tập trung vào việc lấy mẫu xuống một LAZ tệp cần thiết để quản lý bộ dữ liệu đám mây điểm lớn. Bằng cách nhập tệp gốc bằng cách sử dụng laspy.read() chức năng, chúng ta có thể truy cập dữ liệu điểm và tiêu đề chứa siêu dữ liệu về đám mây điểm. Kỹ thuật lấy mẫu xuống bao gồm việc chọn từng điểm thứ mười, giúp giảm thiểu kích thước của tập dữ liệu trong khi vẫn giữ được các thuộc tính địa lý quan trọng. Điều này được thực hiện bằng cách sử dụng np.arange() để xây dựng một loạt các chỉ số. Sau khi chọn điểm, sao chép tiêu đề từ tệp gốc để đảm bảo tính tương thích trong siêu dữ liệu, chẳng hạn như định dạng điểm và phiên bản.

Tuy nhiên, một vấn đề phổ biến xảy ra khi số điểm trong tiêu đề ban đầu không tương ứng với dữ liệu được lấy mẫu xuống. Để khắc phục điều này, chúng tôi sử dụng sao chép() chức năng tạo một bản sao nông của tiêu đề gốc và sửa đổi thủ công số điểm trường để phản ánh số lượng điểm được lấy mẫu xuống. Sau khi tạo tiêu đề mới, các điểm được lấy mẫu xuống sẽ được phân bổ cho một tiêu đề mới Dữ liệu Las đối tượng chứa tọa độ thực x, y và z. Cuối cùng, Dữ liệu Las được lưu dưới dạng tệp LAZ mới bằng cách sử dụng viết() phương pháp. Tập lệnh này hiệu quả đối với những người dùng cần trích xuất các tập dữ liệu nhỏ hơn từ các đám mây điểm lớn hơn.

Tập lệnh thứ hai mở rộng tập lệnh đầu tiên bằng cách tự động tính toán lại độ lệch và tỷ lệ cho dữ liệu được lấy mẫu xuống. Khi làm việc với các đám mây điểm, việc có độ lệch chính xác là rất quan trọng vì chúng cho biết nguồn gốc của dữ liệu trong không gian 3D. các tiêu đề.offsets thuộc tính được cập nhật với tọa độ x, y và z tối thiểu từ các điểm được lấy mẫu xuống. Tương tự, các hệ số tỷ lệ ảnh hưởng đến độ chính xác của dữ liệu điểm được đặt bằng cách sử dụng tiêu đề.scales thuộc tính. Tập lệnh này không chỉ giảm thiểu kích thước của đám mây điểm mà còn đảm bảo rằng dữ liệu chính xác và được căn chỉnh, giúp dữ liệu phù hợp hơn khi sử dụng thực tế.

Cuối cùng, tập lệnh cuối cùng trình bày thử nghiệm đơn vị bằng Python nhỏ nhất khuôn khổ. Trong tập lệnh này, một trường hợp kiểm thử sẽ xác định xem số điểm được lấy mẫu xuống có tương ứng với giá trị dự đoán hay không. Điều này rất quan trọng để đảm bảo rằng quy trình lấy mẫu xuống thực hiện nhất quán trên các bối cảnh và tập dữ liệu. Trường hợp thử nghiệm được xác định bằng cách sử dụng trường hợp thử nghiệm lớp và việc so sánh được thực hiện bằng cách sử dụng self.assertEqual() phương pháp. Bằng cách đưa thử nghiệm vào quy trình làm việc, chúng tôi có thể đảm bảo rằng quy trình lấy mẫu xuống hoạt động bình thường trước khi triển khai nó cho các dự án hoặc quy trình lớn hơn. Tập lệnh này giúp người dùng tránh các sự cố và sự không nhất quán khi làm việc với một số tệp đám mây điểm.

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()

Xử lý siêu dữ liệu tệp LAS và kỹ thuật lấy mẫu xuống nâng cao

Khi làm việc với tập dữ liệu khổng lồ với khập khiễng, việc quản lý siêu dữ liệu cũng quan trọng không kém việc quản lý dữ liệu đám mây điểm thực tế. Duy trì độ chính xác của tiêu đề las giá trị sau khi lấy mẫu xuống là một khó khăn đáng kể. Do tọa độ của dữ liệu đám mây điểm (x, y và z) thay đổi nên tiêu đề phải phản ánh những thay đổi này. Tính toán lại sự bù đắp yêu cầu tính toán lại các giá trị tối thiểu cho từng thứ nguyên, trong khi cân xác định độ chính xác của dữ liệu điểm, đặc biệt là để lưu trữ.

Một yếu tố khác cần đánh giá là tính toàn vẹn của các kích thước bổ sung trong tệp LAS. Các byte bổ sung thường được sử dụng để chứa thông tin khác với tọa độ x, y và z thông thường, chẳng hạn như cường độ hoặc thời gian GPS. Nếu tập dữ liệu chứa các thứ nguyên bổ sung này thì chúng phải được xử lý khi lấy mẫu xuống. Bạn phải đảm bảo rằng số điểm trong các chiều bổ sung tương ứng với số điểm đã giảm trong dữ liệu chính. các thêm_extra_dim chức năng trong khập khiễng cho phép bổ sung các thứ nguyên tùy chỉnh vào tiêu đề LAS.

Cuối cùng, tối ưu hóa tốc độ là một yếu tố quan trọng cần xem xét khi lấy mẫu các đám mây điểm. Mặc dù thường cần phải chỉnh sửa tiêu đề của con người, nhưng việc tự động hóa quy trình bằng cách tận dụng việc lập chỉ mục hiệu quả và áp dụng các thao tác mảng thông qua có khối u có thể đẩy nhanh quá trình một cách đáng kể. Bằng cách khai thác sức mạnh của có khối u, bạn có thể nhanh chóng quản lý các tập dữ liệu khổng lồ mà không làm giảm hiệu suất. Điều này cho phép bạn mở rộng giải pháp cho các dự án lớn hơn hoặc thậm chí tự động hóa quy trình xử lý nhiều tệp LAZ.