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. , 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 файл і повторно використовувати існуючий . Це вимагає розуміння того, як заголовки взаємодіють з даними, особливо під час роботи з різними підрахунками балів.

При встановленні нового з існуючого заголовка, користувачі часто стикаються з невідповідністю розміру масиву. Ця невідповідність виникає тому, що заголовок 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 , що призводить до ефективного процесу.

Команда	Приклад використання
laspy.read()	Ця команда перетворює файл LAS або LAZ на об’єкт LasData. Він витягує дані хмари точок і інформацію заголовка з файлу, що дозволяє модифікувати та обробляти в Python.
np.arange()	Створює масив індексів, розташованих через рівні проміжки. У цьому сценарії вибирає кожну 10-ту точку із завантажених даних хмари точок, що важливо для зменшення дискретизації.
laspy.LasHeader()	Ця команда створює новий заголовок для даних LAS і LAZ. Заголовок містить ключові метадані, включаючи формат точки, версію, зміщення та масштаби, які є критичними під час створення або редагування .
header.offsets	Визначає мінімальні координати x, y та z для даних хмари точок. Це допомагає змінити опорну точку для хмари точок, що призводить до правильного представлення даних після зменшення дискретизації.
header.scales	Визначає точність значень x, y та z шляхом визначення масштабних коефіцієнтів. Після зменшення дискретизації перерахунок і модифікація коефіцієнтів масштабу можуть бути критичними для підтримки цілісності даних.
copy()	Робить поверхневу копію об’єкта. У цьому випадку він використовується для перенесення існуючого заголовка з вихідної хмари точок, гарантуючи, що будь-які зміни в новому наборі даних не пошкодять вихідні дані.
downsampled_las.write()	Ця команда зберігає хмару точок зі зниженою дискретизацією як новий файл LAS або LAZ, записуючи оновлений або новосформований файл. об'єкт до файлу.
unittest.TestCase	Це базовий клас для фреймворку unittest Python, який використовується для створення тестів. Ця стаття використовує його для перевірки процесу зменшення дискретизації, гарантуючи збереження правильної кількості балів.
self.assertEqual()	Модульний тест порівнює два значення та повертає помилку, якщо вони не рівні. У прикладі це гарантує, що кількість точок зі зниженою дискретизацією відповідає прогнозованому числу.

Оптимізація зменшення дискретизації хмари точок за допомогою Laspy

Перший сценарій у цій публікації зосереджений на зменшенні дискретизації a файл, необхідний для керування наборами даних великої хмари точок. Імпортуючи вихідний файл за допомогою 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 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 функція, щоб зробити поверхневу копію оригінального заголовка та вручну змінити поле для відображення кількості точок зі зниженою дискретизацією. Після створення нового заголовка точки зі зниженою дискретизацією розподіляються в новий 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 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 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 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 класу, а порівняння ведеться за допомогою 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 , керування метаданими є таким же важливим, як і керування фактичними даними хмари точок. Підтримання точності значень після зменшення дискретизації є значною складністю. Оскільки координати даних хмари точок (x, y та z) змінюються, заголовок має відображати ці зміни. Перерахунок 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 функціональність в 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 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.

1. Як мені впоратися з невідповідними розмірами масиву ?
2. Щоб виправити це, переконайтеся, що у заголовку відповідає фактичній кількості точок у зменшених даних. За потреби змініть кількість вручну.
3. Чи повинен я завжди перераховувати і після зменшення дискретизації?
4. Так, необхідно перерахувати ці значення, особливо для величезних наборів даних. The представляє нові мінімальні значення, тоді як забезпечує точність даних.
5. може обробляти додаткові розміри у файлах LAS?
6. Так, більшою кількістю параметрів можна керувати за допомогою особливість в , що дозволяє встановлювати спеціальні параметри, наприклад інтенсивність або час GPS.
7. Є необхідні для зменшення дискретизації з ?
8. Хоча це не обов’язково важливо, полегшує роботу з масивними наборами даних шляхом ефективного створення індексів і маніпулювання масивами.
9. Як я можу прискорити процес зменшення дискретизації?
10. використання виконувати операції з масивами та ефективно індексувати. Це покращує продуктивність під час роботи з величезними хмарами точок.

Щоб уникнути невідповідності розмірів під час зменшення дискретизації файли з , властивість потрібно налаштувати вручну в заголовку. Перерахунок зсувів і масштабів гарантує правильне представлення свіжих даних.

Деякі компоненти, такі як модифікація заголовка, вимагають ручного втручання, а інші можна автоматизувати за допомогою щоб максимізувати швидкість і керувати величезними наборами даних. Модульне тестування підвищує надійність робочого процесу зменшення дискретизації, роблячи його ефективнішим у реальних ситуаціях.