2

我需要为地形定义获取比所需激光雷达测量点列表(经度、纬度和高程)更大(更密集)的列表,并根据二维网格对其进行抽取。想法是使用经度、纬度 (x,y) 值基于 NxN(即 1 米 x 1 米)维度网格得出点,从而消除超出需要的点。目标是确定抽取后网格中每个点的高程是多少,而不是将高程用作抽取规则本身的一部分。

实际或精确结构化的网格不是必需的,也不是这里的目标,我只使用网格术语来最好地近似我设想的点云的剩余部分,然后以我们总是在某个范围内有一个点的方式减少它半径(即 1 米)。可能有比网格更好的术语。

如果我可以从抽取算法开始,或者使用可能已经存在的可以在 Ubuntu 上运行并从我们的应用程序作为系统调用。该方法不应要求使用基于 GUI 类型的软件或工具来解决此问题。它需要成为一组自动化步骤的一部分。

数据当前存在于制表符分隔值文件中,但如果使用数据库/sql 查询驱动算法会更好/更快,我可以将数据加载到 sqlite 数据库文件中。理想的脚本语言是 ruby​​ 或 python,但实际上可以是任何一种,如果已经存在 C/C++/C# 库,那么我们可以根据需要包装它们。

想法?

更新 澄清这个抽取列表的结果的使用:给定用户的位置(通过纬度和经度知道),列表中最近的点是什么,反过来它的海拔是多少?我们现在当然可以这样做,但是我们的数据比需要的多,所以我们只想放宽数据的密度,这样如果我们可以在允许的距离(即 1 米)内找到最近的点,如果能够使用抽取列表与完整列表。列表中的纬度、经度值是十进制 GPS(即 38.68616190027656、-121.11013105991036)

4

2 回答 2

1

第 1 部分:抽取版本

  • 加载数据

从表格文件中加载数据(sep根据您使用的分隔符进行更改):

# installed as dependency
import pandas as pd  
# https://github.com/daavoo/pyntcloud
from pyntcloud import PyntCloud  

dense = PyntCloud(pd.read_csv("example.tsv",
                     sep='\t',
                     names=["x","y","z"]))

这是我创建的示例的外观:

例子

  • 构建体素网格

假设文件中的纬度和经度以米为单位,您可以生成如下网格:

grid_id = dense.add_structure("voxelgrid",
                           sizes=[1, 1,None],
                           bb_cuboid=False)
voxelgrid = dense.voxelgrids[grid_id]

此体素网格沿x(纬度)和y(经度)维度的大小为 1。

  • 构建抽取版本

    抽取=dense.get_sample(“voxelgrid_centroids”,voxelgrid=grid_id)

抽取是一个 numpy (N,3) 数组。您可以将其存储以供以后在 SQL 数据库等中使用。


第 2 部分:查询

选项 A:查询体素网格

  • 获取每个网格单元的平均高度

您可以知道获取z网格中每个单元格的平均值(高度)值的向量:

z_mean = voxelgrid.get_feature_vector(mode="z_mean")
  • 使用用户的位置查询网格:

    users_location = np.random.rand(100000, 2)

添加一列零,因为查询需要 3D(这不会影响结果):

users_location = np.c_[ users_location, np.zeros(users_location.shape[0]) ]

进入每个用户所在的单元格:

users_cell = voxelgrid.query(users_location)

最后,获取每个用户对应的海拔高度:

users_altitude = z_mean[users_cell]

选项 B:使用抽取版本进行查询

  • 构建一个抽取的 KDTree:

    从 scipy.spatial 导入 cKDTree kdt = cKDTree(抽取)

  • 使用用户位置查询 KDTree:

    users_location = np.random.rand(100000, 2) users_location = np.c_[ users_location, np.zeros(users_location.shape[0])

    距离,索引 = kdt.query(user_locations, k=1, n_jobs=-1)


另外,您可以使用 pickle 保存和加载体素网格:

pickle.dump(voxelgrid, open("voxelgrid.pkl", "wb"))

voxelgrid = pickle.load(open("voxelgrid.pkl", "rb"))
于 2017-04-08T18:32:38.007 回答
0

如果您有一个点云作为文本文件 (.xyz),一个简单而快速的解决方案是使用 .xyz 从文件中随机抽取样本shuf

xyz 文件中的 1000 万个点等于 1000 万行文本。你可以运行:

shuf input.xyz -l 5000000 -o out.xyz

您已将文件抽取到原始大小的一半。

于 2021-02-11T21:31:08.820 回答