Amincir un grand nuage de points LiDAR?


8

J'ai un grand nuage de points (fichier LAS) et j'essaie de le réduire en utilisant une technique complexe. Je sais qu'il est possible d'éclaircir un nuage de points en utilisant des techniques simples telles que l'extraction de chaque nième point. Cependant, le nuage de points avec lequel je travaille est plus dense dans certaines régions et moins dense dans d'autres. J'aimerais pouvoir éclaircir le nuage afin que les zones plus denses soient éclaircies plus fortement que les zones moins denses. Pour ce faire manuellement, on pourrait créer une grille et sélectionner un certain nombre de points dans chaque cellule. (c'est-à-dire un à chaque coin et un au centre) Cependant, ce nuage de points est beaucoup trop grand pour cette tâche. J'essaie de déterminer s'il existe des solutions existantes à ce problème, telles qu'une requête de sélection complexe, un autre processus automatisé ou une application logicielle existante qui pourraient être utilisées.


+1. Une option à essayer est la ligne ThinDatade commande de Fusion. Dans cette réponse, j'explique comment cela fonctionne. La réponse de Howard semble également prometteuse. Faites-nous savoir s'ils fonctionnent pour votre situation. Tks.
Andre Silva

L'utilisation d'un outil comme MeshLab http://meshlab.sourceforge.net/ vous permettrait de comparer facilement les suggestions d'Andre Silva. Il semble que votre ensemble de données soit suffisamment petit pour être interactif dans ce contexte.
orbatos

Trouvé cette question sur les questions de réseau chaudes, rejoint ici juste pour poster ce commentaire. Ne sachant rien de l'ensemble de données ou du domaine, cela semble toujours demander des techniques de réduction de dimension «PCA» (analyse en composantes principales). Peut-être que certaines solutions utilisent cela?
Lamar Latrell

Réponses:


13

Il semble que vous souhaitiez un amincissement à base de voxels ou peut-être à base de poisson. PDAL peut faire l'un ou l'autre. Voir le tutoriel de PDAL sur le sujet à https://pdal.io/tutorial/sampling/index.html

Échantillonnage PDAL.

En ce qui concerne la taille du fichier, veuillez définir "grand". Presque toutes les techniques, à l'exception de la simple décimation de rang (supprimer les n-èmes points), voudront avoir accès à l'intégralité du fichier en mémoire. D'autres options nécessiteraient une technique d'échantillonnage + indice plus sophistiquée en deux étapes pour éviter cette exigence.


Merci, cela semble très utile, je ne l'ai pas rencontré et je vais y jeter un coup d'œil. En ce qui concerne la taille, je regarde environ 3 millions de points.
Bodkinz

3 millions de points == petite extrémité des ensembles de données LiDAR. Suffisamment grand pour commencer à causer des problèmes de mémoire, ce qui pourrait être environ 100 millions.
Howard Butler

Bon à savoir, je suis relativement inexpérimenté avec LiDAR mais j'ai le sentiment que PDAL est exactement ce que je cherchais, je cherchais précédemment des réponses dans mapper global, GRASS, SAGA et laspy etc ...
Bodkinz

Les pipelines PDAL facilitent le suivi de vos paramètres de traitement et reproduisent ou traitent par lots votre travail.
Charlie Parr du

6

Vous pouvez essayer le lasthin ou le lasduplicate de LAStools . Avec lasthin, vous pouvez conserver le point `` le plus bas '', `` le plus haut '', `` aléatoire '' ou le plus `` central '' sur une grille 2D dans le plan x / y avec une taille définie par l'utilisateur `` 0,5 pas ''. Avec lasduplicate, vous pouvez spécifier de supprimer tous les points qui sont «à proximité de 0,005» en 3D de tous les points apparaissant précédemment. Voir le fichier README lié pour plus de détails.


1
Au fait, pourquoi avez-vous deux comptes ? Vous devriez probablement les fusionner .
Andre Silva

J'ai trouvé ces outils utiles, mais aucun d'eux n'aiderait à réaliser un amincissement qui conserve plus de points là où les données sont les plus denses, comme le recherche OP.
ToolmakerSteve

2

Pour cela, vous pouvez utiliser la commande FUSIONThinData ( Documentation p.130 ). ThinDataest très pratique car il vous permet d'affiner les données de nuages ​​de points à une densité d'impulsions souhaitée par unité carrée. D'après la documentation de FUSION:

ThinData [switches] OutputFile Density CellSize DataFile

ThinData vous permet d'affiner les données LIDAR à des densités d'impulsions spécifiques. Cette capacité est utile lors de la comparaison des résultats d'analyse de plusieurs acquisitions LIDAR qui ont été collectées en utilisant différentes densités d'impulsions. ThinData est également utile lorsque la densité d'un même ensemble de données LIDAR n'est pas uniforme. C'est souvent le cas avec les données recueillies à partir d'un hélicoptère volant lentement ou lorsque le chevauchement des lignes de vol n'a pas été étroitement surveillé. ThinData a également été utilisé dans des expériences de simulation pour évaluer l'effet de la densité d'impulsions LIDAR sur la précision des mesures d'inventaire forestier estimées telles que la hauteur globale des arbres.


1

Vous pouvez utiliser LiDAR360, télécharger la version d'essai gratuite de 30 jours sur le site Web de GreenValley International . LiDAR360 propose trois méthodes de sous-échantillonnage: l'espacement des points minimum, la fréquence d'échantillonnage et l'octree. La méthode de l'espacement des points minimum doit définir un espacement des points minimum entre deux points afin que la distance tridimensionnelle minimale entre deux points quelconques dans le nuage de points échantillonné ne soit pas inférieure à cette valeur. La méthode du taux d'échantillonnage doit définir le pourcentage de points réservés. Dans ce mode, LiDAR360 conservera au hasard le nombre de points spécifié. Points réservés = Nombre total de points * Taux d'échantillonnage. La méthode Octree permet aux utilisateurs de sélectionner un niveau de subdivision "octree" et de créer des voxels 3D pour le nuage de points d'entrée. Seul le point le plus proche de chaque centre de voxel sera conservé.

En utilisant notre site, vous reconnaissez avoir lu et compris notre politique liée aux cookies et notre politique de confidentialité.
Licensed under cc by-sa 3.0 with attribution required.