用于抽取地形点点云的算法或命令行工具？

Question

我需要为地形定义采用比需要的激光雷达测量点（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。我们的想法是使用经度，纬度（x，y）值基于NxN（即1米x 1米）尺寸网格结束点，因此消除了超过所需的点数。目标是确定抽取后网格中每个点的高程，而不是使用高程作为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逼近我想象的点云的剩余部分，然后以我们一直有点的方式减少它在一定半径内（即1米）。有可能使用比网格更好的术语。

如果我可以从抽象算法开始，或者使用可能已经存在的可以在Ubuntu上运行的项目的命令行工具，我想用脚本或编程语言自己编写/编写脚本。从我们的应用程序调用为系统调用。该方法不应要求使用基于GUI的软件或工具来解决此问题。它需要成为一系列自动步骤的一部分。

数据当前存在于制表符分隔值文件中，但是如果使用数据库/ 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，但可以是任何真正的，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 澄清使用此抽取列表的结果：给定用户的位置（以纬度和经度表示），列表中最近的点是什么，反过来又是它的高程？我们当然可以做到这一点，但是我们有更多的数据，所以我们只想放松数据的密度，这样如果我们能够找到公差距离内的最近点（即1米），如果能够使用抽取列表与完整列表。列表中的纬度，经度值采用十进制GPS（即38.68616190027656，-121.11013105991036）

Answer 1

第1部分：抽取版本

• 加载数据

从表格文件加载数据（根据您使用的分隔符更改sep）：

# 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"]))

这就是我创建的示例：

• 构建VoxelGrid

假设文件中的纬度和经度以米为单位，您可以按如下方式生成网格：

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

此voxelgrid在x（纬度）和y（经度）尺寸上的大小为1。

• 构建抽取版

  decimated = dense.get_sample（＆＃34; voxelgrid_centroids＆＃34;，voxelgrid = grid_id）

decimated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voxelgrid

• 获取每个网格单元的平均高度

您可以知道为网格中的每个单元格获取具有平均z（海拔）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]) ]

每个用户都进入小区：

users_cell = voxelgrid.query(users_location)

最后，获得与每个用户相对应的高度：

users_altitude = z_mean[users_cell]

选项B：使用抽取版本进行查询

• 构建一个被抽取的KDTree：

  来自scipy.spatial import 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，指数= kdt.query（user_locations，k = 1，n_jobs = -1）

额外的，你可以用泡菜保存和填充体素网：

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

voxelgrid = pickle.load(open("voxelgrid.pkl", "rb"))

Answer 2

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

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

您已将文件缩小为原始大小的一半。