算法或命令行工具来抽取地形点的点云？

Question

我需要获取比所需的激光雷达测量点(经度、纬度和海拔)列表更大(更密集)的地形定义，并根据二维网格对其进行抽取。这个想法是最终得到基于使用经度、纬度 (x,y) 值的 NxN(即 1 米 x 1 米)维度网格的点，因此消除了超出需要的点。目标是确定抽取后网格中每个点的高程，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所设想的点云的剩余部分，在以我们始终有一个点的方式减少它之后在一定半径内(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 上运行的项目中执行此操作的命令行工具，我想用脚本或编程语言自己编写代码/脚本，并且作为系统调用从我们的应用程序中调用。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语言，如果已经存在用于此的 C/C++/C# 库，那么我们可以根据需要包装它们。

想法？

更新阐明此抽取列表结果的用途:给定用户的位置(通过纬度和经度已知)，列表中最近的点是什么，进而是它的高度？我们现在当然可以这样做，但是我们拥有的数据比必要的多，所以我们只想放宽数据的密度，这样如果我们可以在公差距离(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)

Answer 1

第 1 部分:精简版

• 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"]))

这是我创建的示例的样子:

• 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]

此体素网格在 x(纬度)和 y(经度)维度上的大小为 1。

• 构建精简版

  decimated = dense.get_sample("voxelgrid_centroids", voxelgrid=grid_id)

decimated 是一个 numpy (N,3) 数组。您可以将其存储在 SQL 数据库等中以备后用。

---

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

对于网格中的每个单元格，您可以得到一个具有平均 z(高度)值的向量:

z_mean = voxelgrid.get_feature_vector(mode="z_mean")

• 查询包含用户位置的网格:

  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]) ]

获取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高度:

users_altitude = z_mean[users_cell]

选项B:使用抽取版本进行查询

• 构建抽取的 KDTree:

  从 scipy.spatial 导入 cKDTreekdt = 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])

  distances, indices = 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"))