Amincir un grand nuage de points LiDAR?

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.

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

.

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.

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.

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.

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.