Результаты

Исходные .las файлы обработаны с помощью методов топологического анализа. Выявлены зоны интереса, которые сохранены в векторные файлы. Ссылка: Google Drive.

Использовались три различных метода анализа, каждый из которых лучше подходит для определённых задач:

• fromZero — высота анализируется "снизу-вверх". Чаще всего при таком подходе определяются углубления.
• fromMax — анализ производится "сверху-вниз", позволяя лучше определить возвышенности и бугры.
• radius — сперва выделяются объекты из точек со схожей высотой, затем они расширяются.

Использованный код обработки хранится в файле main.py в виде набора функций. Для получения shape-файла из карты высот необходимо вызвать функцию process_las_file, передав путь к исходному файлу, выходной путь и экземпляр объекта с настройками чтения и обработки LasReaderSetup. Пример работы также представлен в main.py. Для обработки сразу нескольких файлов с облаком точек предусмотрена функция process_multiple_files.

Поиск нужных объектов

У каждого объекта в shape-файле есть свойства:

• id — уникальный идентификатор в области чтения.
• ParentID — идентификатор родительского объекта в области. Если родитель отсутствует, значение равно 4294967295.
• Depth — показатель глубины. У самой верхней (без родительской) области равен 1.
• Start — время появления объекта. Для fromZero и fromMax выражается в показателе высоты, от которого объект начал разрастаться; для radius — показатель схожести начальных точек в компоненте.
• End — время исчезновения объекта. Для fromZero и fromMax выражается в показателе высоты, на котором объект перестал разрастаться; для radius — показатель схожести конечных точек.
• NumPoints — количество точек в объекте.

По данным свойствам можно производить фильтрацию. Сначала убираются слишком малые и слишком большие компоненты, так как они мешают визуализации:

"NumPoints" < 1000000 AND "NumPoints" > 100

Точечный поиск

Слой Ground_2020_Участок 1 из папки radius

Следующий фильтр выделит дорогу:

"Start" = 0
AND to_real("End") >= 17204 AND to_real("End") <= 17413.33398
AND "NumPoints" >= 82461 AND "NumPoints" <= 112220
AND "Depth" IN (2, 3)
AND area($geometry) < 1000000

Слой 2020_1 без классификации_ч1 из папки fromMax

Следующий фильтр выделит кочкообразные элементы:

"NumPoints" >= 2000 AND "NumPoints" <= 210000
AND to_real("Start") >= 20100
AND (
    "End" = -9999 OR (to_real("End") >= 17400 AND to_real("End") <= 30000)
)
AND "Depth" IN (2, 3, 4)

Слой 2020_1 без классификации_ч2 из папки fromMax

Следующий фильтр выделит малые (шумовые) объекты:

"Depth" > 2
AND "NumPoints" <= 26000

Как работает алгоритм определения объектов

1. Открывается .las файл.
2. Файл читается по кускам (тайлам) с наложением. Это нужно, т.к. исходный размер слишком большой (в рамках потребления ОЗУ) для обработки на домашнем компьютере
3. Точки тайла сужаются и проецируются на матрицу.
4. По матрице строится топологическая характеристика.
5. Из характеристики извлекаются найденные объекты.
6. Объекты векторизируются и проецируются по системе координат файла.
7. Найденные объекты фильтруются и записываются в выходной файл.

В среднем полная обработка (шаги 2-7) одного тайла размером 1600 на 1600 пикселей занимает 79 сек. на процессоре Apple M2.

Пример использования через утилиту

Запустить утилиту с аргументами (указать корректный путь к las файлу):

LasTopoDec "LiDAR_BIGDATA_GN/Ground_2020_Участок 1.las" output.shp

Первым аргументом передаётся исходный las файл, вторым – выходной. Также возможно передать опции построения. Их можно посмотреть через вызов справочной информации:

LasTopoDec -h

Запуск через Python

1. Установить Python версии не ниже 3.11.
2. Создать виртуальную среду:

python -m venv venv

3. Активировать виртуальную среду:
   • На Windows:

   venv\Scripts\activate

   • На macOS/Linux:

   source venv/bin/activate

4. Установить зависимости:

pip install -r requirements.txt

5. Запустить main.py или использовать его в своём скрипте. Пример:

preferences = LasReaderSetup()

# В .las точки неравномерны, между x1 и x10 может быть 3-5 точек,
# поэтому нужно уменьшить размерность
preferences.aproximateRectSize = 10

# Целиком обработка файла слишком затратна из-за большого размера.
# Для выполнения обработки на обычном компьютере необходимо разбить на чанки.
# Размер указывается в пикселях после уменьшения размерности.
preferences.chunkSize = 1500

# Так как важные объекты могут быть на границе чанка, нужно брать с захлёстом.
# В идеале размер нахлёста — максимальный размер объекта.
preferences.chunkOversize = 100

preferences.procType = bc.ProcType.Radius

# True — пропускать отсутствующие данные, тогда в обработке ,будут использоваться только существующие точки (области точек).
# False — подставлять на место отсутствующих точек значение по умолчанию (-9999 или 9999).
preferences.useMask = False

process_las_file(las_file_path, output, preferences)

Проекция растра

Чтобы привязать растровое изображение к координатам .las файла, написан скрипт bind_image.py.