描述
根据航测激光雷达测量的重叠扫描对 LAS 点进行分类。
插图
使用
对于分类 LAS 建筑物工具等假定规则点分布的操作而言，未分类的重叠点可能会导致不希望出现的后果。从这些点获取的数据也可能会在较大幅度扫描角度的回波中产生不希望出现的误差幅度。对重叠点进行分类可排除这些点，以返回质量更高的点，并实现更加均匀的点分布。
该工具将逐个文件地处理输入 LAS 数据，因此要求 LAS 文件没有重叠的覆盖范围。如果 LAS 文件的覆盖部分重叠，则可以使用切片 LAS 工具将覆盖部分合并为非重叠文件。
LAS 点的点源 ID 属性可提供从中采集 LAS 点的航线的相关信息。此工具按块对 LAS 数据进行处理，方法为：确定是否存在多个点源 ID，然后将具有较高量级扫描角度的 ID 标识为重叠。如果正在处理的区域中存在多个点源 ID 相同的点，对于拥有最大量级扫描角的点，所有共享该点点源 ID 的点都将被分类为重叠。为此，用于评估 LAS 点的样本大小应约为 LAS 数据标准点间距的 2 到 3 倍。应该避免使用较大块，因为它可能会错误分类扫描角度值较小的点。小型样本可能无法捕获足够的点来正确识别和分类所有重叠点。
将为 LAS 版本 1.4 文件中且点记录格式为 6-8 的重叠点分配重叠分类标记，同时保留其原始类代码值。将为其他所有受支持的 LAS 文件中的重叠点分配类代码值 12。如果输入 LAS 文件已使用类代码值 12 来表示重叠扫描外的内容，在执行此工具之前，请考虑使用更改 LAS 类代码工具为这些点重新分配其他值。
语法
ClassifyLasOverlap(in_las_dataset, sample_distance, {extent}, {process_entire_files}, {compute_stats})| 参数 | 说明 | 数据类型 |
in_las_dataset | 待处理的切片 LAS 数据集。 | LAS Dataset Layer |
sample_distance | 用于评估 LAS 数据的方形区域各维度的距离。此值可表示为数字加线性单位值，例如“3 米”。如果未指定线性单位或输入为未知，则将由输入 LAS 文件的空间参考来定义单位。 | Linear Unit |
extent （可选） | 指定将由此工具进行评估的数据范围。 | Extent |
process_entire_files （可选） | 指定处理范围的应用方式。
| Boolean |
compute_stats （可选） | 指定是否应计算 LAS 数据集引用的 LAS 文件的统计数据。计算统计数据时会为每个 LAS 文件提供一个空间索引，从而提高了分析和显示性能。统计数据还可通过将 LAS 属性（如分类代码和返回信息）显示限制为 LAS 文件中存在的值来提升过滤和符号系统体验。
| Boolean |
派生输出
| 名称 | 说明 | 数据类型 |
| out_las_dataset | 待修改的 LAS 数据集。 | LAS 数据集图层 |
代码示例
ClassifyLasOverlap 示例 1（Python 窗口）
下面的示例演示了如何在 Python 窗口中使用此工具。
arcpy.env.workspace = 'C:/data'
arcpy.ddd.ClassifyLasOverlap('Denver_2.lasd', '1 Meter')
ClassifyLasOverlap 示例 2（独立脚本）
下面的示例演示了如何在独立 Python 脚本中使用此工具。
'''****************************************************************************
Name: Classify Lidar & Extract Building Footprints
Description: Extract footprint from lidar points classified as buildings,
regularize its geometry, and calculate the building height.
****************************************************************************'''
import arcpy
lasd = arcpy.GetParameterAsText(0)
dem = arcpy.GetParameterAsText(1)
footprint = arcpy.GetParameterAsText(2)
try:
desc = arcpy.Describe(lasd)
if desc.spatialReference.linearUnitName in ['Foot_US', 'Foot']:
unit = 'Feet'
else:
unit = 'Meters'
ptSpacing = desc.pointSpacing * 2.25
sampling = '{0} {1}'.format(ptSpacing, unit)
# Classify overlap points
arcpy.ddd.ClassifyLASOverlap(lasd, sampling)
# Classify ground points
arcpy.ddd.ClassifyLasGround(lasd)
# Filter for ground points
arcpy.management.MakeLasDatasetLayer(lasd, 'ground', class_code=[2])
# Generate DEM
arcpy.conversion.LasDatasetToRaster('ground', dem, 'ELEVATION',
'BINNING NEAREST NATURAL_NEIGHBOR',
sampling_type='CELLSIZE',
sampling_value=desc.pointSpacing)
# Classify noise points
arcpy.ddd.ClassifyLasNoise(lasd, method='ISOLATION', edit_las='CLASSIFY',
withheld='WITHHELD', ground=dem,
low_z='-2 feet', high_z='300 feet',
max_neighbors=ptSpacing, step_width=ptSpacing,
step_height='10 feet')
# Classify buildings
arcpy.ddd.ClassifyLasBuilding(lasd, '7.5 feet', '80 Square Feet')
#Classify vegetation
arcpy.ddd.ClassifyLasByHeight(lasd, 'GROUND', [8, 20, 55],
compute_stats='COMPUTE_STATS')
# Filter LAS dataset for building points
lasd_layer = 'building points'
arcpy.management.MakeLasDatasetLayer(lasd, lasd_layer, class_code=[6])
# Export raster from lidar using only building points
temp_raster = 'in_memory/bldg_raster'
arcpy.management.LasPointStatsAsRaster(lasd_layer, temp_raster,
'PREDOMINANT_CLASS', 'CELLSIZE', 2.5)
# Convert building raster to polygon
temp_footprint = 'in_memory/footprint'
arcpy.conversion.RasterToPolygon(temp_raster, temp_footprint)
# Regularize building footprints
arcpy.ddd.RegularizeBuildingFootprint(temp_footprint, footprint,
method='RIGHT_ANGLES')
except arcpy.ExecuteError:
print(arcpy.GetMessages())
环境
许可信息
- Basic: 需要 3D Analyst
- Standard: 需要 3D Analyst
- Advanced: 需要 3D Analyst