🧙🏼‍♂️ AFWizard

Úvod

AFWizard je nástroj určený na tvorbu, ladenie a aplikáciu filtrovacích pipeline pre LiDARové mračná bodov. Umožňuje kombinovať existujúce filtrovacie backendy, interaktívne nastavovať ich parametre a následne aplikovať rôzne filtre na rozdielne časti jedného datasetu.

V tejto kapitole je ukázaný pracovný postup, pri ktorom sa jedno mračno bodov rozdelí pomocou pripravenej priestorovej segmentácie na oblasti s rozdielnym charakterom terénu. Pre jednotlivé typy oblastí sa vytvoria samostatné filtrovacie pipeline a tie sa následne priradia príslušným segmentom.

Použitý pracovný postup:

1. načítanie mračna bodov,
2. odstránenie existujúcej klasifikácie,
3. načítanie priestorovej segmentácie,
4. vytvorenie vzorových subsetov pre jednotlivé typy povrchu,
5. interaktívne ladenie filtrovacích pipeline,
6. uloženie filtrov do knižnice,
7. priradenie filtrov jednotlivým segmentom,
8. spustenie výsledného spracovania pomocou AFWizard CLI.

Poznámka: Notebook pracuje s lokálnymi LAS/GeoJSON súbormi a s interaktívnymi prvkami AFWizard. Bunky preto spúšťaj postupne až po nastavení správnych ciest.

🗃️ Inštalácia AFWizard

Odporúčaným spôsobom inštalácie je samostatné prostredie conda.

Nasledujúce príkazy spusti v Anaconda Prompt:

conda create -n afwizard
conda activate afwizard
conda install -c conda-forge afwizard

Pre prácu v JupyterLab:

conda activate afwizard
jupyter lab

V tomto príklade sa používa lokálna inštalácia LAStools v adresári:

C:/LAStools

☁️ Vstupné dáta

Workflow používa:

• mračno bodov vo formáte LAS,
• priestorovú segmentáciu vo formáte GeoJSON.

Použité súbory:

jtsk03_fixed_merged_lom_raztoka.las
segmentation.geojson

Oba vstupy sú interpretované v CRS EPSG:8353.

Odporúčaná štruktúra:

projekt/
├── ntb_AFWizard.ipynb
├── segmentation.geojson
├── data/
│   ├── jtsk03_fixed_merged_lom_raztoka.las
│   ├── low_vegetation.las
│   ├── high_vegetation.las
│   └── quarry.las
└── filters/
    ├── low_vegetation.json
    ├── high_vegetation.json
    └── quarry.json

Dôležité: Mračno bodov a segmentácia musia používať správny priestorový referenčný systém.

⚙️ Príprava pracovného prostredia

Import knižníc

from pathlib import Path

import afwizard as af

Nastavenie cesty k LAStools

af.set_lastools_directory("C:/LAStools")

Nastavenie pracovných priečinkov

Priečinok filters použijeme pre JSON definície filtrov. Adresár data nastavíme ako dátový adresár AFWizard.

Path("filters").mkdir(exist_ok=True)
af.set_data_directory("data", create_dir=True)

Predspracovanie mračna bodov

Načítanie datasetu

dataset = af.DataSet(
    filename="jtsk03_fixed_merged_lom_raztoka.las",
    spatial_reference="EPSG:8353",
)

Odstránenie existujúcej klasifikácie

dataset = af.remove_classification(dataset)

Priestorová segmentácia

Načítanie segmentácie

segmentation = af.load_segmentation(
    "segmentation.geojson",
    spatial_reference="EPSG:8353",
)

Vytvorenie vzorového subsetu

Dataset obmedzíme podľa pripravenej segmentácie. Tento krok sa podľa potreby opakuje pre jednotlivé typy povrchu.

restrict_dataset = dataset.restrict(
    segmentation_overlay=segmentation
)

Príklad uloženia subsetu pre vysokú vegetáciu:

saved_restriction = restrict_dataset.save(
    "data/high_vegetation.las",
    overwrite=True,
)

V pôvodnom experimente boli pripravené tri vzorové datasety:

• low_vegetation.las – nízka vegetácia,
• high_vegetation.las – vysoká vegetácia,
• quarry.las – lom.

Tip: Ladenie filtrov na menšom reprezentatívnom výreze je praktickejšie ako opakované testovanie na celom mračne bodov.

🧪 Tvorba filtrovacích pipeline

AFWizard poskytuje interaktívne rozhranie pipeline_tuning(). Výslednú pipeline následne uložíme do JSON súboru.

Nízka vegetácia

sample_low = af.DataSet(
    filename="data/low_vegetation.las",
    spatial_reference="EPSG:8353",
)

pipeline_low = af.pipeline_tuning(sample_low)

af.save_filter(
    pipeline_low,
    "filters/low_vegetation.json",
)

Vysoká vegetácia

sample_high = af.DataSet(
    filename="data/high_vegetation.las",
    spatial_reference="EPSG:8353",
)

pipeline_high = af.pipeline_tuning(sample_high)

af.save_filter(
    pipeline_high,
    "filters/high_vegetation.json",
)

Lom

sample_quarry = af.DataSet(
    filename="data/quarry.las",
    spatial_reference="EPSG:8353",
)

pipeline_quarry = af.pipeline_tuning(sample_quarry)

af.save_filter(
    pipeline_quarry,
    "filters/quarry.json",
)

Po dokončení tejto fázy obsahuje priečinok filters samostatné JSON definície filtrov pre jednotlivé typy oblastí.

🧩 Prepojenie filtrov a segmentov

Pridanie vlastnej knižnice filtrov

af.add_filter_library(
    path="filters",
    recursive=False,
)

Výber pipeline z knižnice

pipelines = af.select_pipeline_from_library("filters")

Priradenie filtrov segmentom

assigned_segmentation = af.assign_pipeline(
    dataset,
    segmentation=segmentation,
    pipelines=pipelines,
)

Uloženie segmentácie s priradenými pipeline:

assigned_segmentation.save(
    "data/dataset_segments_assigned.geojson"
)

Poznámka: Uložený GeoJSON predstavuje prepojenie medzi priestorovou časťou datasetu a zvolenou filtrovacou pipeline.

🚀 Spustenie výsledného spracovania

Po pripravení datasetu, filtrov a segmentácie možno finálne spracovanie spustiť cez AFWizard CLI.

V Jupyter Notebooku použijeme ! pred shell príkazom.

!afwizard --dataset=data/jtsk03_fixed_merged_lom_raztoka.las --dataset-crs=EPSG:8353 --segmentation=data/dataset_segments_assigned.geojson --segmentation-crs=EPSG:8353 --output-dir=data/output --library filters --lastools-dir="C:/LAStools"

Použité argumenty:

Parameter	Význam
--dataset	vstupné mračno bodov
--dataset-crs	CRS vstupného datasetu
--segmentation	GeoJSON s priestorovou segmentáciou a priradenými filtrami
--segmentation-crs	CRS segmentácie
--output-dir	adresár pre výsledky spracovania
--library	lokálna knižnica filtrov
--lastools-dir	cesta k inštalácii LAStools

📤 Výstupy a záver

Výsledkom workflow sú:

1. vzorové LAS datasety použité pri ladení filtrov,
2. JSON definície filtrovacích pipeline uložené v adresári filters,
3. GeoJSON segmentácia s priradenými pipeline.

Samotné filtrovanie sa následne vykonáva nad kompletným datasetom pomocou AFWizard CLI.

Hlavnou výhodou postupu je možnosť priestorovo heterogénneho filtrovania – pre oblasti s rozdielnym charakterom možno vytvoriť samostatné pipeline a použiť ich iba tam, kde sú vhodné.

🔗 Zdroje a užitočné odkazy

• AFWizard – oficiálna dokumentácia
• Práca s LiDAR datasetmi
• Tvorba filtrovacích pipeline
• Práca s knižnicami filtrov
• AFWizard na PyPI
• AFWizard – GitHub