Python使用laspy处理点云：基于ID映射数组修改点的ID值

你可以按照以下步骤完成ID映射替换，两种实现方案分别适配不同数据量场景：

方案1：通用映射方案（适配任意ID范围） #

通过字典实现查找，无需考虑旧ID的连续性和数值范围，适合中小数据量的点云：

• 第一步：将新旧ID对应关系转为查找字典

import numpy as np

# 你的新旧ID映射表
ID_relation = [[1, 50], [2, 41], [3, 21], [4, 78], [5, 4]]
# 键为旧ID，值为新ID，未匹配到的ID默认保留原值，可自行修改默认值
id_map = {old_id: new_id for old_id, new_id in ID_relation}

• 第二步：批量替换ID并保存文件

# 读取原ID
old_ID = myfile.intensity
# 批量生成新ID，lambda里的第二个x是未匹配到的默认值，可改为你需要的数值比如0
new_ID = np.vectorize(lambda x: id_map.get(x, x))(old_ID)
# 写回intensity字段
myfile.intensity = new_ID
# 保存修改后的点云
myfile.write("modified_point_cloud.las")

方案2：高性能映射方案（适配百万级以上大点云） #

通过数组索引实现O(1)速度查找，替换效率远高于字典方案，适合旧ID最大值不超过65535的场景：

import numpy as np

ID_relation = [[1, 50], [2, 41], [3, 21], [4, 78], [5, 4]]
old_ids = [item[0] for item in ID_relation]
new_ids = [item[1] for item in ID_relation]

# 构建索引查找数组，默认保留原ID
max_old = max(old_ids)
lookup_arr = np.arange(max_old + 1, dtype=old_ID.dtype)
for old, new in zip(old_ids, new_ids):
    lookup_arr[old] = new

# 直接索引替换，速度极快
new_ID = lookup_arr[old_ID]
myfile.intensity = new_ID
myfile.write("modified_point_cloud.las")

注意事项 #

• 若你的新ID数值超过65535，需要先修改las文件intensity字段的存储类型，默认uint16类型最大值为65535，超出会触发数值溢出。
• 若需要删除未匹配到映射关系的点，可以在替换后新增过滤逻辑：myfile.points = myfile.points[np.isin(old_ID, old_ids)]

内容的提问来源于stack exchange，提问作者Sbobby