向量化 NumPy 时遇到问题

Question

我正在尝试为使用 LIDAR 的学校项目编写一些高效的代码。目标是过滤掉点云中超过10米的点云中的任何东西并传递出去。我可以编写一个 for 循环来执行此操作，但它不是很优化。我的目标是使用 NumPy 高效地实现这一点。

def get_distance(input_array):
        return np.sqrt(np.sum(np.square(input_array)))

def filter_by_distance(cloud, distance=10):
     cloud1 = [item for item in cloud if get_distance(item) <= distance]
     return np.asarray(cloud1)

云是一个多维 np.array 包含 [X,Y,Z,I]

[[23.157  0.032  0.992  0.34 ]
 [23.219  0.105  0.994  0.29 ]
 [23.282  0.179  0.996  0.26 ]
 ...
 [ 1.548 -1.101 -0.77   0.   ]
 [ 1.388 -0.978 -0.676  0.   ]
 [ 1.42  -0.964 -0.684  0.   ]]

我正在使用 get_distance(cloud[:,0:2]) 获取 x,y 距离，但我似乎找不到使用此 trim 的方法没有 for 循环的原始点云。如果有任何帮助，我将不胜感激！

Answer 1

你快到了。您可以添加或省略 z，我不确定我代表什么。

points = cloud[:,0:3]
points = np.sqrt(np.sum(np.square(points), axis=1))
points_filtered = points[points<=distance]

添加的是一个轴，用于沿每个点的 x、y 和 z 值求和，并在 numpy 中包含过滤。 points<=distance returns 用作掩码的布尔数组。

Answer 2

您可以将 True False 布尔值的索引（或掩码）作为选择标准传递给 ndarray。使用您显示的方法获取与原点的距离。只需将其展开以按行对云阵列进行操作。请参阅 sum documentation 并查看 axis。您需要每一行的总和，因为您已经将数据存储为一个 X、Y、Z、I 作为一行。如果您将来转置它，请对列使用 axis = 0。

dist = np.sqrt(np.sum(np.square(cloud[:,0:2]), axis = 1))

这将为您提供与点云中的点数一样长的距离向量。现在创建索引：

index = dist <= 10

如果您打印此索引，您将看到一系列 True False。现在进行过滤

filtered_cloud = cloud[index,:]

当然，还有丑陋的一行字。如果您这样做...请发表评论，以便人们知道您做了什么。

filtered_cloud = cloud[np.sqrt(np.sum(np.square(cloud[:,0:2]), axis = 1)) <= 10, :]

奇怪，为什么只使用 x 和 y 作为距离？

Answer 3

计算平方内行之和，无需sqrt，直接与平方距离比较

def filter_by_distance(cloud, distance=10):
    # np.sum is implemented c and very fast
    # axis = 1 for summing row
    # no need to sqaure root (save computation)
    # : stand for row, 0:3 stand for column 0, 1, 2
    umask = np.sum(cloud[:, 0:3]**2, axis=1) < distance**2
    # umask is boolean array, whereever it is false, that cloud point will not be shown
    return cloud[umask]

向量化 NumPy 时遇到问题

Trouble vectoring a NumPy

python

performance

numpy

lidar

ros