如果您在使用本软件进行科学出版物，请引用该软件。

用于处理使用机载激光扫描（ALS）创建的点云的工具包。在您的点云中找到邻近的点并将它们描述为特征值。阅读我们的 用户手册 和我们的（非常简单） 教程。

安装

先决条件

• Python 3.7或更高版本
• pip

pip install laserchicken

发布新版本所需的步骤

• 检查 citation.cff，使用所有版本的通用DOI（选项：通过 'cffinit' 创建文件）
• 从 CITATION.cff创建 .zenodo.json文件（使用 cffconvert）
  cffconvert --validate
cffconvert --ignore-suspect-keys --outputformat zenodo --outfile .zenodo.json
• 在 laserchicken/_version.txt中设置新版本号
• 检查文档是否使用正确的版本
• 编辑变更日志（基于https://github.com/eecolidar/laserchicken/compare/v0.3.2...master中的提交）
• 测试是否可以使用pip安装包（pip install .）
• 创建Github发布
• 上传到pypi（现在通过GitHub Actions实现）
  python setup.py sdist bdist_wheel
python -m twine upload --repository-url https://upload.pypi.org/legacy/ dist/*
  （或 python -m twine upload --repository-url https://test.pypi.org/legacy/ dist/* 进行测试）
• 检查zenodo上的doi

功能测试

以下一般条件下测试了所有功能

• 输出一致的点云，不要在人工数据、真实数据、全零数据（x、y或z）、无点数据以及邻域数量非常低的数据（0、1、2）中崩溃。
• 输入数据不应被特征提取器修改。

具体特征如下进行了测试。

回波比

编写了一个使用人工数据进行的测试，以检查手动计算比率的正确性。也在真实数据上进行了测试，以确保不会崩溃，但未检查正确性。我们可以添加使用真实数据的正确性测试，但我们需要这些数据和经过验证的地面实况。

特征值

仅在真实数据和边界情况下进行了合理性测试（l1＞l2＞l3），但没有对正确性进行实际测试。尽管代码非常简单，但主要调用numpy.linalg.eig。

高度统计数据（max_z','min_z','mean_z','median_z','std_z','var_z','coeff_var_z','skew_z','kurto_z)

为了正确性进行了真实数据的测试。然而，不清楚地面实况来自哪里。代码主要调用numpy方法，这些方法已经完成了所有工作。我们代码中的计算只有

range_z = max_z - min_z
coeff_var_z = np.std(z) / np.mean(z)

我不知道任何可以提供现成变异系数的包。这可能是由于计算非常简单。

脉冲穿透比

使用人工数据与手动计算值进行了正确性测试。没有与其他实现进行比较。

Sigma_z

使用人工数据与手动计算值进行了正确性测试。没有与其他实现进行比较。

百分位数

使用人工数据中的简单案例与手动计算值进行了正确性测试。

点密度

在人工数据上进行了正确性测试。