海量点云数据给存储、传输、处理等带来极大困难。针对现有算法在特征保留与精简后重建模型表面积、体积、重建误差不能兼顾的问题，提出一种基于邻域点位置特征的点云精简算法。该算法根据权值计算投影面、搜寻矩阵大小以及精简比例对目标点云进行精简。将目标点云网格化处理；寻找投影面垂直方向（正、负两个方向），以目标点为中心，获取搜寻矩阵范围内的点；根据搜寻矩阵内点与目标点的位置关系确定其权值；根据所设的精简比例对原始点云进行精简。将所提算法与曲率采样法、均匀网格法和随机采样法进行比较，并从特征保留、表面积和体积变化率这3个方面进行评价。实验结果表明：所提算法的精简结果对特征区域效果优于均匀网格法和随机采样法，与曲率采样法一致；精简结果误差、重建模型的表面积差和体积差总体优于曲率采样法，与随机采样法基本一致，略差于均匀网格法。因此，所提算法既能较好地保留特征，同时又能使重建后的结果模型表面积和体积变化以及误差都较小，综合效果好。

针对点云精简算法提取特征时较为依赖传统参数、特征提取不全面和特征边界易丢失等问题，提出一种使用冯·米塞斯（vMF）分布提取特征的点云精简方法。该方法首先利用邻域重心点构建向量，通过与法向之间的夹角关系设置阈值划分曲面，降低噪声对细节特征的影响；然后利用冯·米塞斯分布提取曲面点的优先度，实现全局特征提取；最后基于特征进行八叉树分级精简。实验结果表明：所提方法可有效提取细节特征，相比于基于曲率、Hausdorff距离的方法所提取到的特征，有着更好的特征提取效果；利用基于曲率、栅格、随机的精简算法与所提方法进行关于重建结果、3D偏差、定量分析的对比，证明所提精简方法效果更优。所提方法为点云特征提取和精简提供一种新的思路。

由于三维激光扫描仪获取的点云数据体积大且存在大量冗余，在后期处理时会占用计算机大量的空间和时间成本，因此需要对点云数据进行简化预处理。针对散乱点云数据模型，在保留关键几何特征的前提下，提出了一种层次化的点云简化算法。首先，构造点云模型的长方体包围盒，并将包围盒划分成若干个小立方体栅格，使得每个点都包含在栅格中；然后，计算每一个栅格中各个点的权值，通过对比权值与权阈值来确定该点是否保留，从而删除噪声点，实现点云初始简化；最后，采用基于曲率分级的简化算法实现点云精简化。对公共点云数据模型和文物点云数据模型进行了简化实验，实验结果表明，与随机采样法、均匀网格法及法矢夹角法等算法相比，所提算法具备较好的几何特征保持性能，可以达到较好的点云简化效果，是一种有效的点云简化算法。

针对激光线结构光扫描仪等获取的复杂物体表面三维点云数据量大、冗余性高等问题,提出一种基于自适应邻域和局部贡献值的点云精简算法。首先,根据点云的局部几何特征确定每个区域的最佳邻域范围;其次,将最佳邻域与内部形状特征算法、局部表面斑块算法相结合,计算所有点云数据的局部贡献值,并提取出点云特征点;最后,使用K-means聚类算法划分点云数据,并按类别和贡献值对点云进行精简。实验结果表明,对于复杂表面被测物,所提算法能够在保证精简率的情况下调节特征区域与非特征区域的精简度,同时保证点云完整性与细节特征信息,精简结果精度较高并更贴合物体原始面貌。

提出了一种基于k均值(k-means)聚类的点云精简方法。与包围盒法相比,在压缩率近似相同的条件下,k-means聚类方法能较好地保留细节特征,与原始数据的稠密稀疏分布更加一致,所建模型表面更光滑。

提出一种特征感知的三维点云简化方法。通过构造八叉树搜索每个点的k近邻点,并计算每个点的法向量,以此检测并保留边缘点;使用期望最大化算法对点云进行聚类,并确定高曲率的点;使用边缘感知的有向Hausdorff距离方法进行点云精简,合并前述点云并删除重复点,实现模型简化。该方法适用于不同曲率变化的模型,并且能够在保留尖锐特征的同时显示模型整体轮廓。实验结果表明,该方法不仅能够保留原始模型的几何特征和轮廓外貌,而且有效地避免了简化过程中的孔洞现象,几何简化误差较低。

激光线结构光扫描仪得到的三维点云数据具有冗余性，本文设计实现了一种基于两阶非均匀划分的点云精简算法对机车走行部数据进行处理。首先，根据内在形状特征算法估计出检测对象的点云法矢，并提取出点云特征点；其次，根据特征点云的分布对点云进行第一次非均匀划分，得到不均匀的初始点云块；最后，将划分后的各点云块映射到不同的高斯球中进行进一步细分，在高斯球面上进行均值漂移聚类，提取出每个聚类簇在实际三维空间中的重心，重心的集合即为精简结果。实验证明了方法的有效性，相比于现有的方法，本文中的方法在保证精度的前提下能够达到很高的精简率和运算效率，更契合机车自动化在线检测的需要。

针对激光点云数据中存在的大量冗余信息, 造成传输、存储等后续处理环节付出多余的硬件和时间成本的问题, 提出了一种基于特征信息的点云精简方法。利用自适应近邻点进行PCA计算点云法矢; 利用冯.米塞斯分布进行边缘点提取, 对非边缘点以点法矢为基础赋予其距离权重进行阈值判断, 提取特征点; 划分空间均匀网格, 以网格为单元计算法矢均值, 提取潜在特征点; 对网格非特征点进行单点提取。以标准的Bunny和工件模型为对象进行了MATLAB仿真实验, 所提算法与传统非均匀网格法、聚类法、三角面片消减法比较: 在精简比1∶5、1∶10、1∶15、1∶20情况下, 最大误差降低27%以上, 平均误差降低12%以上。实验结果表明所提算法在特征信息较多的模型处理上具有更好的精简能力。

常规的特征保持点云精简方法需计算全部点云的微分信息,但直接计算高密度或含噪点云的微分信息存在一定偏差,导致点云精简效果不佳。提出一种基于栅格动态划分的点云精简方法。首先对模型进行空间栅格初划分,利用随机采样一致性算法剔除栅格内的干扰点,然后采用最小二乘法对剩余点进行平面拟合并计算平整度值,根据平整度值判别该栅格是否细分,将平坦区域压入大间距栅格内,特征丰富区域划分至小栅格中。针对小栅格内的点引入高斯函数降低远距离点对特征识别贡献的权重,综合曲面变化度和邻域法向量夹角信息共同识别特征点并保留,大栅格内的点根据栅格间距大小采用不同的采样率采样。与随机采样法、栅格法、曲率精简法对比实验结果表明,该方法能较好地保持模型细微特征且避免孔洞的出现,精简后模型的最大偏差为1.502 mm,远小于其他三种方法;随着噪声强度的增加,本文方法的精简误差相对较小且变化平缓,在35 dB噪声下,平均偏差仅为随机采样法和栅格法的40%,曲率精简法的50%。

针对散乱点云数据密度大、重建时间长、效率低等问题，提出了一种散乱点云的均匀精简算法。该算法基于开源C++编程库点云库(PCL)，利用PCL的体素化栅格类创建一个K邻域三维体素栅格，结合包围盒法对输入的点云数据进行K邻域距离计算和法线估计，确定每个小立方栅格的重心，并以其来近似显示这个小立方栅格内所有的数据点，达到精简点云的目的，最后利用贪婪三角投影类对精简后的点云实现三角网格面重建并显示其效果。实验结果表明，该算法在充分保留点云数据几何特征的前提下，能有效滤除部分点云数据冗余量，且精简结果比较均匀，避免了大规模精简所出现的空白区域，提高了重建效率。