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。

针对野外扫描原始点云中存在各种形态噪声点和大量冗余数据,提出一种基于方法库、布料模拟滤波和曲率分级等综合算法运用的点云精简优化策略。首先利用统计滤波去除远距离稀疏的噪声点,然后利用直通滤波分割出含有近距离大密度噪声点的点云块,利用布料模拟滤波算法去除这类噪声点,再利用半径滤波去除目标点云周围近距离的噪声点,最后基于曲率分级压缩方法实现对点云冗余数据的去除,并与两种传统的压缩方法进行实验对比分析。实验结果表明,所提的精简优化策略能有效去除点云中的噪声点,在保留点云大部分特征点的同时,能最大化减少点云数据的冗余量,提高了点云模型重建的数据质量。

通过三维激光扫描仪获取的原始点云数据量庞大,不利于后期的数据处理工作。现有的基于曲率值的点云压缩方法容易引起亚特征区域细节丢失的问题。针对这一问题,提出了一种基于曲率分级的点云数据压缩方法。该方法通过计算曲率反映点云数据中特征的分布情况,采用对数函数对归一化后的曲率值进行分级,对不同等级的点进行空间网格划分后根据点的曲率等级实现点云的分级压缩。实验结果表明,所提方法能在大幅度减少数据量的同时,较好地保留原始数据的细节特征,从而实现对点云数据的高效压缩。