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。

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。

针对点云简化很难完全保证精度和速度上达到最优的问题，提出了基于法向量夹角信息熵的点云简化算法。利用经典的主成分分析方法来估计点的法向量，计算法向量与参考平面的夹角，利用最邻近点搜索算法，确定每个点的K 个最邻近点，并根据信息熵的定义，提出法向量夹角局部熵模型，局部熵的大小直接反映了表面的特征状况；针对不同区域局部熵大小，进行逐步的点云简化，从而可以保留凸变区域较多的点，精简较多平面区域的点，实现点云的非均匀简化。实验结果表明，该方法在简化精度和速度上都能达到较优。