苏江姗

（四川大学计算机学院，成都610065）

0 引言

随着三维激光扫描技术和硬件处理能力的提高，使用点云对三维模型进行表示和绘制在过去十几年中得到了广泛的应用，点云模型的处理技术也受到了计算机图形领域的关注。随着扫描设备的精密化，获得的点云数据精度和密度越来越高，若直接对点云数据进行管理与渲染会消耗计算机大量的处理时间，并且会占用很大的储存空间。在实际应用中，高精度的点云在许多情况下并不必要，因此多三维点云模型进行简化就十分有必要。

早期点云简化算法主要研究在简化的过程中如何更好地保留点云模型的集合特征。Alexa[1]提出基于移动最小二乘法（MLS）的简化方法。该方法的主要思想是计算每个点到MLS 拟合平面的距离，并且不断移除距离最小的顶点。Scheidegger[2]提出将基于MLS 的方法扩展至局部邻域点的拟合曲面简化。Pauly[3]基于曲面变化度分别提出顶点聚类法、迭代法和粒子模拟法，对比三种简化方法在不同衡量标准下的优劣得出结论。基于迭代的简化方法具有最小的简化误差，但在简化过程中无法控制简化后顶点的密度。顶点聚类法具有最快的简化效率，但简化前后模型产生较大的误差。基于粒子模拟的简化方法可以较好地控制模型表面顶点的分布，但简化效率不佳。Song[4]提出基于全局聚类的点云简化方法，该方法通过使得简化前后的几何误差最小化得到全局最优解。

点云模型数据除了能表示模型的位置信息，有些点云数据还含有法线颜色信息。……