点云噪声点的判断和剔除方法较多，主要的方法包括[16]： 对明显的异常点和杂点，可通过肉眼判别；对复杂问题通常采用程序判断滤波，N 点平

均滤波以及预测误差递推辨识与卡尔曼滤波相结合的自适应滤波法等。高斯、平均或中值滤 波算法。基于曲率变化的平滑方法。 

随着数据采集技术的提高，精度的提升，随之测量得到的数据量通常很大。针对数据量 较大的测量数据，通常会进行一定程度的数据简化，减少后续处理的计算量。点云简化是点 云数据处理的重要环节之一。点云数据的简化效果会影响后续数据处理的精度与效率。针对 点云数据简化的问题，国内外学者进行了广泛的研究。 

Martin[17]等提出了基于“中值滤波”原理的点云简化方法。该方法首先在垂直于扫描方 向的平面上将点云数据划分到一定数目的均匀网格之中。对网格当中的三维点，逐点计算其 到网格的距离，并将这一距离排序。将这一距离序列中间值所对应的点作为代表该网格的数 据点，剩余的其它点则被简化掉。图 1 为“均值滤波”原理点云简化示意图。 

黄文明[19]等提出了一种保留边界特征的点云简化方法。该简化方法利用 k-dtree 的方法 计算出每个数据点的邻域。首先判断边界点，在保留边界点的基础上对非边界点进行简化。 

（2）点云分割

对于本课题，点云预处理已经完成，所以直接进入点云分割工作。在此主要介绍国内外 关于点云分割的研究现状。 

面对复杂场景下的三维点云，从点云数据处理的角度考虑，希望点云的结构越简单越易 于处理.由于复杂模型也是可以分成几个简单模型的组合，因此通过数据分割方法将复杂结构 点云分割成几组简单点云有重要意义。在植物叶片点云拼接过程中，对视场内的所有数据进 行处理不仅计算量大，且由于存在不同叶片之间相互重叠遮挡，会对处理效果产生影响。因 此，将复杂叶片点云分割为单个叶片的子集，可以更好地进行特征提取与拼接等后续操作。 

大多数的数据分割研究都针对规则的数据，而针对散乱点云数据的分割有其自身的难点： 数据点之间的拓扑关系，以及如何采取有效的分割算法。国内外学者对点云分割进行了研究： 

赵江洪[20]提出了基于高斯映射的点云分割方法，方法根据规则几何而的高斯映射特性， 以及距离密度法进行聚类，然后进行分割。 

刘宇[21]进行了基于微分信息的散乱点云的分割方法的研究，将点云映射到高斯球上，在 高斯球聚类中零维、一维、二维聚类分别对应着点云中的不同类型点云。区域识别步骤当中 提取分区后各个区域的特征。最后，通过区域调整来消除不符合条件的区域。 

义崇政[22]提出了一种基于 ISODATA 聚类的点云分割算法。该方法首先计算点云的法向 量，结合三维坐标点建立对点云的描述。用两点之间的点间距、法向量的加权距离来衡量区 域点云的相似性，将相似程度较高的区域合并为一个区域，实现点云分割。 

周水庚[23]对一种基于数据分区的 DBSCAN 算法进行了研究。首先分析数据的空间分布 特性，将整体数据划分为多个分区的数据子集。然后对分区后的数据进行聚类，在此基础上再将各个分区的聚类结果进行合并，实现对整体数据的聚类。 根据研究现状，点云滤波、简化等通用的数据处理算法比较成熟。点云的分割作为点云处理关键步骤，起着将点云数据化繁为简，将点云整体集合划分为单个子集的作用。然而， 具有普适性的点云分割算法难以实现。如何针对测量数据的自身特点，实现高效准确的点云 分割是点云处理中的难点，仍将需要大量的研究。  植物三维点云形态结构建模国内外研究现状(2):http://www.chuibin.com/yanjiu/lunwen_206255.html