目前使用的扫描仪种类繁多，输出数据的质量参差不齐，因此需要通过编辑以获得高质量的数据，此外，即使数据的质量很高仍然需要在曲面重构之前对这些数据进行编辑，一般需要完成包括噪点删除、数据调整、数据光顺、区域修剪、复制、数据密度修改、尖角保留等步骤方可使用，数据处理过程要结合实际情况，同时依赖于操作者的经验；特别要避免因初始数据改变而造成得形状扭曲和精度降低等问题一般要进行以下几个方面的工作。

（1）噪点删除。

噪点大致可分为两类：第一类，扫描目标上的奇异点集；第二类，非扫描目标的点集即所在目标之外的对象点云数据。在修改第一类噪点时，需将奇异点调回至“原位”，而第二类噪点需要做删除处理。删除噪点的方法通常是先通过图形交互，采用手工删除处理，但此法不适用于数据量大的点云数据处理。除此之外，还可以采用下述方法来删除噪点。

①将测量点沿特定方向平移，消除数据波动，修改范围一般由用户通过图形交互设定。

②考虑两个连续点之间的角度，若某点与它前一点的角度超过某一规定值，则剔除该点。

③把奇异点移到平均位置。

（2）数据插补。

受测量设备和测量方法的影响，必然产生测量数据点分布密度和范围不均的结果。

在扫描盲区，缺少测量数据，图形拟合时容易失真所以在重构模型时需要对数据进行加密、插值，否则会产生较大的波动。因此，对于某些局部数据的不足，可用相邻点插值和屏幕方式等方法来进行插补。

（3）数据点精简。

数据精简可以根据一定要求精简测量点的数量来提高点云数据在曲面重构时的效率和质量。精简方式要根据点云类型加以选择，最小包围区域法和等分布密度法适用于网格化点云数据精简。随机采样方法适用于散乱点云数据精简；而等间距精简、量精简等和倍率精简等方法则适用于扫描线点云和多边形点云数据精简。

（4）数据平滑。

数据平滑通常采用标准平均（Averaging）、高斯（Gaussian）等滤波算法。平均滤波算法采用数据点的统计值的平均值，在消除数据尖楞时效果较好；若要较为完整地保存原始数据形貌，则采用高斯算法较好，因为其对数据的平均化小。实际操作时，需点云质量及以后建模要求灵活选择滤波算法。

（5）数据分割。

数据分割是根据实物外形曲面的组成类型，将同一子曲面类型的数据划分为互不重叠而又特征单一的数据组，为后续模型重建提供方便。目前数据分割方法主要有：基于边、面、群簇的方法。

①基于边。

主要是根据数据点的局部几何特性集中检测到边界点后对边界点进行连接，再根据检测的边界将整个数据分割为多个独立的点集。不过，该方法计算量大，过程也相对烦琐。

②基于面。

该方法是根据指定的曲面方程通过自下而上或自上而下的方法送代拟合数据点集。自下而上的方法是从特征点开始拟合，按某种规则不断加进周围点；自上而下的方法是假设所有点属于同一个面，拟合过程中误差超出要求时，则把原集合分为两个子集。此方法的难点在于分割值的选择和控制，为了简化拟合过程可采用直线分割。

③基于群。

该方法通过群技术把局部几何特征参数相似的数据点聚集为一类，但聚类方法需要预先指定分类的个数，容易出现细碎而片，往往要对碎片进一步处理。

（6）冗余数据。

随着测量精度要求的提高，三维激光扫描仪获取的点云数据包含了大量的冗余数据，必须对数据进行筛选和压缩处理。一般的筛选和压缩方法就是设定一个最小距离，然后沿扫描线方向比较相邻两点的距离，小于國值的就删除；还可以连接扫描线首末两点，从中间点中选取与两点距离最接近的点作为中断点，然后以第一点与中间点之间、中间点与最后一点之间重复上述过程，直到所求的距离小于设定值，然后再将点重新排序即可斜率法和曲率不连续法也常用作数据点的判断筛选方法。

内容来源：张泊平《虚拟现实理论与实践》