随着三维激光扫描技术、信息科学和计算机科学等领域的快速发展,通过三维激光扫描仪获取实际物体的点云信息,并利用其进行模型重建己经成为了当前研究的热点。其应用十分广泛,例如文物古迹的保护和修复、3D游戏角色的开发、虚拟现实中的模型构建、以及各种模具的设计和修复等。而在三维激光点云数据模型建立的过程中,点云数据预处理是最重要的环节之一。点云数据预处理主要包括去噪、精简和漏洞修补等几个环节,本文主要针对点云去噪进行研究,主要内容如下:(1)散乱点云数据的邻域搜索、法向及曲率估算。针对获取的散乱三维激光点云数据进行预处理,需要对散乱三维激光点云数据建立拓扑关系,进行邻域搜索以及法向估算等。首先通过K-D树法对散乱点云数据建立拓扑关系,然后计算出点云数据的几何信息,其次通过主成分分析方法估计出点云数据的法矢向量,再次采用黎曼图最小生成树法进行法矢向量的方向调整,最后利用局部二次曲面的拟合方法对点云数据进行曲率估算。(2)聚类算法研究。针对获取的点云数据中存在的噪声点和离群点,选择K-Means和DBSCAN两种聚类算法对点云数据进行聚类去噪。经实验证明,K-Means聚类算法是一种基于距离的聚类算法,其算法处理数据效率比较高。DBSCAN聚类算法是一种基于密度的聚类算法,可以对任意形状的数据进行聚类。两种聚类算法都有较好的分类效果,可以有效的去除噪声点和离群点。(3)滤波算法的研究。在散乱三维点云数据去噪过程中,由于点云数据量巨大,所以很多点云数据的特征信息难以保持。针对这种现象本文提出基于法向量修正的双边滤波方法,该方法是利用调整后的法向量进行双边滤波,能够更好的保持边界特征信息。(4)点云数据去噪方法研究。本文针对沈阳建筑大学数据量较小的老校门、数据量较大的八王书院和曲面变化较大的新宁科学会堂所获取的散乱三维激光点云数据存在的噪声点问题,提出基于K-Means聚类的法向量修正双边滤波融合方法和基于DBSCAN聚类的法向量修正双边滤波融合方法分别对实体点云数据进行聚类和平滑去噪。通过不同的算法和实验,对不同算法在不同实验上的效果进行对比分析,结果表明基于K-Means聚类的法向量修正双边滤波融合方法和基于DBSCAN聚类的法向量修正双边滤波融合方法都能有效去除噪声点,其中基于K-Means聚类的法向量修正双边滤波融合方法处理效率较快更适合大型实体,基于DBSCAN聚类的法向量修正双边滤波融合方法更适合高质量、小型复杂实物。