面向地形数据的点云简化算法

第３５卷第３期　２０１５年６月　大地测量与地球动力学　Ｊｏｕｒｎａｌ　Ｏｆ　Ｇｅｏｄｅｓｙ　ａｎｄ　Ｇｅｏｄｙｎａｍｉｅｓ　Ｖｏ１．３５　Ｎｏ．３　Ｊｕｎ．，２０１５　文章编号：１６７１—５９４２（２０１５）０３—０４２４　０４　面向地形数据的点云简化算法　叶珉吕　花向红。　１佛山市城市规划勘测设计研究院，佛山市岭南大道北６２号，５２８０００　２武汉大学测绘学院，武汉市珞瑜路１２９号，４３００７９　摘　要：针对地形点云数据量大、表面特征复杂多样等特点，提出面向地形数据的点云简化算法。基于Ｋ—Ｄ　Ｔｒｅｅ搜索各点Ｋ邻域，构建点集空间拓扑关系；应用移动最小二乘法计算各点曲率，通过曲率的划分，在平缓　区域按距离进行简化，保证整个算法的效率；在突变区域根据曲率简化，确保曲率变化大的关键特征信息不丢　失，从而实现点云数据的简化。利用基于熵理论的定量评价方法，通过实例验证该方法的可行性和普适性。　关键词：三维激光扫描；点云；地形数据；简化算法；信息熵　中图分类号：Ｐ２０７　文献标识码：Ａ　三维激光扫描技术获得的点云数据量越大、　点位越密集，对扫描物体的描述则越精确。然而，　效率高。　１．２点云数据曲率计算　庞大的点云数据会给后续处理及存储、传输与显　示等造成不利影响，因此需要对原始点云数据进　点云数据法向量、曲率等几何信息能够很好　地反映点云的表面特征，为了使简化结果能够较　行简化处理。目前，基于离散点云数据的简化方　法主要分为两类：均匀简化方法与基于曲率的简　化方法。均匀简化方法ｕ　简单、高效，但是简化　过程没有顾及点云表面特征，容易造成点云特征　信息丢失，因此不适用于特征复杂的点云数据的　简化。基于曲率的简化方法能够较好地保留点云　特征，但是简化效率较低，且对于特征简单和曲率　好地保留点云特征，首先需要计算点云数据的几　何信息。点云几何信息是在点集拓扑结构的基础　上，通过曲面拟合的方法计算得到，点集的拓扑结　构一般通过Ｋ—Ｄ　Ｔｒｅｅ、八叉树等方法搜索各点Ｋ　邻域而建立。点云数据中任意一点Ｐ的Ｋ邻域　为到该点的欧氏距离最近的Ｋ个点所组成的点　集，Ｋ—Ｄ　Ｔｒｅｅ这种数据结构能够很好地提高空间　变化较小的区域容易过度简化，使得简化后的点　云数据出现分布不均匀的现象。对于数据量少、　搜索邻近点的效率，适用于海量的、空问分布不均　匀的离散点集。因此，本文基于Ｋ—Ｄ　Ｔｒｅｅ进行　特征简单规则的模型、零件、建筑物等点云数据，　上述传统简化方法能够获得较好的简化效果，但　是对于海量的、表面特征复杂多样的地形点云数　据，目前并没有高效的、高精度的简化方法。对　此，本文提出了面向地形数据的点云简化算法，在　Ｋ邻域搜索。寻找任意一点Ｐ的邻域的基本流　程如下：　１）如果是根结点，从根结点开始搜索。　２）如果是叶子结点，采用递归法返回所有与　点Ｐ邻近的点，并计算最小距离值。　３）判断是否分割面另一边上有点更接近点　高保真、高精度的前提下快速对点云数据进行简　化，并利用定量的评价方法，通过实例验证算法的　可行性。　Ｐ，它是通过判断以点Ｐ为球心、最小距离值为半　径的球体与分割平面是否相交来判定的。如果相　ｌ点云简化算法　１．１地形数据简化原则　交，分割面另一边上可能有邻近点，那么算法必须　向Ｐ点所在区域的上层区域回溯，从当前节点所　在Ｋ—Ｄ　Ｔｒｅｅ分支移动到另一分支上去搜寻更近　点；如果不相交，那么算法继续沿着当前Ｋ—Ｄ　Ｔｒｅｅ分支运行，当前节点的分割平面另一边整个　分支则被淘汰。　实用的点云简化算法应在保证失真较小的前　提下，最大限度地压缩点云数量，且点云的简化结　果能满足应用的精度要求，同时算法需简洁，执行　收稿日期：２０１４　０６—０４　项目来源：国家自然科学基金（４ｌ１７４０１０）；精密工程与工业测量国家测绘地理信息局重点实验室开放基金（ＰＦ２０１卜７）。　第一作者简介：叶珉吕，硕士，主要从事三维激光扫描点云数据处理研究，Ｅ　ｍａｉｌ：ｙｅｍｉｎｌｖ＠１６３．ｃｏｒｎ。　第３５卷第３期　叶珉吕等：面向地形数据的点云简化算法　４２５　４）完成所有节点的搜寻，点Ｐ的邻域点集建　立。　所有点的邻域点集构建完成后，选取移动最　小二乘法计算点云数据的曲率信息　。移动最小　二乘法属于一种超平面估算方法，通过给定一个　局部高阶多项式，为采样点提供一个逼近或插值　参考平面，以这个超平面上该点处的曲率作为当　前采样点的曲率。具体步骤包括　：　１）向量场估算。法向量是构建点云移动最小　二乘曲面的前提。设Ｑ为散乱点云数据，任意一　点　∈Ｑ，向量场　（ｚ）可由下式给出：　一　器　㈩　其中，＇，　为点ｉ法向量，Ｏｉｘ）一ｅ—ｌ—ｌ　ｚ／ｈｚ为高斯　加权函数，ｈ是与点间距离相关的一个常数。　２）移动最小二乘曲面投影。移动最小二乘法　通过拟合为采样点提供一个参考曲面，并将采样　点投影到曲面上。以曲面上该点处的曲率作为当　前采样点的曲率，ＭＬＳ曲面隐式公式为＿４］：　ｇｉｘ）一∑　Ｑ２０（ｘ）［ｉｘ—　）　（ｚ）］（２）　３）曲率计算。ＭＩ　Ｓ曲面确定后，在投影曲　面上利用隐式曲面的曲率计算公式计算采样点　的曲率：　ｃ一＝　㈦　ｇｉｘ　一（　）　㈩　Ｈ（ｇｉｘ））一　（　ｇｉｘ））一　３ｇｉｘ）　３ｇｉｚ）　３ｇ（ｘ）　３ｘ３ｘ　３ｘ３ｖ　ａｚａｚ　３ｇｉｘ）　３ｇ（ｚ）　３ｇ（ｚ）　ａＶ３ｘ　９ｙ３ｙ　ａＶ３ｚ　（５）　３ｇｉｘ）　９ｇ（３７）　３ｇ（　）　３ｚ３ｘ　３Ｖ３ｚ　３ｚ３ｚ　１．３简化算法实现步骤　在获取点云曲率信息后，首先通过设置一定　阈值（本文选取曲率平均值）将其划分为平缓区域　与突变区域。曲率小于阈值，则为平缓区域；反　之，则为突变区域。　对于特征简单的平缓区域，其所包含的特征　信息较少，可简单地根据距离原则进行简化，无需　顾及曲率信息，提高效率的同时避免了过度简化。　两点空间距离计算公式为：　Ｄｉｓ—ｆｆ（３７　一　）。＋ｉｙ　一Ｙ　）　＋（　一　，）　（６）　对于突变区域，特征信息较为丰富，具有各种　类型的地形特征点，其共同特点是与周围邻近点　的曲率差别较大，可以根据此特点进行简化，保留　点云的特征信息。两点曲率差值计算公式为：　Ｄ。…一ｌ　Ｃ　一Ｃｊ『　（７）　其中，Ｃ　表示点ｉ的曲率，Ｃ，表示点ｉ邻近点　的曲率。　综上所述，本文简化算法的基本原理为：在平　缓区域按距离进行简化，保证整个算法的效率；在　突变区域根据曲率简化，确保曲率变化大的关键　特征信息不丢失。其具体实现步骤如下：　１）基于Ｋ—Ｄ　Ｔｒｅｅ搜索各点Ｋ邻域，构建点　集空间拓扑关系；　２）在点集拓扑结构的基础上，通过移动最小　二乘法计算各点曲率；　３）根据阈值判断某点曲率的划分，如为平缓区　域，则执行步骤４）；如为突变区域，则执行步骤５）；　４）计算某点与其邻域内Ｋ个邻近点的距离，　删除与其距离最近的点；　５）计算某点与其邻域内Ｋ个邻近点的曲率　差值，删除与其曲率差值最小的点；　６）遍历每个点，输出简化后的点云数据，算法　结束。　２简化结果定量评价方法　目前，点云数据简化结果一般通过简化前后　的图像对比定性地进行评价，简化精度无法定量　分析，评价结果具有较大的主观性。文献［６］通过　熵理论描述点云数据的特征信息，指出某点熵越　大，该点所在局部区域的无序程度越高，该点提供　的信息量越大，越能精确反映扫描目标的细节。　因此，可以通过计算点云数据的熵值，定量评价简　化结果。曲率能够很好地反映点云的表面特征信　息，结合熵理论及点云数据曲率信息，计算某点熵　值的公式为　：　Ｈ　一一Ｐ　ｌｏｇ２ｐ　一　ｌｏｇ２ＰＪ　（８）　Ｊ＝１　ｋ　Ｐ　＝＝＝Ｃ　／（Ｃｉ＋∑Ｃｊ）　（９）　Ｊ＝１　ｋ　Ｐ，一Ｃｊ／（Ｃ　＋∑Ｃｊ）　（１０）　Ｊ＝１　其中，Ｃ　表示点ｉ的曲率，Ｃ　表示点ｉ邻近点　的　曲率，Ｐ　与Ｐ　分别为点ｉ及Ｊ的曲率概率分布。　则点云数据熵值等于各点所含的熵值之和：　Ｈ一∑Ｈ　（１１）　２—１　点云数据熵值越大，其所含特征信息量越大，　第３５卷第３期　叶珉吕等：面向地形数据的点云简化算法　４２７　型依然具有较高的精度，而且简化后的点云数据　大大减少了建模时间，提高了点云数据处理的效　率，从另一个角度证明了算法的正确性。　［４３　Ｌｅｖｉｎ　Ｄ．　Ｍｅｓｈ　Ｉｎｄｅｐｅｎｄｅｎｔ　Ｓｕｒｆａｃｅ　Ｉｎｔｅｒｐ０１ａｔｉｏｎ［ｃ］．Ｇｅ　ｏｍｅｔｒｉｃ　Ｍｏｄｅｌｉｎｇ　ｆｏｒ　Ｓｃｉｅｎｔｉｆｉｃ　Ｖｉｓｕａｌｉｚａｔｉｏｎ，Ｂｅｒｌｉｎ，２００４　［５］　杨荣华．地面三维激光扫描点云角度分辨率与数据处理模型　研究［Ｉ）＿．武汉：武汉大学，２０１１（Ｙａｎｇ　Ｒｏｎｇｈｕａ．Ｒｅｓｅａｒｃｈ　ｏｎ　Ｐｏｉｎｔ　Ｃｌｏｕｄ　Ａｎｇｕｌａｒ　Ｒｅｓｏｌｕｔｉｏｎ　ａｎｄ　Ｐｒｏｃｅｓｓｉｎｇ　Ｍｏｄｅｌ　ｏｆ　Ｔｅｒ—　４　结　语　针对地形点云数据量大、表面特征复杂多样　等特点，本文提出面向地形数据的点云简化算法，　并利用基于熵理论的定量评价方法，通过实例验　证该方法能在高保真、高精度的前提下高效地对　点云数据进行简化，具有较高的可行性与普适性。　ｒｅｓｔｒｉａｌ　Ｌａｓｅｒ　Ｓｃａｎｎｉｎｇ［Ｄ］．Ｗｕｈａｎ：Ｗｕｈａｎ　Ｕｎｉｖｅｒｓｉｔｙ，２０１Ｉ）　［６］　武剑洁．基于点的散乱点云处理技术的研究［Ｄ］．武汉：华中　科技大学，２００４（Ｗｕ　Ｊｉａｎｊｉｅ．Ｒｅｓｅａｒｃｈ　ｏｆ　Ｐｏｉｎｔ—Ｂａｓｅｄ　Ｔｅｃｈ　ｎｉｑｕｅｓ　ｏｎ　Ｕｎｏｒｇａｎｉｚｅｄ　Ｐｏｉｎｔ　Ｃｌｏｕｄ［Ｄ］．Ｗｕｈａｎ：Ｈｕａｚｈｏｎｇ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｓｃｉｅｎｃｅ　ａｎｄ　Ｔｅｃｈｎｏｌｏｇｙ，２００４）　［７］　孟庆生．信息论［Ｍ］．西安：西安交通大学出版社，１９８６　（Ｍｅｎｇ　Ｑｉｎｇｓｈｅｎｇ．Ｉｎｆｏｒｍａｔｉｏｎ　Ｔｈｅｏｒｙ［Ｍ］．Ｘｉ’ａｎ：Ｘｉ’ａｎ　Ｊｉａｏｔｏｎｇ　Ｕｎｉｖｅｒｓｉｔｙ　Ｐｒｅｓｓ．１　９８６）　该方法能够为后续的应用提供有效的数据信息，　节约后续工作的处理时间和硬件资源。　参考文献　［１］Ｗｅｉｒ　Ｄ　Ｊ，Ｍｉｌｒｏｙ　Ｍ　Ｊ，Ｂｒａｄｌｅｙ　Ｃ，ｅｔ　ａ１．Ｒｅｖｅｒｓｅ　Ｅｎｇｉｎｅｅｒ　ｉｎｇ　Ｐｈｙｓｉｃａｌ　Ｍｏｄｅｌｓ　Ｅｍｐｌｏｙｉｎｇ　Ｗｒａｐ—－ａｒｏｕｎｄ　Ｂ——Ｓｐｌｉｎｅ　Ｓｕｒ—　－Ｅ８］　葛源坤．基于曲率特征信息的散乱点云数据预处理技术研　究［Ｄ］．成都：西南交通大学，２０１２（Ｇｅ　Ｙｕａｎｋｕｎ．Ｒｅｓｅａｒｃｈ　ｏｎ　Ｄａｔａ　Ｐｒｅ—Ｐｒｏｃｅｓｓｉｎｇ　Ｔｅｃｈｎｏｌｏｇｙ　ｏｆ　Ｓｃａｔｔｅｒｅｄ　Ｐｏｉｎｔ　Ｃｌｏｕｄ　Ｂａｓｅｄ　ｏｎ　Ｃｕｒｖａｔｕｒｅｓ　Ｆｅａｔｕｒｅ［Ｄ］．Ｃｈｅｎｇｄｕ：Ｘｉｎａｎ　Ｊｉａｏｔｏｎｇ　Ｕｎｉｖｅｒｓｉｔｙ，２０１２）　ｆａｃｅｓ　ａｎｄ　Ｑｕａｄｒｉｃｓ［Ｊ］．Ｊｏｕｒｎａｌ　ｏｆ　Ｅｎｇｉｎｅｅｒｉｎｇ　Ｍａｎｕｆａｃ—　ｔｕｒｅ，１９９６，２１０（２）：１４７—１５７　［９］　尹婷．三维激光扫描数据处理技术的研究［Ｄ］．武汉：武汉理　工大学，２０１０（Ｙｉｎ　Ｔｉｎｇ．Ｒｅｓｅａｒｃｈ　ｏｎ　３Ｄ　Ｓｃａｎｎｉｎｇ　Ｄａｔａ　ｒ２］　Ｍａｒｔｉｎ　Ｒ　Ｒ，Ｓｔｒｏｕｄ　Ｉ　Ａ，Ｍａｒｓｈａｌ　Ａ　Ｄ．Ｄａｔａ　Ｒｅｄｕｃｔｉｏｎ　ｆｏｒ　Ｐｒｏｃｅｓｓｉｎｇ　Ｔｅｃｈｎｉｑｕｅｓ［Ｄ］．Ｗｕｈａｎ：Ｗｕｈａｎ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｔｅｃｈｎｏｌｏｇｙ，２０１０）　Ｒｅｖｅｒｓｅ　Ｅｎｇｉｎｅｅｒｉｎｇ［Ｒ］．Ｃｏｍｐｕｔｅｒ　ａｎｄ　Ａｕｔｏｍａｔｉｏｎ　Ｉｎｓｔｉ—　ｔｕｔｅ　ｏｆ　Ｈｕｎｇａｒｉａｎ　Ａｃａｄｅｍｙ　ｏｆ　Ｓｃｉｅｎｃｅ，１９９６　［１ｏ］　贺美芳．基于散乱点云数据的曲面重建关键技术研究［Ｄ］．　南京：南京航空航天大学，２００６（Ｈｅ　Ｍｅｉｆａｎｇ．Ｒｅｓｅａｒｃｈ　ｏｎ　Ｋｅｙ　Ｔｅｃｈｎｏｌｏｇｉｅｓ　ｏｆ　Ｓｕｒｆａｃｅｓ　Ｒｅｃｏｎｓｔｒｕｃｔｉｏｎ　Ｂａｓｅｄ　ｏｎ　［３］郑德华．点云数据直接缩减方法及缩减效果研究［Ｊ］．测绘　工程，２００６，１５（４）：２７—３０（Ｚｈｅｎｇ　Ｄｅｈｕａ．Ｔｈｅ　Ｄａｔａ　Ｒｅｄｕｃ—　ｔｉｏｎ　ｏｆ　Ｐｏｉｎｔ　Ｃｌｏｕｄ　ａｎｄ　Ａｎａｌｙｓｉｓ　ｏｆ　Ｒｅｄｕｃｔｉｏｎ　Ｅｆｆｅｃｔ［Ｊ］．　Ｅｎｇｉｎｅｅｒｉｎｇ　ｏｆ　Ｓｕｒｖｅｙｉｎｇ　ａｎｄ　Ｍａｐｐｉｎｇ，２００６，１５（４）：２７—３０）　Ｓｃａｔｔｅｒｅｄ　Ｐｏｉｎｔ　Ｃｌｏｕｄ　Ｄａｔａ［Ｄ］．Ｎａｎｊｉｎｇ：Ｎａｎｊｉｎｇ　Ｕｎｉｖｅｒｓｉ—　ｔｙ　０ｆ　Ａｅｒｏｎａｕｔｉｃｓ　ａｎｄ　Ａｓｔｒｏｎａｕｔｉｃｓ，２００６）　Ｐｏｉｎｔ　Ｃｌｏｕｄ　Ｓｉｍｐｌｉｆｉｃａｔｉｏｎ　Ａｌｇｏｒｉｔｈｍ　ｆｏｒ　Ｔｅｒｒａｉｎ　Ｄａｔａ　ＹＥ　Ｍｉｎｌｉｉ　ＨＵＡ　Ｘｉａｎｇｈｏｎｇ　１　Ｆｏｓｈａｎ　Ｕｒｂａｎ　Ｐｌａｎｎｉｎｇ　Ｄｅｓｉｇｎ　ａｎｄ　Ｓｕｒｖｅｙｉｎｇ　Ｒｅｓｅａｒｃｈ　Ｉｎｓｔｉｔｕｔｅ，６２　Ｎｏｒｔｈ－Ｌｉｎｇｎａｎ　Ｒｏａｄ，Ｆｏｓｈａｎ　５２８０００，Ｃｈｉｎａ　２　Ｓｃｈｏｏｌ　ｏｆ　Ｇｅｏｄｅｓｙ　ａｎｄ　Ｇｅｏｍａｔｉｃｓ，Ｗｕｈａｎ　Ｕｎｉｖｅｒｓｉｔｙ，１２９　Ｌｕｏｙｕ　Ｒｏａｄ，Ｗｕｈａｎ　４３００７９，Ｃｈｉｎａ　Ａｂｓｔｒａｃｔ：Ｌａｒｇｅ　ａｍｏｕｎｔｓ　ｏｆ　ｄａｔａ　ｗｉｌｌ　ｈａｖｅ　ａｎ　ａｄｖｅｒｓｅｌｙ　ｉｍｐａｃｔ　ｏｎ　ｐｏｉｎｔ　ｃｌｏｕｄ’ｓ　ｐｒｏｃｅｓｓｉｎｇ，ｓｔｏｒａｇｅ，ｔｒａｎｓ—　ｍｉｓｓｉｏｎ　ａｎｄ　ｄｉｓｐｌａｙ．Ｉｎ　ｏｒｄｅｒ　ｔｏ　ｉｍｐｒｏｖｅ　ｔｈｅ　ｐｏｉｎｔ　ｃｌｏｕｄ’ｓ　ｄａｔａ　ｐｒｏｃｅｓｓｉｎｇ　ｅｆｆｉｃｉｅｎｃｙ，ｉｔ　ｉｓ　ｎｅｃｅｓｓａｒｙ　ｔｏ　ｓｉｍｐｌｙ　ｐｏｉｎｔ　ｃｌｏｕｄ　ｄａｔａ　ａｎｄ　ｒｅｄｕｃｅ　ｄａｔａ　ｒｅｄｕｎｄａｎｃｙ．Ｄｕｅ　ｔｏ　ｔｈｅ　ｌａｒｇｅ　ｑｕａｎｔｉｔｙ　ａｎｄ　ｃｏｍｐｌｅｘ　ｓｕｒｆａｃｅ　ｆｅａｔｕｒｅｓ　ｏｆ　ｔｅｒｒａｉｎ　ｐｏｉｎｔ　ｃｌｏｕｄ　ｄａｔａ，ｔｈｅ　ｐｏｉｎｔ　ｃｌｏｕｄ　ｓｉｍｐｌｉｆｉｃａｔｉｏｎ　ａｌｇｏｒｉｔｈｍ　ｆｏｒ　ｔｅｒｒａｉｎ　ｄａｔａ　ｉｓ　ｐｒｏｐｏｓｅｄ．Ｗｅ　ｕｓｅ　Ｋ－Ｄ　Ｔｒｅｅ　ｔｏ　ｓｅａｒｃｈ　ｔｈｅ　ｐｏｉｎｔ’ｓ　Ｋ　ｎｅｉｇｈｂｏｒｈｏｏｄ　ａｎｄ　ｔｈｅ　ｍｏｖｉｎｇ　ｌｅａｓｔ　ｓｑｕａｒｅｓ　ｍｅｔｈｏｄ　ｔｏ　ｃａｌｃｕｌａｔｅ　ｔｈｅ　ｃｕｒｖａｔｕｒｅ　ｏｆ　ｅａｃｈ　ｐｏｉｎｔ．Ｔｈｒｏｕｇｈ　ｔｈｅ　ｖｉｓｉｏｎ　ｏｆ　ｃｕｒｖａｔｕｒｅ，ｐｏｉｎｔ　ｃｌｏｕｄ　ｄａｔａ　ｉｓ　ｓｉｍｐｌｉｆｉｅｄ　ｂａｓｅｄ　ｏｎ　ｄｉｓｔａｎｃｅ　ｉｎ　ｔｈｅ　ｆｌａｔ　ａｒｅａ　ｔｏ　ｉｍ—　ｐｒｏｖｅ　ｔｈｅ　ｅｆｆｉｃｉｅｎｃｙ　ｏｆ　ｔｈｅ　ａｌｇｏｒｉｔｈｍ　ａｎｄ　ｏｎ　ｔｈｅ　ｂａｓｉｓ　ｏｆ　ｃｕｒｖａｔｕｒｅ　ｉｎ　ｔｈｅ　ｓｔｅｅｐ　ａｒｅａ　ｔｏ　ｒｅｔａｉｎ　ｔｈｅ　ｆｅａｔｕｒｅ　ｉｎｆｏｒ—　ｍａｔｉｏｎ．Ａｃｃｏｒｄｉｎｇ　ｔｏ　ｔｈｅ　ｑｕａｎｔｉｔａｔｉｖｅ　ｅｖａｌｕａｔｉｏｎ　ｍｅｔｈｏｄ，ｂａｓｅｄ　ｏｎ　ｔｈｅ　ｅｎｔｒｏｐｙ　ｔｈｅｏｒｙ　ａｎｄ　ｖｅｒｉｆｉｅｄ　ｂｙ　ｔｈｅ　ｅｘ—　ａｍｐｌｅ，ｉｔ　ｉｓ　ｉｎｄｉｃａｔｅｄ　ｔｈａｔ　ｔｈｅ　ｐｒｏｐｏｓｅｄ　ｎｅｗ　ｓｉｍｐｌｉｆｉｃａｔｉｏｎ　ａｌｇｏｒｉｔｈｍ　ｆｏｒ　ｔｅｒｒａｉｎ　ｄａｔａ　ｃａｎ　ｓｉｍｐｌｙ　ｔｈｅ　ｄａｔａ　ｉｎ　ｈｉｇｈ－ｆｉｄｅｌｉｔｙ　ｗｉｔｈ　ｈｉｇｈ－ｐｒｅｃｉｓｉｏｎ．Ｉｔ　ｉｓ　ｈｉｇｈｌｙ　ｅｆｆｉｃｉｅｎｔ　ｆｅａｓｉｂｌｅ　ａｎｄ　ｕｎｉｖｅｒｓａｌｌｙ　ａｐｐｌｉｃａｂｌｅ．　Ｋｅｙ　ｗｏｒｄｓ：ｔｅｒｒｅｓｔｒｉａｌ　ｌａｓｅｒ　ｓｃａｎｎｉｎｇ；ｐｏｉｎｔ　ｃｌｏｕｄ；ｔｅｒｒａｉｎ　ｄａｔａ；ｓｉｍｐｌｉｆｉｃａｔｉｏｎ　ａｌｇｏｒｉｔｈｍ；ｉｎｆｏｒｍａｔｉｏｎ　ｅｎｔｒｏｐｙ