可以进行点云数据精简，适合用matlab处理

常规的特征保持点云精简方法需计算全部点云的微分信息，但直接计算高密度或含噪点云的微分信息存在一定偏差，导致点云精简效果不佳。提出一种基于栅格动态划分的点云精简方法。首先对模型进行空间栅格初划分，利用随机采样一致性算法剔除栅格内的干扰点，然后采用最小二乘法对剩余点进行平面拟合并计算平整度值，根据平整度值判别该栅格是否细分，将平坦区域压入大间距栅格内，特征丰富区域划分至小栅格中。针对小栅格内的点引入高斯函数降低远距离点对特征识别贡献的权重，综合曲面变化度和邻域法向量夹角信息共同识别特征点并保留，大栅格内的点根据栅格间距大小采用不同的采样率采样。与随机采样法、栅格法、曲率精简法对比实验结果表明，该方法能较好地保持模型细微特征且避免孔洞的出现，精简后模型的最大偏差为1.502 mm，远小于其他三种方法；随着噪声强度的增加，本文方法的精简误差相对较小且变化平缓，在35 dB噪声下，平均偏差仅为随机采样法和栅格法的40%，曲率精简法的50%。

可以进行点云数据精简，适合用matlab处理

提出了一种基于k均值(k-means)聚类的点云精简方法。与包围盒法相比，在压缩率近似相同的条件下，k-means聚类方法能较好地保留细节特征，与原始数据的稠密稀疏分布更加一致，所建模型表面更光滑。

利用包围盒算法的点云数据精简，代码正确可用，有详细注释和例子，运行正确，MATLAB源码

自己实现的均匀&不均匀网格法。使用bunny数据进行了测试。欢迎交流指正。

基于八叉树编码的点云数据精简方法，对八叉树优势做了分析

自己实现的均匀&不均匀网格法。使用bunny数据进行了测试。欢迎交流指正。

一篇15年文章的复原，先用kmeans均匀分块，然后高斯映射，然后meanshift精简。其中meanshift是固定阈值的，没加核函数。