1、“.....对组数据分别截取局部关键点云数据进行对比。图为种抽稀方法局部点云抽稀效果。图为对比分析常用的点云抽稀算法对电力线的抽稀效果，选用电力线走廊点云数据的杆塔处进行和采样密度相匹配此外，由于机载激光雷达悬停加速拐弯，使得在电力线杆塔和地面局部区域过度采样不可避免，导致存在大量的冗余数据。高密度的点云数据存在数据冗余和数据量庞大等些问题，直接影响着数据存储数据显示后处理及分析速度及数据生产和数据交互的难易程度。因此，对原始输电线走廊点云数据进行抽稀简化就显得非常有必要。目前已有很多学者对点云抽稀进行相关研究。根据是否考虑物体形态特征因素，可将点云抽稀算法概括为随机采样算法基于高程的算法和基于不规则角网算法。其中，随机采样算法又分为基于虚拟格网的算法和基于系统的算法等。随机采样算法思想是在进行数据抽稀时不考虑数据点的空间维特性......”。

2、“.....钱金菊，张昌赛，王柯，等机载点云数据抽稀算法研究述评测绘通报，王鹏杰，潘志庚，徐明亮，等基于局部最小生成树的点模型快速无损压缩算法计算机研究与发展，黄源，达飞鹏基于改进叉树的维点云压缩算法光学学报，王和平，张昌赛，刘伟东，阙波，邹彪输电线走廊点云数据抽稀算法适用性分析测绘科学，基金国家电网公司科技项目。关于输电线走廊点云数据抽稀算法的对比研究电工材料论文。表个实验点云数据简介个实验数据均是采用机载激光雷达获取的输电线路走廊点云。其中，数据为大范围输电线走廊点云数据，呈现长距离条带状，该段输电线路电压等级为。数据目标区域内地形有所起伏，包含植被公关于输电线走廊点云数据抽稀算法的对比研究电工材料论文地保留了对输电线走廊安全距离检测尤为重要的电力线植被等地物的维空间特征信息，但针对海量输电线走廊点云数据抽稀效率低的问题突出......”。

3、“.....在具有高效的时间效率和较低简度的同时，能够有效减少输电线走廊内点云数据冗余，在采样密度数据精度和时间效率之间达到种最优平衡的效果，非常适用于大规模输电线走廊点云数据快速抽稀简化。参考文献彭向阳，刘正军，麦晓明，等无人机电力线路安全巡检系统及关键技术遥感信息，刘正军彭向阳，郭小龙，等大型无人机电力线路巡检数据采集与处理技术北京中国电力出版社，徐景中，万幼川，张圣望地面点云的简化方法研究测绘信息与工程，化研究杭州浙江工业大学，陈法用时逐步增加，但超过定抽稀率后，抽稀耗时逐步减少。在抽稀率相同的情况下，空间抽稀用时最长，体素分割抽稀和系统抽稀所用时间相当，且明显少于空间抽稀用时。对于体素分割抽稀而言，随着树深层的增加，点云抽稀率提高，保留的原始点云数据量越多，但时间效率并无明显差异。这是由于空间抽稀需要不断地执行最邻近搜索来遍历判别等间隔的点而致使用时较长......”。

4、“.....并且未进行多余的距离判别，从而大大提高了抽稀的效率。对于千万级别数据量的输电线走廊点云，体素分割抽稀方法用时只有数秒，其时间效率甚至高于传统用于快速显示的系统抽稀方法图。表个实验数据在不同抽稀率下采用种抽稀方法的点云处理时间图种抽稀方果比体素分割抽稀效果稍好，下部分的树干形态特征保留较为完整。经系统抽稀后树木的整体形态特征有所保留，但下部分的树干点损失较多。对于空间抽稀和体素分割抽稀方法，前者给定了相同的点采样间隔距离，后者设定了大小相同分割空间，其都能够尽可能使点云数据均匀分布，从而保留特征的同时剔除掉冗余数据。而系统抽稀类似于最邻近路径搜索，每隔个数据点选取下个数据点，直到遍历原始数据中的所有数据点，而原始数据中点之间的间隔距离并不均，这会导致原始数据点较密的区域抽稀后依然保持密集。系统抽稀方法单纯地减少了数据量，并不能很好地保留地物特征......”。

5、“.....为获取精准的杆塔信息，采集数据空间抽稀是按照定的最小空间间隔采样间隔，把点云均匀采样，使原始离散的冗余点云简化为均匀分布的点云，同时达到数据抽稀的目的。注意到，空间抽稀并没有生成新的点云数据，抽稀后得到的点云是对原始点云取的子集。另外，空间抽稀只会对球形搜索区域内的点选择性剔除，对于超出采样间隔的离群点会予以保留图。图球形最邻近查找给定个多维空间，把中的个向量标为个样本点或数据点。中样本点的有限集合称为样本集。给定样本集和个样本点，的最近邻就是任何样本点∈满足。图为对比分析常用的点云抽稀算法对电力线的抽稀效果，选用电力线走廊点云数据的杆塔处进行实验验证。其中，如图所示空间抽了叉树结构在空间的相关性。体素分割抽稀方法将空间划分为小的体素，利用叉树索引的优势依照定的规则快速剔除每个体素内多余的点，达到数据抽稀简化的目的......”。

6、“.....设臵采样间距为，首先在样本集开始的个数据点中随机选取个数据点，然后以此数据点为开始点，每隔个数据点选取下个数据点，直到遍历原始数据中的所有数据点。所选数据点构成的新的数据点集就是基于系统的抽稀算法所得结果。这种方法主要用于数据的快速显示。关于输电线走廊点云数据抽稀算法的对比研究电工材料论文。空间距离抽稀采用的叉树结构是通过递归的方式规则划分维空密度的离散点云简化算法与实现吉林大学学报理学版，钱金菊，张昌赛，王柯，等机载点云数据抽稀算法研究述评测绘通报，王鹏杰，潘志庚，徐明亮，等基于局部最小生成树的点模型快速无损压缩算法计算机研究与发展，黄源，达飞鹏基于改进叉树的维点云压缩算法光学学报，王和平，张昌赛，刘伟东，阙波，邹彪输电线走廊点云数据抽稀算法适用性分析测绘科学......”。

7、“.....关于输电线走廊点云数据抽稀算法的对比研究电工材料论文。空间抽稀是按照定的最小空间间隔采样间隔，把点云均匀采样，使原始离散的冗余点云简化为均匀分布的点云，同时达到数据抽稀的目的。注意到，空间抽稀并没有生成新的点云数据，抽稀后现，空间抽稀方法效果最优，很好地保留了对输电线走廊安全距离检测尤为重要的电力线植被等地物的维空间特征信息，但针对海量输电线走廊点云数据抽稀效率低的问题突出。体素分割抽稀方法整体性能最佳，在具有高效的时间效率和较低简度的同时，能够有效减少输电线走廊内点云数据冗余，在采样密度数据精度和时间效率之间达到种最优平衡的效果，非常适用于大规模输电线走廊点云数据快速抽稀简化。参考文献彭向阳，刘正军，麦晓明，等无人机电力线路安全巡检系统及关键技术遥感信息，刘正军彭向阳，郭小龙，等大型无人机电力线路巡检数据采集与处理技术北京中国电力出版社，徐景中，万幼川......”。

8、“.....空间抽稀方法用时逐步增加，但超过定抽稀率后，抽稀耗时逐步减少。在抽稀率相同的情况下，空间抽稀用时最长，体素分割抽稀和系统抽稀所用时间相当，且明显少于空间抽稀用时。对于体素分割抽稀而言，随着树深层的增加，点云抽稀率提高，保留的原始点云数据量越多，但时间效率并无明显差异。这是由于空间抽稀需要不断地执行最邻近搜索来遍历判别等间隔的点而致使用时较长，而体素分割抽稀首先建立了叉树索引，并且未进行多余的距离判别，从而大大提高了抽稀的效率。对于千万级别数据量的输电线走廊点云，体素分割抽稀方法用时只有数秒，其时间效率甚至高于传统用于快速显示的系统抽稀方法图。表个实验数据在不同抽稀率下采用种抽稀关于输电线走廊点云数据抽稀算法的对比研究电工材料论文，叉树的每个节点表示个正方体的体积元素，每个节点有个子节点图......”。

9、“.....这个分裂过程是对每个立方体递归地重复。停止条件是没有更多的点比如个点在立方体单元或当达到个最大预设条件，。通过对点云数据构建叉树结构，有利于数据的管理和处理，这种结构可快速确定特定立方体单元及立方体元中的点。如可在海量的点云数据中快速定位个或些点，方便对其进行后续处理。图叉树存储结构构建完叉树之后，根据指定的最小距离，计算最优树深层，加快邻近搜索效率。依照指定间隔距离半径在中依次寻找数据点的最近邻点，找到给定距离的点云脚点，并剔除掉球形区域内其余的脚点，从而达到点云数据抽稀的目云数据构建叉树结构，有利于数据的管理和处理，这种结构可快速确定特定立方体单元及立方体元中的点。如可在海量的点云数据中快速定位个或些点，方便对其进行后续处理。图叉树存储结构构建完叉树之后，根据指定的最小距离，计算最优树深层，加快邻近搜索效率......”。