三维激光扫描仪在扫描体积庞大且分辨率较高时，获得的点云信息巨大，但大量的数据在输入输出、储存、操作和显示等方面会占用大量系统内存和加大运算时间。所以需要首先对原始的三维点云数据进行数据的缩减处理。

数据缩减过程是对大量点云数据进行精简，从而达到点云数据数量的减少，可以极大的提高后续数据处理效率。一些参考文献中，对于数据缩减主要通过设置不同的采样间隔和利用一些算法两种方法来简化数据。但无论使用何种方法，都必须遵循一个原则：数据处理前后，不能改变工件原本的特征，类似于音乐文件的无损压缩。目前比较常见的数据缩减处理的方法包括八叉树缩减方法、随机采样方法、包围盒法、保留边界法、均匀网格法和曲率采样法等。

三维点云坐标纠正
由于被测工件比较复杂，一般要从不同位置扫描多个测量站，才能将被测工件完全扫描。一个完整的工件重构需要将不同测量站的扫描数据配准到同一坐标系下，完成这一个过程叫做坐标纠正又称坐标配准。坐标配准通常包含两部分：（1）将不同的3D测量仪坐标系下的点云数据配准到同一个坐标系下。（2）将扫描仪坐标系配准到测量坐标系下，同时为了获取三维点云数据精准的地理位置，需要增加地理参考。

三维点云数据滤波
针对噪声产生原因不同的，采取的数据滤波方法也不同。对第一类噪声而言，应从调整3D扫描仪和被扫描工件之间的距离来解决；第二类噪声是系统固有噪声，可以通过调整扫描的参数或利用一些平滑的滤波方法进行降噪。而第三类噪声只有人机交互的办法解决。很明显利用人机交互方法，通图形显示来判别明显的好坏，在大数据的情况下是不合适的。

处理噪点的方法是根据噪点的形式决定的，噪点分为有序噪点和散乱噪点。常用方法包括标准高斯、平均或中值滤波算法都属于有序点云去噪的基本方法，但对三维激光扫描生成的数据而言并不适用，因为3D激光扫描生成的原始点云数据都是散乱点云的数据信息。对于原始散乱点云数据而言，由于数据信息点之间并没有建立拓扑关系。所以，采用平滑滤波的方法就不适用了。

三维点云数据分割
点云数据分割定义为：将整副三维数据点云分割成许多个子区域，且每个子区域对应着唯一的一个曲面，同时保证任意子区域仅包含采集自特定的自然曲面的扫描数据点。三维点云数据分割为提取点云数据表面特征和三维建模中的重要的三维数据处理过程。

点云分割在数据处理中的研究方法较多，但大致可分为两类：其一是基于边缘方法，以检测三维数据的变化为着手点；另一类是基于区域生长方法，以检测三维数据的一致性作为着手点。

区域生长算法基本思想是依据激光点与其三维空间的邻域数据点之间的联系，将相似性质的数据点集合起来组成区域。

使用区域生长算法对三维点云数据进行分割，不同被测工件三维扫描数据由于特征不同，采用的分割阀值亦不一样。当较大的阀值时，会造成很小的真实对象和噪点之间的分割错误；相反，较小的分割阀值将不能很好的对较大的真实对象和噪点进行分割。