基于图像的点云处理方法：将点云的三维坐标转化为二位图像像素，根据图像与点云的对应关系，寻求从二维图像中解决三维点云面临的问题。
基于图像的点云处理方法存在的问题：在进行三维边缘检测时，是在一个方向上的投影，把三维点云降成二维图像，降维过程中损失的信息需要在多个方向上的投影来弥补，投影难度与三维信息的复杂度成正比。
点云分类处理方法：①以单个点为基元；②以分割面片为基元；③以多种实体为基元
以单个点为基元：在低层次、基础特征时效果好，在复杂运算、维度高的分类特征提取效果不好。
以分割面片为基元：在低层次上没有优势，在复杂运算、维度高的分类特征提取时计算量小。
单一种类的分割面片不能很好的表达复杂二维场景问题，如平面面片，只能较好表达建筑物，却不能表达植物等不规则几何结构的物体。
以多种实体结构为基元：组合分割面片形成实体，区域特征类型不同，分割方法不同，单一类型的分割面片不能有效表达复杂点云场景，需要逐层分类，在不同区域提取不同类型的分割面片，增加了分类不确定性。
用步进式点云分割方法提取三种实体结构：
①规则面片：规则集合结构上的点
②粗糙面片：不规则形态地物上的点
③单个点：属性不能有效被领域表达的点
分类策略：
①逐点分类
②基于分割的点云分类
③多实体点云分类
逐点分类：计算量大、特征易受噪声影响
基于分割的点云分类：单一分割面片不能有效表达复杂场景
多实体点云分类：能表达复杂场景问题，但是操作复杂，稳健性和可操作性有待提高
逐点分类：用大计算量来弥补方向不明，因为不清楚哪一种特征对他们所研究区域分类的贡献更大，以每个点为处理单元，逐点计算特征、训练模型，并预测类别。
怎么算的？
检索每个点的邻域点集来表示该点的属性选取范围类型
三维点邻域结构：
①球形结构
②柱形结构
③K近邻域
多大范围？
邻域尺寸参数：
①距离半径r
②点数量阈值k
自己的理解：首先把一个一个的点聚集成小块的乐高积木（体素），不同的积木块可以组成不同的建筑，像路面、围墙（面片）。再利用这些语义准则将点云分割以后获得分割面片进行合并和分类。
应用于记载lidar点云分类的特征：
①基于回拨信号的特征
②基于描述子的特征
③几何特征
特征选择方式：
①基于滤波的方式
②嵌入式方式
什么是描述子？
在特征点附近随机选取若干点对，将这些点对的灰度值的大小组合成一个二进制串，并将这个二进制串作为该特征点的特征描述子。
描述子的建立过程：
①选定建立描述子的区域（特征点的一个正方形邻域）
②对该邻域用σ=2的高斯核卷积，以消除一些噪声。因为该描述子随机性强，对噪声较为敏感。
③以一定的随机化算法生成点对<x,y>,若点x的亮度小于小y的亮度，则返回值1，否则返回0
④重复第三步若干次（如256次），得到一个256位的二进制编码。
什么是随机森林？
通过集成学习的思想将多棵树集成的一种算法，它的基本单位是决策树。每棵树都是一个分类器（假设现在针对的是分类问题），那么对于一个输入样本，N棵树会有N个分类结果。而随机森林集成了所有的分类结果，选出投票次数最多的类别。