點雲模型與三維信息　

三維圖像是一種特殊的信息表達形式，其特征是表達的空間中三個維度的數據。和二維圖像相比，三維圖像借助第三個維度的信息，可以實現天然的物體-背景解耦。除此之外，對於視覺測量來說，物體的二維信息往往隨射影方式而變化，但其三維特征對不同測量方式具有更好的統一性。與相片不同，三維圖像時對一類信息的統稱，信息還需要有具體的表現形式。其表現形式包括：深度圖（以灰度表達物體與相機的距離），幾何模型（由CAD軟件建立），點雲模型（所有逆向工程設備都將物體采樣成點雲）。可見，點雲數據是最為常見也是最基礎的三維模型。點雲模型往往由測量直接得到，每個點對應一個測量點，未經過其他處理手段，故包含了最大的信息量。然而，這些信息隱藏在點雲中需要以其他提取手段將其萃取出來，提取點雲中信息的過程則為三維圖像處理。

點雲處理的三個層次

與圖像處理類似，點雲處理也存在不同層次的處理方式。或者說，根據任務的需求，需要組合不同的處理方式，而這些處理在過程上有先後之分。Marr將圖像處理分為三個層次，低層次包括圖像強化，濾波，邊緣檢測等基本操作。中層次包括連通域標記(label)，圖像分割等操作。高層次包括物體識別，場景分析等操作。工程中的任務往往需要用到多個層次的圖像處理手段，在傳統的圖像處理方法中（傳統就是不包括CNN神經網絡和大數據集），圖像處理的過程需要遞增的使用不同層次圖像處理來完成任務。

PCL官網對點雲處理方法給出了較為明晰的層次劃分，如圖所示。

此處的common指的是點雲數據的類型，包括XYZ,XYZC,XYZN,XYZG等很多類型點雲，歸根結底，最重要的信息還是包含在point<pcl::point::xyz>中。可以看出，低層次的點雲處理主要包括濾波(filters)，關鍵點(keypoints),分割(segmention)。分別對應圖像處理中的濾波，邊緣檢測，分割。顯然，在圖像處理中還是中層次的分割操作，由於點雲的特性被簡化到了低層次的水平，本質上與濾波和關鍵點提取難度相當了。點雲的中層次處理則是特征描述(feature)。高層次處理包括配準(registration)，識別（recognition）。可見，點雲在分割的難易程度上比圖像處理更有優勢。準確的分割也為識別打好了基礎。

PCL—綜述—三維圖像處理