由于城市 LIDAR 场景通常由数百万个点组成，即使是在整个场景中提取最有效的对象识别特征也非常昂贵。 专注于识别 GIS 中的街道设施（即灯柱、消火栓、路缘石），场景中的绝大多数点（例如路面、人行道等）与任务无关
人类感知很容易区分场景中相对均匀的地面、街道和建筑点以及较小规模的结构（包括街道设施）（参见图 1.3 演示）。 问题来了，有没有一种分割算法可以有效区分范围数据中属于不同尺度结构的点？ 这里我们介绍这样一个算法，但在我们描述算法本身之前，通过尺度空间和表面处理的概念来直观地了解其背后的动机
信号处理（以及相应的图像处理）中使用的 DoG 算子只是从窄高斯中减去宽高斯。 以原点为中心的连续二维情况下，可以定义为：
DoG 是高斯的拉普拉斯算子的近似值，即高斯函数的二阶导数。 实际上是一个带通滤波器，带通滤波器仅将信号/图像中的频率保留在某个窄频带中。
表面处理
计算机视觉倾向于将局部数据简单地视为具有 3D 空间坐标的点的集合。或者，正如 2D 图像可以被认为是 3D（两个空间坐标，一个强度）一样，局部数据，作为 3D 表面的离散采样，可以被认为是 (3 + n) 维（3 个空间坐标， n 维表面描述符向量）。
在表面处理中，通常考虑的每个点 p 处的单位法线作为表面描述符，这些法线与点坐标一起形成法线图，即每个点都由 6 维向量描述，该向量可以
