目前，点云已经广泛地应用于高精度大比例尺数字高程模型(DEM)制作、电力巡线、建筑物三维建模、地表覆盖分类、变化检测、森林资源调查、生物量估算、基础设施制图、海岸带测量、矿山测量、灾害评估、湿地测图、城市规划等领域。
尽管目前点云处理和应用的领域十分广泛，但是学术界和工业界也认识到：点云信息提取是点云应用的必经步骤和基础性工作。然而，尽管已有大量点云信息提取方法，且部分方法已经工程化应用，但是点云信息提取研究仍然处于发展阶段，还有许多问题没有得到解决，尤其是目前主流的基于点的信息提取方法并未充分挖掘点云数据本身的自动化潜力，迫切需要新的点云信息提取理论与方法。
过去的20年中，点云信息提取已经取得了显著的进展。下面我们按照点云信息提取过程中涉及的基本处理单元(基元)类型、提取的特征、特征选择与分类方法等3个视角分别对相关研究现状进行综述。
1、基本处理单元（基元）类型
1.1基于多基元的点云信息提取
在点云信息提取领域，滤波通常指区分点云中的地面点和地物点(非地面点)的过程。另外，点云分类有狭义与广义之分。狭义的点云分类，是将地物点进一步区分为植被点、建筑物点、水体点等更精细类别点的过程；广义的点云分类同时包含了滤波和狭义点云分类的全部内容。点云信息提取中使用的基本处理单元，称为“基元”。按照基元类型，可以将已有的方法划分为基于点、剖面、体素、对象、多基元融合(如下图所示)等4类点云信息提取方式。
尽管目前点云处理和应用的领域十分广泛，但是学术界和工业界也认识到：点云信息提取是点云应用的必经步骤和基础性工作。然而，尽管已有大量点云信息提取方法，且部分方法已经工程化应用，但是点云信息提取研究仍然处于发展阶段，还有许多问题没有得到解决，尤其是目前主流的基于点的信息提取方法并未充分挖掘点云数据本身的自动化潜力，迫切需要新的点云信息提取理论与方法。
过去的20年中，点云信息提取已经取得了显著的进展。下面我们按照点云信息提取过程中涉及的基本处理单元(基元)类型、提取的特征、特征选择与分类方法等3个视角分别对相关研究现状进行综述。
1、基本处理单元（基元）类型
1.1基于多基元的点云信息提取
在点云信息提取领域，滤波通常指区分点云中的地面点和地物点(非地面点)的过程。另外，点云分类有狭义与广义之分。狭义的点云分类，是将地物点进一步区分为植被点、建筑物点、水体点等更精细类别点的过程；广义的点云分类同时包含了滤波和狭义点云分类的全部内容。点云信息提取中使用的基本处理单元，称为“基元”。按照基元类型，可以将已有的方法划分为基于点、剖面、体素、对象、多基元融合(如下图所示)等4类点云信息提取方式。
1.2基于体素基元的信息提取
体素将原始激光点云数据划分到具有一定体积大小的长方体中，每个长方体内的点集称为一个体素，如上图(c)所示。该方法将点云数据划分为不同分辨率等级的体素，以体素为单位通过与邻域体素的高程加权均值比较剔除植被点、保留地面点，从而获取森林地区的DEM。目前，体素对机载LiDAR和摄影测量点云信息提取的适用性有限，它比较适合作为车载LiDAR点云信息提取的基元。
1.3基于对象基元的信息提取
鉴于点云分割获取的对象可以增加信息提取精度、降低信息提取不确定性的优势，面向对象的点云分析方法以点云分割的对象(如上图(d)所示)为基元进行信息提取。另外，面向对象的点云分析、面向对象的影像分析两种理论的发展也促进了面向对象的多源数据融合的信息提取。目前，基于对象的点云信息提取方法方兴未艾。但该类方法信息提取效果严重依赖于点云分割的质量，且十分耗时。
1.4融合多基元的信息提取
融合多基元的点云信息提取是一类崭新的方法，其原理是在信息提取的不同阶段使用不同类型的基元，或者采用多种基元以实现更优的提取效果。目前，融合多基元的点云分析方法刚刚崭露头角。由于多尺度的多基元结构能够充分顾及不同尺度空间的特性，采用多基元结构有利于提高分类识别的效果。但是，该类方法缺乏相关理论框架的探讨，尤其是多数点云分割方法还无法实现点云的多尺度分割和多基元获取，这阻碍了融合多基元的点云信息提取的深入发展。
2、提取的点云特征
点云分类精度与特征有效性是密切相关的，高效构建有效的点云特征是提高点云分类效果的重要方面。同时，特征与基元是密切关联的。常用的点基元特征包括：
2.1高程及高程纹理特征。包括：点与点间相对高差、归一化数字表面模型高度、局部高程纹理特征、弯曲能量、数字表面模型的差分形态学剖面特征。
2.2几何形态特征。主要是基于局部邻接点集的主成分分析特征，即线性、平面性、球面型、各向异性等特征。对于局部邻接点集可以求取其水平和垂直投影特征。另外，点到面的距离、夹角、点与点间坡度也是常用的特征。
2.3回波特征。涉及回波类型、首次尾次回波高差等特征、回波率。
2.4 反射强度和光谱特征。
3、点云信息提取的问题与挑战
目前，点云信息提取研究已经取得了显著的进展，但是也还存在诸多不足之处。主要的问题包括：
3.1方法研究的理论性有待进一步提高，配套商业软件的功能有待进一步增强。
3.2缺乏融合多基元的点云分析理论、方法研究。
3.3 缺乏点云分析的不确定性研究。
3.4新机器学习方法的使用有待进一步深入。
3.5缺乏高性能计算技术的应用。
4、发展趋势
今后点云信息提取发展主要集中下述6个方面：
4.1融合光谱与三维几何特征的点云将成为信息提取的热点数据源之一
4.2多尺度多层次点云分割
4.3基于深度学习的点云信息提取
4.4基于迁移学习的点云信息提取
4.5海量点云数据并行处理
4.6融合多基元的点云分析范式
点云是目前摄影测量和遥感领域常见的数据源之一，信息提取是点云应用的必经步骤。经过20多年的发展，点云信息提取研究已经取得了长足的进展，提出了大量的滤波和分类方法、且部分方法已经被业界广泛应用。但是如何充分挖掘点云的潜力，并从点云数据中快速、高精度地提取更多的信息仍然亟待研究。
体素将原始激光点云数据划分到具有一定体积大小的长方体中，每个长方体内的点集称为一个体素，如上图(c)所示。该方法将点云数据划分为不同分辨率等级的体素，以体素为单位通过与邻域体素的高程加权均值比较剔除植被点、保留地面点，从而获取森林地区的DEM。目前，体素对机载LiDAR和摄影测量点云信息提取的适用性有限，它比较适合作为车载LiDAR点云信息提取的基元。
1.3基于对象基元的信息提取
鉴于点云分割获取的对象可以增加信息提取精度、降低信息提取不确定性的优势，面向对象的点云分析方法以点云分割的对象(如上图(d)所示)为基元进行信息提取。另外，面向对象的点云分析、面向对象的影像分析两种理论的发展也促进了面向对象的多源数据融合的信息提取。目前，基于对象的点云信息提取方法方兴未艾。但该类方法信息提取效果严重依赖于点云分割的质量，且十分耗时。
1.4融合多基元的信息提取
融合多基元的点云信息提取是一类崭新的方法，其原理是在信息提取的不同阶段使用不同类型的基元，或者采用多种基元以实现更优的提取效果。目前，融合多基元的点云分析方法刚刚崭露头角。由于多尺度的多基元结构能够充分顾及不同尺度空间的特性，采用多基元结构有利于提高分类识别的效果。但是，该类方法缺乏相关理论框架的探讨，尤其是多数点云分割方法还无法实现点云的多尺度分割和多基元获取，这阻碍了融合多基元的点云信息提取的深入发展。
2、提取的点云特征
点云分类精度与特征有效性是密切相关的，高效构建有效的点云特征是提高点云分类效果的重要方面。同时，特征与基元是密切关联的。常用的点基元特征包括：
2.1高程及高程纹理特征。包括：点与点间相对高差、归一化数字表面模型高度、局部高程纹理特征、弯曲能量、数字表面模型的差分形态学剖面特征。
2.2几何形态特征。主要是基于局部邻接点集的主成分分析特征，即线性、平面性、球面型、各向异性等特征。对于局部邻接点集可以求取其水平和垂直投影特征。另外，点到面的距离、夹角、点与点间坡度也是常用的特征。
2.3回波特征。涉及回波类型、首次尾次回波高差等特征、回波率。
2.4 反射强度和光谱特征。
3、点云信息提取的问题与挑战
目前，点云信息提取研究已经取得了显著的进展，但是也还存在诸多不足之处。主要的问题包括：
3.1方法研究的理论性有待进一步提高，配套商业软件的功能有待进一步增强。
3.2缺乏融合多基元的点云分析理论、方法研究。
3.3 缺乏点云分析的不确定性研究。
3.4新机器学习方法的使用有待进一步深入。
3.5缺乏高性能计算技术的应用。
4、发展趋势
今后点云信息提取发展主要集中下述6个方面：
4.1融合光谱与三维几何特征的点云将成为信息提取的热点数据源之一
4.2多尺度多层次点云分割
4.3基于深度学习的点云信息提取
4.4基于迁移学习的点云信息提取
4.5海量点云数据并行处理
4.6融合多基元的点云分析范式
点云是目前摄影测量和遥感领域常见的数据源之一，信息提取是点云应用的必经步骤。经过20多年的发展，点云信息提取研究已经取得了长足的进展，提出了大量的滤波和分类方法、且部分方法已经被业界广泛应用。但是如何充分挖掘点云的潜力，并从点云数据中快速、高精度地提取更多的信息仍然亟待研究。