之前在微信公众号中更新了以下几个章节 1，如何学习PCL以及一些基础的知识 2，PCL中IO口以及common模块的介绍 3，PCL中常用的两种数据结构KDtree以及Octree树的介绍 前言 三维点云分割是将同属性的点云物体分割出来，以便于单独对该点云物体处理，但是由于点云数据是一种高冗余度，且不均匀的数据结构，所以点云分割具有一定挑战性，
点云库于（PCL）2011年推出以来，得到行业广泛的应用，该库包含了最先进的3D感知算法，并包含了LIDAR和三维扫描仪的接口，这使得点云库PCL在机器人领域持续不断的发展壮大起来。至今为止已经更新到了1.9.1版本。在图像分割中常常用到前景与背景的分割处理，而在点云处理中，对于给定点云数据，分割的目标是将具有相似特征的点聚类成均匀区域，根据分割结果应用于各个方面的场景分析，一般的方法时根据输入点云的网格构建图形，使用边界线的法线，平滑度或者是凹凸性等信息进行聚类分割，在文章【1】中调查了分割的方法有：凹凸性分割，分水岭分析，层次聚类，区域增长以及频谱聚类。这些方法不仅是应用图像，也广泛的应用于点云数据的分割。
在计算机视觉中，2D图像的分割是一个很经典的问题，并且已经有着十几年的研究历史，其中基于传统的方法比较流行有Graph Cuts[2],包含了Normalized Cuts和Min Cuts 这些方法的思想同样适应于3D点云的分割，并且这部分内容在PCL中都已经开源。
点云分割算法应该具有以下三种重要的属性： （1）比如树木是具有与汽车相区别的特征的ÿ
