巨大点云
计算机技术的进展仍然遵守半个世纪的旧摩尔定律。同样，传感器的容量，摄像机中的像素的数量和大小，甚至打印头上的喷嘴数量差不多两年。然而，今天的传感器产生的数据量越来越快于数据库管理系统（DBMS）的处理和存储容量。结果，诸如来自机载LIDAR或X，Y，来自地面激光扫描仪的X，Y，Z坐标的点云数据的全部电位仍未爆发。
激光雷达数字地形模型(DTM)可能非常详细，其体积可能超过数千亿个点。例如，荷兰的DTM (AHN 2)的密度为每50厘米1个点2。要处理其软件的极限，用户可以订购缩减和聚合的数据集。它们可能对高清点云感到满意，但面对内部限制，防止数据细节充分利用。此外，从存款到用户的运输可能最终作为漫长而繁琐的航行，因为传播设施与大规模的数据量不符。
为了平衡海量性和处理和传播带来的局限性，迫切需要聪明的算法。可以区分几种方法。一是减少表示x,y,h三元组所需的位数。例如，这些点可以被安排在地理块中，这些块的高度变化很小。当高度值在12.07和12.92之间变化时，x值在174,200和174,850之间，y值在361,700和362,600之间，第一个数字可以被省略，每个块只存储一次。在使用数据时，这些数字可以通过软件加起来。当密度为4点/m时2，这使得在存储空间和运输时间方面可以节省巨大的节省。
另一种方法是将点云转换为一个光栅，并使用JPEG压缩，就像对图像所做的那样，即光栅被分成8 × 8个单元的块，然后转换到频域。这可以通过有损(当高度不能完全恢复时)或无损压缩来实现。
第三种方法是对点云进行分割，即使用区域增长(一种著名的模式识别方法)检测高度相似或平滑变化的区域。然后存储边界的顶点，以及描述高度变化的多项式的参数。草地、街道和足球场都可以用水平或倾斜的平面来表示。这样的参数描述允许包含数千甚至数百万个点的区域由几个值有效地表示。提供这种智能制造的点云以及相关软件的供应商可能会给他们的客户带来巨大的帮助。
