LMD算法利用极值平均、边界局部特征尺度延拓、HDJ极值延拓法、基于ISBM延拓、平行延拓法等对数据拓展，降低端点效应。

点云分割是三维模型检索、分类及重建的基础，为解决点云分割算法存在鲁棒性差、过分割和欠分割问题，提出一种基于边界特征的点云模型分割算法。将点云模型过分割为弱凸区域，利用巴氏距离判断相邻区域的相似性进行区域合并，采用改进的形状直径函数进行最终合并。由主流评价方法及实验证明，大多数模型可以取得良好的分割效果。

为有效简化点云数据，提出保留边界特征的点云简化算法。该算法利用三维栅格划分 法建立散乱点云的空间拓扑关系，计算每个数据点的近邻，通过球拟合法求得其曲率和具有方向性 的法向量，采用投影点个数比值法找到并保留点云边界，根据具体情况设定所需阈值，对非边界点 进行分类，通过对点的曲率与平均曲率比较、近邻保留点与近邻点个数比例，完成，占、云简化。实验 结果表明：该算法不仅能对点云进行直接有效地简化，而且还能很好地保留点云模型的细节特征。 简化比例达25％一40％。该方法可以满足不同种类点云简化的要求，能够提高计算机运行效率。

alpha shapes提取点云边界特征(C++版本)基于PCL库写的alpha shapes算法，具体实现原理参考：https://blog.csdn.net/qq_36686437/article/details/115168516或者参考论文：[1]刘科. 平面点云边界提取算法研究[D].长沙理工大学,2017.P51-53

PCL_BoundaryEstimation_Point散乱数据点云边界特征自动提取算法

傅立叶描述子 提取边界特征，很有借鉴价值，相当不错