点采样算法（Farthest Point Sampling, FPS）

远点采样算法（Farthest Point Sampling, FPS）是一种用于点云数据下采样的算法。它的目的是从一个大规模的点集中选择一个子集，使得子集中的点云能够尽可能代表原始点云的形状特征。远点采样算法广泛应用于计算机图形学、3D重建以及机器学习中的数据预处理等领域。

FPS的基本思想是不断选择当前还未被选择的、距离已选点集最远的点，直到达到预设的点数或者覆盖整个数据集。算法流程如下：

1. 初始化：从点云中随机选择一个点作为起始点，并将其加入到采样点集中。
2. 迭代选择：对于点云中的每一个尚未被选择的点，计算它到已经被选择的采样点集中所有点的最短距离（通常使用欧几里得距离）。然后从这些未被选择的点中找出距离最远的点（即到最近邻采样点的距离最大的点），将其加入到采样点集中。
3. 终止条件：重复第2步，直到采样点集中的点数达到用户定义的数量，或者达到其他终止条件（例如，当新增的点与现有的采样点集的最短距离小于某个阈值时）。

远点采样算法的优点在于能够保持点云的覆盖范围和形状特征，因为它优先选择那些在几何上较为孤立的点。这使得算法特别适合于非均匀分布的点云数据，尤其是当点云中包含细节且分布不均时。

然而，FPS的一个缺点是计算效率相对较低，因为需要计算所有未采样点到已采样点集的距离，并找出最远点。在处理非常大的点云时，这可能会成为性能的瓶颈。为了优化性能，可以采用加速结构如k-d树来减少距离计算的次数。

在实践中，远点采样常与其他处理步骤结合使用，例如在进行模型训练前对点云进行预处理，以减少数据量并提高计算效率。