Filtering PCL-过滤出密集区域未发现的点

我有一个物体的点云，然后我从位于特定平面内的所有点构造一个点云。此点云的外观如下所示：

我想过滤掉矩形中没有的所有额外点。当我得到平面的所有点时，有一些不相关的点恰好在同一平面上。我想过滤掉这些，这样我可以专门处理矩形中的点

我对点云和对象建模非常陌生，所以我很难知道我在寻找什么。我尝试过使用，但（并不令人惊讶地）当这些额外的点本身有点密集时，它并不总是得到所有额外的点。如果我将参数更改为在过滤中更具攻击性，它将开始从我感兴趣的矩形中删除点

我知道有一大堆可用的，但我真的不知道它们是如何工作的，或者哪一个最适合解决这个问题。我可以通过尝试和错误的每一个，但我希望有人能给我指出正确的方向。有什么办法可以得到我想要的最终结果吗？

你可以试试：

• 根据云的尺寸和密度，将与“r”（

  setRadiusSearch

  ）和“k”（

  setMinNeighborsInRadius

  ）的值一起使用。按照dumb的规则，这些值越高，过滤您感兴趣的点的机会就越大

• 如果您知道实际感兴趣的点的坐标，请使用这些坐标构建一个带有

  setFilterLimits

  的“边界框”，这样框外的所有内容都将被过滤

正如您所说，当您尝试更改SOR过滤器的参数时，它开始删除您不希望删除的点，可能直通过滤器是您的最佳选择

---

希望这能对你有所帮助。

像大卫一样，我会尝试使用Radius。假设您的数据主要是二维的-确定矩形内云的密度（D点/r²）。矩形中最薄弱的一点是只有D/4邻域的角点（最大半径不大于较短的边）。使用安全系数X，您现在可以过滤其附近密度小于D/（X*4）的所有点。从半径r开始，半径r等于矩形的较短边，然后删除邻域小于（D*r²）/（4*X）的点，以获得更大、更远的异常值簇。通过减小半径重复此过程，以捕获离矩形更近的较小簇。

点云是否有组织？如果是，您可以尝试使用中值滤波器？PCL仅为点云的z维提供了它。您可能需要修改点云，以使其沿其他维度（x，y）进行过滤。

我最终使用了区域增长分割（），然后我使用具有最多点的任何群集。这似乎适合我的需要。有什么理由认为这是个坏主意吗？