2D散点图轮廓检测技术方案咨询（仅关注y<4区域）

方案1：密度驱动的边界点筛选 #

• 先提取所有满足y < 4的点，形成目标点集P
• 给每个点计算局部密度：比如设定一个合适的搜索半径r，统计每个点半径r范围内的邻点数量；或者取每个点的k近邻平均距离，距离越大说明密度越低
• 设定密度阈值，保留低密度点——这类点大概率处于轮廓边缘（内部网格节点的邻点数量会明显多于边缘节点）
• 对初步筛选出的点，再做一次精细化过滤：比如按x轴分段，每段保留y值最小/最大的点；或者计算点到点集重心的距离，保留距离较大的点，最后将这些点按顺时针或逆时针排序得到轮廓

方案2：网格划分法提取边缘单元 #

• 把y < 4的区域按点的分布密度划分成均匀二维网格（网格尺寸建议略小于相邻节点的平均间距）
• 逐个标记包含点的网格单元
• 筛选出边缘单元：即至少有一个上下左右相邻单元为空的单元
• 收集所有边缘单元内的点，去重后按坐标排序，即可得到轮廓点集

方案3：利用网格节点的拓扑特性（适配网格化零件场景） #

• 如果是结构化网格节点：
  1. 为每个节点建立邻接关系（比如通过坐标偏移匹配，结构化网格的邻点通常在上下左右四个方向）
  2. 筛选出y < 4的节点后，统计每个节点的有效邻点数量（邻点也需满足y < 4）
  3. 邻点数量少于内部节点的点即为轮廓点（比如结构化网格内部节点邻点为4，边缘节点通常是2或3个）
• 如果是非结构化网格：
  1. 先对y < 4的点做Delaunay三角剖分
  2. 遍历所有三角边，只保留仅属于一个三角形的边（这类边是边界边）
  3. 收集这些边界边的端点，去重后就是轮廓点

后续优化建议 #

• 得到轮廓点后，可以用Ramer-Douglas-Peucker算法简化点集，剔除冗余点，方便后续测量计算
• 如果点集存在噪声点，先做离群点剔除（比如用Z-score法过滤偏离整体分布的点），再进行轮廓检测会更准确

内容的提问来源于stack exchange，提问作者Fabian