在阅读了这篇文章并玩了 SciKit-image 之后，我发现 Python 与 MATLAB 的函数相比有所不同imregionalmax。
我有这些代码行：
from skimage.feature import peak_local_max
manos = np.ones([5,5])
manos[2,2] = 0.
manos[2,4] = 2.
giannis = peak_local_max(manos,min_distance=1, indices=False, exclude_border=False)
giorgos = ndimage.filters.maximum_filter(manos, footprint=np.ones([3,3]))
giorgos = (giorgos == manos)
我希望一个二维数组只有一个True变量值 ([2,4])giannis或giorgos我在 MATLAB 中得到的值。相反，我最多取一个以上。
知道为什么会这样工作以及如何使它像在 MATLAB 中一样工作吗？
两者giannis和giorgos的相似之处在于它们发现像素等于或大于 3x3 邻域中的其他像素。我相信giannis会有一些额外的阈值。
这些方法都不能保证找到的像素实际上是局部最大值。请注意我在上面所说的“更大或相等”。图像中任何足够大的高原（所有像素具有相同值的区域）都将被算法标记，无论它们是局部最大值、局部最小值还是介于两者之间。
例如：
import numpy as np
import matplotlib.pyplot as pp
import scipy.ndimage as ndimage
manos = np.sin(np.arange(100)/10)
manos = np.round(30*manos)/30 # Rounding to create plateaus
giorgos = ndimage.filters.maximum_filter(manos, footprint=np.ones([3]))
giorgos = (giorgos == manos)
pp.plot(manos);
pp.plot(giorgos);
pp.show()
请注意滤波器如何识别正弦曲线局部最小值附近的三个点。其中中间的一个是实际的局部最小值，另外两个是既不是局部最大值也不是最小值的高原。
相比之下，MATLAB 函数imregionalmax会识别出由具有较低值的像素包围的所有平台。执行此操作所需的算法与上述算法非常不同。它可以使用联合查找算法有效地完成，或者使用洪水填充型算法效率较低。主要思想是找到一个不低于任何邻居的像素，然后从它扩展到它的等值邻居，直到探索了整个高原或直到找到高原中具有更高值邻居的像素之一.
Python 提供的一种实现是在DIPlib中（注意：我是作者）：
import diplib as dip
nikos = dip.Maxima(manos)
pp.plot(manos);
pp.plot(nikos);
pp.show()
另一个实现是在 SciKit-Image 中（感谢Juan指出这一点）：
nikos = skimage.morphology.local_maxima(manos)