skimage形态学中h_maxima与peak_local_max的差异及选型依据

核心差异 #

实现逻辑 #

• h_maxima：基于形态学顶帽变换的极大值提取，核心是保留比周围所有邻域点至少高h值的峰值。它会先“削平”所有高度差不足h的局部小峰，输出和原图像同尺寸的数组，仅保留符合条件的峰值强度，其余为0。
• peak_local_max：基于邻域逐点比较，判断每个点是否是指定邻域内的最大值，再通过阈值或间距过滤。本质是先找出所有局部最高点，再按需筛选，默认输出峰值点的坐标列表。

输出形式 #

• h_maxima：返回与输入同形状的图像数组，峰值位置为原图像的对应强度值，非峰值区域为0。
• peak_local_max：默认返回Nx2（2D图像）的坐标数组（格式为(y, x)），也可通过indices=False切换为同尺寸二值图。

过滤机制 #

• h_maxima：仅通过参数h控制，是相对邻域的硬过滤——只有峰值与周围点的高度差≥h才会被保留，直接抑制所有低幅度小峰值。
• peak_local_max：支持多维度过滤：
  • 强度过滤：threshold_abs（绝对强度阈值）、threshold_rel（相对全局最大值的比例阈值）
  • 间距过滤：min_distance控制峰值之间的最小像素距离，避免密集小峰

选择标准 #

• 若要提取显著突出于邻域的峰值（比如过滤密集噪声小峰），选h_maxima：它的形态学处理能一次性剔除所有高度差不足h的小峰值，操作简单直接。
• 若需要精细化控制峰值的强度或间距，选peak_local_max：比如既要过滤低强度峰值，又要让保留的峰值保持一定距离，它的多参数组合能满足这类需求。
• 若后续需要直接使用峰值坐标做标记、测量等操作，优先peak_local_max：它默认输出坐标列表，无需额外提取步骤；而h_maxima需要用np.where等方法手动提取坐标。
• 处理高噪声、低对比度图像时，h_maxima鲁棒性更强：形态学方法对局部噪声的抑制更彻底，而peak_local_max若阈值设置不当，容易把噪声点误判为局部峰值。

内容的提问来源于stack exchange，提问作者cappadavide