如何用Python检测单侧落差较大的非对称信号峰值？

问题核心 #

scipy.signal.find_peaks的默认阈值过滤是对称逻辑（要求峰值左右两侧的落差都达标），但黄圈里的非对称峰值单侧落差大、另一侧小，因此被误过滤。要匹配蓝色线的峰值连线，得放弃对称判断，改用基于峰值突出度或单侧落差/斜率的判定规则。

可行方案 #

1. 调整find_peaks的prominence参数（推荐） #

不用单纯依赖height阈值，改用prominence（峰值相对于周围谷底的突出程度）——这个参数不要求左右落差对称，只要峰值在局部区域有足够的突出度就会被检测：

import numpy as np
from scipy.signal import find_peaks

# 假设gray_curve是你的灰度曲线数组
peaks, properties = find_peaks(gray_curve, prominence=5)  # prominence值根据实际数据调整

prominence会计算峰值到左右最近谷底的最小落差，只要该值达标就会被识别，完美适配单侧落差大的非对称峰值。

2. 自定义非对称峰值检测逻辑 #

如果需要更精细的控制，可以手动遍历曲线，设定以下判定规则：

• 该点是局部最大值（比左右相邻点高）
• 至少一侧的落差超过设定阈值（左侧落差≥阈值 或 右侧落差≥阈值）

示例代码：

def find_asymmetric_peaks(curve, threshold=3):
    peaks = []
    n = len(curve)
    for i in range(1, n-1):
        # 先判断是否为局部最大值
        if curve[i] > curve[i-1] and curve[i] > curve[i+1]:
            left_drop = curve[i] - curve[i-1]
            right_drop = curve[i] - curve[i+1]
            # 单侧落差达标即可
            if left_drop >= threshold or right_drop >= threshold:
                peaks.append(i)
    return np.array(peaks)

# 使用示例
peaks = find_asymmetric_peaks(gray_curve, threshold=5)

这种方法完全自定义判定规则，能精准匹配你需要的非对称峰值。

3. 基于一阶导数的检测 #

通过计算曲线的一阶导数，找到导数由正变负的点（即峰值），同时检查单侧的变化幅度：

• 峰值左侧导数为正（曲线上升），右侧导数为负（曲线下降）
• 左侧上升幅度或右侧下降幅度超过阈值

示例代码：

def find_peaks_derivative(curve, threshold=2):
    deriv = np.diff(curve)
    peaks = []
    for i in range(1, len(deriv)):
        # 导数从正变负，说明是峰值点
        if deriv[i-1] > 0 and deriv[i] < 0:
            peak_idx = i
            rise = deriv[i-1]  # 左侧上升幅度
            drop = -deriv[i]   # 右侧下降幅度
            if rise >= threshold or drop >= threshold:
                peaks.append(peak_idx)
    return np.array(peaks)

# 使用示例
peaks = find_peaks_derivative(gray_curve, threshold=3)

注意事项 #

• 所有阈值参数（prominence、threshold）需要根据灰度曲线的实际分布调整，建议先可视化曲线和检测结果来微调。
• 如果曲线存在噪声，建议先做平滑处理（比如scipy.signal.savgol_filter），避免误检测噪声尖峰。

内容的提问来源于stack exchange，提问作者David H. J.