3-D网格全局最大值周边不确定性评估及有效点判定咨询

卡方检验适用性说明 #

卡方检验本身不是通用的阈值判定方法，仅在你的得分属于卡方分布统计量时适用：如果你的得分是似然比检验的计算结果（形式为-2ln(L)，L为似然值），那完全可以用卡方检验的临界值作为阈值，3个参数对应自由度为3，95%置信度对应的临界值约为7.82，此时阈值为全局最大值减去临界值，你给出的示例中阈值就是235 - 7.82 ≈ 227.18，符合要求的点为228、235、232三个。
如果你的得分不属于卡方分布统计量，卡方检验不适用，可以选择以下适配你需求的方案：

可选阈值判定方案 #

1. 固定比例阈值法（实现最简单，适合快速验证）

直接取全局最大值的固定比例作为阈值，比例可根据你的领域常规要求调整，通常取值范围在70%~95%之间。示例代码如下：

import numpy as np

# 你的3D得分数组
score_arr = np.array([[[74.,71.,74.],[91.,95.,99.],[129.,142.,147.]],
                      [[162.,161.,159.],[228.,235.,232.],[153.,159.,160.]],
                      [[170.,164.,156.],[112.,116.,113.],[86.,85.,85.]]])
max_score = score_arr.max()
# 示例取85%的最大得分作为阈值
threshold = max_score * 0.85
# 生成显著性掩码
significant_mask = score_arr >= threshold
# 提取所有显著点的坐标
significant_points = np.argwhere(significant_mask)

2. 背景统计阈值法（统计严谨性更高）

如果你的得分背景噪声服从已知分布（高斯、泊松等），可以通过背景参数计算阈值：

• 提取远离全局最大值的区域/全数组排除前1%高分点的区域作为背景样本
• 计算背景样本的均值μ和标准差σ
• 阈值设为μ + nσ，n通常取3（对应99.7%置信度）或5（对应极低误判率）

3. 区域生长法（完全匹配你逐步扩大搜索范围的需求）

可以避免孤立高分噪声被误判，完全符合你“从最大值往外扩展直到没有有效点”的需求，实现逻辑：

• 第一步：找到全局最大值的坐标作为初始种子点，标记为有效
• 第二步：遍历所有当前有效点的3D邻域（可选6邻域/26邻域，26邻域包含所有空间相邻点）
• 第三步：将得分高于阈值的未标记邻域点加入有效集合，标记为已处理
• 重复第二步到第三步，直到没有新的有效点加入为止

选型建议 #

• 快速原型验证：选择固定比例阈值+区域生长组合，实现成本最低
• 得分有明确统计定义：优先用对应分布的分位数作为阈值，严谨性最高
• 存在噪声干扰：必须加区域生长步骤，避免孤立高分点被误纳入结果

内容的提问来源于stack exchange，提问作者JesseH