scipy.signal.find_peaks比纯numpy手写更快，因其底层用c实现，自动处理邻域比较与边界，支持height/prominence等物理约束，实测快5–10倍；手写易错位、漏边、不支持高级过滤。
为什么 scipy.signal.find_peaks 比纯 NumPy 手写更快？
因为局部极大值本质是“邻域比较 + 索引提取”，纯 NumPy 要手动构造滑动窗口、广播比较、处理边界，代码冗长且容易漏掉边缘情况；scipy.signal.find_peaks 底层用 C 实现，自动处理一维数组的邻域（默认 distance=1）、支持 height/prominence 等物理约束，实测比 np.argmax 配合切片快 5–10 倍。
常见错误现象：np.where(arr[1:-1] > arr[:-2]) 和 np.where(arr[1:-1] > arr[2:]) 分别找左/右邻域大于，但两个条件必须同时满足，且索引要对齐——手写极易错位，比如返回索引比原始数组少 2 个位置。
- 使用场景：光谱峰识别、时间序列事件检测、图像梯度响应点提取（先降维成一维）
-
find_peaks默认只对一维ndarray工作，二维需先用np.max或np.argmax投影到某轴，或改用skimage.feature.peak_local_max - 参数差异：
distance控制最小峰间距（避免密集假峰），prominence过滤低显著性峰，width排除过宽/过窄响应
如何用 numpy 手动实现无依赖的局部极大值搜索？
当不能引入 SciPy（如嵌入式环境、极简依赖部署），可用 NumPy 原生操作模拟。核心是构造“中心元素是否严格大于左右邻居”的布尔掩码，再用 np.nonzero 提取索引。
示例（一维数组）：
import numpy as np arr = np.array([1, 3, 2, 4, 1, 5, 2]) mask = (arr[1:-1] > arr[:-2]) & (arr[1:-1] > arr[2:]) peaks = np.nonzero(mask)[0] + 1 # +1 补回首尾截断的偏移 # → peaks = [1, 3, 5]
- 边界必须显式舍弃：
arr[1:-1]是中心候选区，arr[:-2]和arr[2:]是左右邻居，三者长度一致 - 严格大于（
>）才能排除平台区；若需平台顶点，改用>=并额外检查平台两端 - 性能影响：对百万级数组，该写法比
find_peaks慢约 3 倍，且不支持prominence等高级过滤
find_peaks 返回的 properties 字典里哪些字段最实用？
调用时加 return_properties=True 可获取峰的物理属性，避免重复计算。实际开发中，prominences 和 left_bases/right_bases 最常被忽略但最有用。
-
prominences：峰从邻近谷底“突起”的高度，比单纯height更鲁棒，能有效过滤噪声引起的微小波动 -
left_bases和right_bases：定义峰的左右基线位置，可用于计算峰宽（right_bases - left_bases）或积分面积 -
peak_widths：直接返回半高全宽（FWHM）等宽度指标，但依赖插值，若只需整数索引宽度，用right_bases - left_bases更准 - 注意：
prominences计算开销较大，若仅需位置，不要加prominence=None参数（默认就是None）
二维数组怎么找局部极大值？scipy 不行，skimage 怎么选参数？
scipy.signal.find_peaks 不支持二维，必须降维或换库。skimage.feature.peak_local_max 是标准解法，但参数含义和一维不同，容易误设。
-
min_distance是像素距离（欧氏距离），不是索引差；设为1会保留所有局部最大值，包括相邻像素，通常设2或更大 -
exclude_border默认True，即忽略图像边缘像素——这对大多数 CV 任务合理，但若边缘真有峰（如边界反射），需设为False -
num_peaks限制返回数量，按响应强度降序取；若设太小会丢掉弱但真实的峰，建议先不设，后用prominence过滤 - 性能提示：大图（>2000×2000）上，
footprint参数比min_distance更快——传一个np.ones((3,3))的结构元，只在 3×3 邻域内比较
真正难的是定义“什么是局部极大值”：是数学意义上的邻域最大，还是信号处理中的信噪比足够高，或是视觉任务里的结构显著性。选工具前，先明确你的数据里“峰”到底代表什么。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
