前些时间我需要用 python 写一段代码来判别一个曲线图中有多少个峰，曲 线图类型大概如下图所示： 图 1 原始曲线图 如果用肉眼鉴别，很容易就知道图中峰的个数为 2。然而，计算机不是人脑 的思维方式，它靠的是数据和算法，因此需要将形象的东西数值化并将判别公式 化。当时我在百度以各种关键词查询如何写一段 python 程序来判别峰值并进行 个数的计算。然而都没有好的方法。 最简单粗暴的回答是，寻找这个曲线的最大值和最小值，显然，这个方法是 行不通的，从上面的图可以看到，第二个峰并不是最大值，但它确实是一个峰。 图 2 寻找最大值和最小值确定波峰和波谷 然后我又查找了一下，有这么个方法，所谓峰值就是前后两个值都比当前的 值小，这样子的值便可以定义为峰值，并设计了代码如下： 

图 3 寻找极值作为峰值 这方法看上去很合理，可是在不平滑的曲线上会接连遇到问题，首选我们看 一下图 1，红色箭头指示的两个位置，一个是噪声（箭头 1），它符合前后的值都 小于它的条件，会被判别为峰，而另一个（箭头 2），由于最高峰位置是个平顶， 不符合前后都大于它，会被认为不是峰，这些均导致了上述方法也行不通！ 图 4 有噪声不规则曲线判别存在的问题 为了消除噪声被误判为峰，我们需要设定一个阈值，大于该阈值的才会被确 认为峰值，避免噪声也被判为峰。 图 5 阈值设置 

而对于平顶的情况，处理起来比较复杂，我们先一步一步说明。除了平顶的 情况，按照上面的判别算法，即便设置了阈值，如果在一个峰的顶部有尖峰，也 会被判为一个峰，如果有几个尖峰，就一个就变成了几个。 图 6 尖峰导致错判 面对平顶或者有尖峰的情况，最好的办法就是将粗糙的曲线进行平滑。下图 可以看到，经过平滑后情况便好了很多。 图 7 进行曲线平滑的情况 基本平滑以后可以防止上述错误的出现，但为了保险起见（主要防止平顶和 尖峰在平滑后还是存在），我们可以认为大于阈值的比前后都大的值以及与前或 后都值相同的都是峰，然后设置峰的宽度，目的是保证在这个宽度内的所有尖峰 都视同是同一个峰。 总的来说，就是先进行曲线平滑，然后设置阈值和峰宽度，然后寻找符合阈 

值的极值和平顶值，在根据峰的宽度看这些值是否在宽度内，如果在宽度内将被 认为是同一个峰。我试了一下基本都可以。以下是程序（注意：输入的曲线我当 时是用了已经归一化的曲线，所以值是在 0-1 范围）： ###对信号(signal)进行均值滤波，滤波窗口大小为 window_size ###要求信号(signal)是一个列表(list) def gen(l, window_size): index = 0 ans = 0 times = 0 while True: while index < window_size: ans += l[times + index] index += 1 yield float(ans) / float(window_size) ###Reset index = 0 ans = 0 times += 1 def mean_filter(signal, window_size): window_size =8 temp = gen(signal, window_size) filtered = [] for i in range(len(signal) - window_size): filtered.append(next(temp)) return filtered def find_peak(filtered_signal, length_data, thre, peak_width): l=[]; for i in range(1, length_data - 1): # 在整个 B 的长度内找出极值 if filtered_signal[i - 1] < filtered_signal[i] and filtered_signal[i] > filtered_signal[i + 1] and filtered_signal[i] > thre: # 找出极值，并设置阈值，这里阈值设为 20 l.append(i); # 找出极值的位置 elif filtered_signal[i] == filtered_signal[i - 1] and filtered_signal[i] > thre: l.append(i); # 最高点前后可能有相等的情况 CC = len(l) # 统计极值有几个，如果有两条线，就会有两个，如果有一条线就只有一 个 # print(CC) 

# print(l) cou = 0 for j in range(1, CC): if l[j] - l[j - 1] < peak_width: # 此判断用于将位于同一个峰内的极值点去除 cou = cou + 1 rcou = CC - cou return rcou def main(): signal = D window_size =8 filtered_signal = mean_filter(signal, window_size) plt.plot(filtered_signal) plt.show() length_data = len(filtered_signal) thre = 0.3 #峰的阈值高度，只有高于此值才算一个峰，否则算是噪声波动，建议这个值 在均值之上 peak_width =20 #为了避免一个峰内出现几个尖峰而导致被判别为多个峰，这里设定峰 的宽度，在此宽度内均认为属于同一个峰 rcou = find_peak(filtered_signal, length_data, thre, peak_width) print(rcou) if __name__ == "__main__": main()