我相信你现在已经有足够的信息了，但我忍不住建议使用k-均值聚类方法。k-means是一种无监督聚类算法，它将你的数据(在任何维度上-我碰巧在3D中这样做)，并将其排列成k个具有明显边界的聚类。这里很好，因为你确切地知道这些犬齿应该有多少脚趾。

此外，它是在Scipy中实现的，非常好(http://docs.scipy.org/doc/scipy/reference/cluster.vq.html)。

下面是它在空间上解析3D集群的一个例子:

你想要做的有点不同(2D，包括压力值)，但我仍然认为你可以尝试一下。

也许你可以使用高斯混合模型。这是一个用于执行GMMs的Python包(刚刚进行了谷歌搜索) http://www.ar.media.kyoto-u.ac.jp/members/david/softwares/em/

只是想告诉你们，有一个很好的选项可以用python在图像中找到局部最大值:

from skimage.feature import peak_local_max

或者对于skimage 0.8.0:

from skimage.feature.peak import peak_local_max

http://scikit-image.org/docs/0.8.0/api/skimage.feature.peak.html

如果你一步一步地进行:你首先找到全局最大值，如果需要处理周围的点，然后将找到的区域设置为零，然后对下一个重复。

我不确定这是否回答了问题，但似乎你可以只寻找n个没有邻居的最高的山峰。

这是要点。注意，它是用Ruby编写的，但其思想应该很清楚。

require 'pp'

NUM_PEAKS = 5
NEIGHBOR_DISTANCE = 1

data = [[1,2,3,4,5],
        [2,6,4,4,6],
        [3,6,7,4,3],
       ]

def tuples(matrix)
  tuples = []
  matrix.each_with_index { |row, ri|
    row.each_with_index { |value, ci|
      tuples << [value, ri, ci]
    }
  }
  tuples
end

def neighbor?(t1, t2, distance = 1)
  [1,2].each { |axis|
    return false if (t1[axis] - t2[axis]).abs > distance
  }
  true
end

# convert the matrix into a sorted list of tuples (value, row, col), highest peaks first
sorted = tuples(data).sort_by { |tuple| tuple.first }.reverse

# the list of peaks that don't have neighbors
non_neighboring_peaks = []

sorted.each { |candidate|
  # always take the highest peak
  if non_neighboring_peaks.empty?
    non_neighboring_peaks << candidate
    puts "took the first peak: #{candidate}"
  else
    # check that this candidate doesn't have any accepted neighbors
    is_ok = true
    non_neighboring_peaks.each { |accepted|
      if neighbor?(candidate, accepted, NEIGHBOR_DISTANCE)
        is_ok = false
        break
      end
    }
    if is_ok
      non_neighboring_peaks << candidate
      puts "took #{candidate}"
    else
      puts "denied #{candidate}"
    end
  end
}

pp non_neighboring_peaks

也许一个简单的方法在这里就足够了:建立一个平面上所有2x2正方形的列表，按它们的和排序(降序)。

首先，在你的“爪子列表”中选择价值最高的方块。然后，迭代地选择4个次优正方形，这些正方形不与之前找到的任何正方形相交。