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。

我脑子里有几个想法:

取扫描的梯度(导数)，看看是否消除了错误的调用 取局部极大值的最大值

你可能还想看看OpenCV，它有一个相当不错的Python API，可能有一些你会发现有用的函数。

有趣的问题。我想尝试的解决方案如下。

应用一个低通滤波器，比如用二维高斯掩码卷积。这将给你一堆(可能，但不一定是浮点数)值。 使用每个爪垫(或脚趾)的已知近似半径执行2D非最大抑制。

这将为你提供最大的职位，而不是有多个候选人。澄清一下，第1步中蒙版的半径也应该与第2步中使用的半径相似。这个半径是可以选择的，或者兽医可以事先明确测量它(它会随着年龄/品种等而变化)。

建议的一些解决方案(均值漂移、神经网络等)可能在某种程度上是可行的，但它们过于复杂，可能并不理想。

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。

这里有一个想法:你计算图像的(离散)拉普拉斯量。我希望它在最大值处是(负的)大的，以一种比原始图像更引人注目的方式。因此，极大值更容易找到。

这里有另一个想法:如果你知道高压点的典型大小，你可以首先通过用相同大小的高斯函数卷积来平滑你的图像。这可能会让你更容易处理图像。

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