Правильная аппроксимация кривой для графиков интенсивности ⇐ Python

[Anonymous]

Я провожу анализ изображения, анализируя гистограмму значений интенсивности.
Я получаю похожие графики (2 острых пика и один плоский пик в определенном порядке).
Я пробовал смоделировать его, используя смесь гауссовых, но результаты не очень хорошие. Я приложил изображения для справки. После анализа BIC Scores я обнаружил, что колено возникает тогда, когда я устанавливаю число гауссиан равным 4.
Из 5 опробованных случаев следующие 2 дали хорошие результаты:



Однако следующие 3 из них были неверными с точки зрения результатов:
[img]https://i. sstatic.net/F0MdntnV.png[/img]



Существуют ли альтернативные/лучшие методы аппроксимации кривых?
Я попробовал изменить параметры Гаусса или подавить резкость интенсивности, применив к изображению средний фильтр и затем построив графики. Все равно не помогло.
Я пробовал следующие подходы:
Подбор кривой для n обнаруженных пиков и различной интенсивности
Я ищу для 3 разных кривых: одна для двух пиков, которые появляются ближе к концу, одна для части плато в начале и, возможно, 1 кривая с высокой дисперсией и низким весом для других шумов.
Любое решение, использующее традиционные методы CV ИЛИ методы машинного обучения, приветствуется.
Изменить:
Источник гистограмм
Я анализирую сгенерированные гистограммы после сегментации кишечника по модели сегментации на изображениях 3D-КТ. Для почти 100 изображений я получаю аналогичные кривые при ручном осмотре.
Первое плато — это жир, первый пик впереди — это распределение содержимого, а следующий следующий пик — это распределение кишечной стенки. Ось X представляет собой линейную функцию значений HU (полевой единицы гончих).

Подробнее здесь: https://stackoverflow.com/questions/790 ... sity-plots