fullseye

同じ処理の別実装の突き合わせ(differential testing)

生成物 —— 手で直さない。生成器 tools/impl_differential.py(表は docs/impl_differential.json と tools/impl_differential_table.py から)。測り直しは py -3.11 tools/impl_differential.py --measure、門は tests/test_impl_differential.py。

同じ処理が実装ごとに別の名前で並んでいる組(canny / cv_canny / sk_canny / xkor_canny など)を、同じ入力・同じつまみ (a, b) で走らせて出力を比べた表。golden(過去の自分)ではなく実装どうしを比べる。命名整理 第 2 段(1 つの名前 + impl 引数)でまとめてよいかの前提になる。

数え方

docs/OP_INDEX.json の op 名を <接頭辞>_<語幹> に割り、語幹が同じで接頭辞だけ違う名前を 1 組にした(接頭辞の無い素の名前も組に入る)。接頭辞は実装・由来を表すもの 32 種だけ(vol_ mesh_ piv_ のような分野の接頭辞は数えない。一覧は末尾)。

  件数
語幹が同じ組(全部) 192
うち tb_X と台帳の X だけの組(同じ関数の別の入口、つまみの写し方の標本だけ見る) 156
うち実装どうしの組 36
実装どうしの対(3 実装の組は 3 対、4 実装は 6 対) 55

依頼時の目安は 172 組だったが、その数え方は再現できていない(ここの数え方では 192 = 156 + 36)。tb_ の 156 組のうち 150 組は naming_phase2/rename_plan.json の B と同じで、残り 4 組は台帳の X と同名の別の関数がレジストリにある名前の衝突(下の「tb_ の橋渡しの標本」)。

比べ方

結果の件数

分類 対の数
一致 8
近い 3
違う 34
片方が落ちる 0
未検証 0
比較不能 10
段 2 での扱い(組ごと) 組の数
まとめてよい 4
一部まとめてよい 2
つまみを揃えればまとめてよい 2
近似としてなら 1
まとめない 27

1 つの名前 + impl 引数にまとめてよい組(前の 3 種)= 8 組: bilateral、dog、gaussian、median、meijering、skeleton、smallest_rectangle1、unsharp。

組ごとの表

「内部」「端込み」「0〜255」は 0〜1 の全入力・全つまみでの最悪値。「揃えると」はつまみを揃えた点(下の節)の値。

語幹 対 分類 内部 端込み 0〜255 揃えると 原因 段 2
area_center area_center / xg_area_center 比較不能 — — — — 入出力の型が違う: region → match(面積の画素数・重心の行・列)と contour → feature(全輪郭の多角形の面積の和、靴ひも公式)。HALCON でも area_center と area_center_xld は別 op。xg_ の対になる XLD 版 area_center_xld も「最大の輪郭 1 本」と「全輪郭の和」で定義が違う まとめない —— region 版と contour 版(HALCON でも別 op)
bilateral bilateral / cv_bilateral 違う 0.055 0.05 0.00052 — 窓・カーネルの形: OpenCV の bilateralFilter(d = 5)は半径 2 の円の窓(21 画素)、core は 5×5 の正方形(25 画素)。core の式を円の窓にすると cv_ と内部 1.5e-7 で一致した(確かめた)。つまみの写し方は同じ 一部まとめてよい —— bilateral と xkor_bilateral は内部 3e-7 で一致。cv_bilateral は円の窓なので impl=’cv’ は「近い別実装」と書く
  bilateral / xkor_bilateral 一致 2.7e-07 0.071 1.26 — 独立な実装どうしの一致  
  cv_bilateral / xkor_bilateral 違う 0.055 0.054 1.26 — 窓・カーネルの形: xkor_ は core と同じ 5×5 の正方形、cv_ は半径 2 の円の窓。つまみの写し方は同じ  
canny canny / cv_canny 違う 0.803 — 0.803 — 定義の違い: core の canny は非極大抑制もヒステリシスも無い簡易版(σ = 0.5+1.5a でぼかした Sobel 強度を正規化して 0.1+0.5b で二値化 → 太いエッジ)。cv_canny は 8 bit の本物の Canny で、a, b が勾配の下・上しきい値(50〜150 / 100〜250) まとめない —— core の canny は非極大抑制の無い簡易版。本物の 3 実装もつまみの意味(σ かしきい値か)と尺度が違う
  canny / sk_canny 違う 0.771 — 0.793 — 定義の違い: core は非極大抑制の無い簡易版。sk_canny は本物の Canny で、a が σ = 0.5+2a、しきい値は skimage の既定  
  canny / xkor_canny 違う 0.78 — 1 — 定義の違い: core は非極大抑制の無い簡易版。xkor_canny は本物の Canny(5×5、σ = 1 固定)で、a, b が 0〜1 の勾配の下・上しきい値  
  cv_canny / sk_canny 違う 0.937 — 0.898 — つまみの写し方: どちらも本物の Canny だが、a の意味が違う(cv_ はしきい値、sk_ は平滑化の σ)。cv_ は平滑化なしの Sobel 3×3・8 bit・L1 勾配、sk_ は L2 勾配・しきい値は既定  
  cv_canny / xkor_canny 違う 0.509 — 1 — 定義の違い: a, b はどちらもしきい値だが尺度が違う(cv_ は 0〜255 の勾配で 50〜250、xkor_ は 0〜1 で 0.1〜0.7)。xkor_ は 5×5・σ = 1 の平滑化つき、cv_ は平滑化なし  
  sk_canny / xkor_canny 違う 0.941 — 1 — つまみの写し方: どちらも本物の Canny。sk_ は a が σ、しきい値は既定。xkor_ は σ = 1 固定、a, b がしきい値  
clahe clahe / cv_clahe 違う 0.611 0.877 1 — つまみの写し方: core の clahe は a がタイル数 2+int(3a) 枚四方、b が clip limit(ビン平均の 256^b 倍)。cv_clahe はタイル 8×8 固定・a が clipLimit = 1+4a・入力を 8 bit に落とす まとめない —— core の clahe はつまみの意味が違う。cv_clahe と xkor_clahe は同じ定義で 8 bit 量子化の差(最大 0.087)
  clahe / xkor_clahe 違う 0.612 0.877 ∞ — つまみの写し方: core はタイル数と clip limit を a, b で振る。xkor_clahe はタイル 8×8 固定、a が clip limit = 1+4a  
  cv_clahe / xkor_clahe 違う 0.087 0.086 1 — 量子化(8 bit): 定義もつまみも同じ(8×8、clip 1+4a)。差は cv_clahe が入力を 8 bit に量子化すること(タイルのヒストグラムと LUT の丸め)。48 px の画像は 1 タイル 6×6 画素で量子化が効き、最大 0.087  
clip_contours hx_clip_contours / xg_clip_contours 違う 0.632 — — — 名前だけ同じ別の処理: hx_ は画像の内側の矩形(上下 a×0.4H、左右 b×0.4W の余白)の外の点を消す。xg_ は最長の輪郭の a 倍より短い輪郭を丸ごと捨てる(長さで選別) まとめない —— 矩形で切る / 長さで選ぶ —— 別の処理
corner_harris cv_corner_harris / sk_corner_harris 違う 0.993 0.966 0.993 — 定義の違い: cv_ は blockSize 2 の箱の窓・Sobel 3・k = 0.04 で固定(a, b 未使用)。sk_ はガウシアンの窓 σ = 0.5+2a・k = 0.05。窓の形・k・微分の尺度が違う まとめない —— 窓の形・k・微分の尺度が違い、cv_ はつまみが無い
crop_contours hx_crop_contours / xg_crop_contours 違う 0.739 — — — 名前だけ同じ別の処理: どちらも中央の矩形の内側の点を残すが、窓が違う: hx_ は高さ (0.3+0.6a)H・幅 (0.3+0.6b)W、xg_ は高さ aH・幅 aW(b は未使用) まとめない —— 窓の決め方が違う
curvature_flow curvature_flow / xsitk_curvature_flow 比較不能 — — — — 入出力の型が違う: 台帳の curvature_flow はレベルセット φ(mask)を平均曲率流で動かして経過の表を返す。xsitk_curvature_flow は SimpleITK の CurvatureFlow で画像を平滑化する(image → image) まとめない —— レベルセットの曲線短縮流と画像の平滑化 —— 別の処理
dog dog / sk_dog 違う 1 1 1 5.6e-16 ✓ つまみの写し方: core は σ1 = 0.5+2a・σ2 = 1+4b、sk_dog は σ1 = 1 固定・σ2 = 1+3a。σ を揃えると(ALIGNED)内部は差 0(skimage の DoG も中で scipy の gaussian_filter を呼ぶ = 独立でない)。残る差は端の扱い(core は reflect、skimage は nearest)が画像全体の最大値で割る正規化を通して効く定数倍だけ つまみを揃えればまとめてよい —— σ を揃えると定数倍(端の扱いが正規化に効く分)を除いて一致。impl 引数にするなら σ の写し方を 1 つにする
  dog / xkor_dog 違う 1 1 ∞ 4.4e-06 ✓ つまみの写し方: xkor_dog は σ1 = 1.0・σ2 = 1.6 固定(a, b 未使用)。core を a = 0.25・b = 0.15 にすると(ALIGNED)内部は定数倍を除いて 4e-6 で一致(独立: scipy と kornia)。定数倍は端の扱いが正規化に効く分  
  sk_dog / xkor_dog 違う 0.513 0.513 1 4.4e-06 ✓ つまみの写し方: sk_dog を a = 0.2(σ2 = 1.6)にすると xkor_dog と定数倍を除いて 4e-6 で一致(ALIGNED)。定数倍は端の扱い(nearest と reflect)が正規化に効く分  
eccentricity eccentricity / xg_eccentricity 比較不能 — — — — 入出力の型が違う: region → match(HALCON の Anisometry / Bulkiness / StructureFactor、面積のモーメントから)とcontour → feature(輪郭点の共分散の固有値から sqrt(1 − λmin/λmax))。量も入力の型も違う まとめない —— region 版と contour 版で量も違う
elliptic_axis elliptic_axis / xg_elliptic_axis 比較不能 — — — — 入出力の型が違う: region → match(Ra, Rb, Phi)と contour → feature(輪郭点の共分散の固有値の比 sqrt(λmax/λmin)) まとめない —— region 版と contour 版で量も違う
felzenszwalb sg_felzenszwalb / sk_felzenszwalb 違う 1 — 1 — つまみの写し方: 同じ skimage.segmentation.felzenszwalb を別の引数で呼ぶ: sg_ は scale = 40+500a・sigma 0.5・min_size = 15+85b・境界 outer、sk_ は scale = 20+200a・sigma 0.8・min_size 20・境界 thick。sigma が固定で違うので、つまみを揃えても一致しない まとめない —— 同じ skimage 関数を別の固定引数(sigma・min_size・境界の取り方)で呼ぶ
full_domain hx_full_domain / it_full_domain 比較不能 — — — — 入出力の型が違う: hx_full_domain は全 1 の region(HALCON の定義域を全面に)、it_full_domain は画像をそのまま返す(image → image、numpy の配列は元から全面が定義域)。どちらも自明で、返す型だけが違う まとめない —— region を返すか画像を返すか(どちらも自明)
gabor gabor / hx_gabor 違う 0.717 0.567 ∞ — 定義の違い: どちらも a が向き θ = πa、L1 で割る固定尺度。包絡と周波数が違う: core は σ = 2・窓 15×15・周波数 0.1+0.3b、hx_ は σ = 2.2・窓 9×9・0.08+0.35b まとめない —— 包絡・周波数の範囲・つまみの役(向き / 周波数)が実装ごとに違う
  gabor / sk_gabor 違う 0.999 0.999 1 — つまみの写し方: つまみの役が入れ替わっている: core は a が向き・b が周波数、sk_gabor は a が周波数 0.1+0.3a・向きは 0 固定。sk_ は帯域幅 1 から σ を決め、実部の絶対値を画像ごとの最大で割る  
  hx_gabor / sk_gabor 違う 0.999 1 1 — つまみの写し方: hx_ は a が向き・b が周波数、sk_ は a が周波数・向き 0 固定。包絡・正規化も違う  
gaussian cv_gaussian / gaussian 一致 7.3e-05 0.505 7.3e-05 — 独立な実装どうしの一致 まとめてよい —— 3 実装が内部で一致(xkor_gaussian は 2026-11-03 に直して一致)。端は gaussian の b で選べる分だけ違う
  cv_gaussian / xkor_gaussian 一致 7.3e-05 0.095 1.72 — 独立な実装どうしの一致  
  gaussian / xkor_gaussian 一致 3.8e-07 0.527 1.72 — 独立な実装どうしの一致  
guided_filter dl_guided_filter / guided_filter 違う 0.358 0.353 1.26 — 名前だけ同じ別の処理: dl_guided_filter は本物の self-guided filter(局所線形モデル、r = 1+int(4a)、eps = 0.001+0.05b)。guided_filter は docstring が自認するとおり中身が bilateral_filter と同一(cv2.bilateralFilter)の代役で、guided filter ではない まとめない —— guided_filter の中身は bilateral。guided filter は dl_guided_filter だけ
height_width_ratio height_width_ratio / xg_height_width_ratio 比較不能 — — — — 入出力の型が違う: region → feature(画素の外接矩形)と contour → feature(輪郭点の座標の範囲、画素数より 1 小さい)。入力の型が違うので同じ入力で比べられない まとめない —— region 版と contour 版
hessian sk_hessian / xkor_hessian 違う 1 1 1 — 名前だけ同じ別の処理: skimage の filters.hessian は Frangi 系の管状度(σ = 1, 2, 3 の多重尺度、白い線で 0)。xkor_hessian は Sobel 5×5 の 2 階微分による Hessian の行列式 |Ixx Iyy − Ixy²| まとめない —— 管状度と行列式 —— 別の量
inpaint xcv_inpaint / xsk_inpaint 違う 0.747 0.747 2.35 — 定義の違い: 欠損の自動マスク(明るすぎ・暗すぎの画素)は同じ発想だが、埋め方が別のアルゴリズム: xcv_ は OpenCV の Telea(高速マーチング)、xsk_ は skimage の biharmonic。しきい値も xcv_ は 8 bit(>235 / <20)、xsk_ は float(>0.92 / <0.08) まとめない —— biharmonic と Telea —— 別のアルゴリズム
laplacian cv_laplacian / xkor_laplacian 違う 0.834 0.834 1 — 窓・カーネルの形: cv_ は 3×3 の 4 近傍カーネル [0,1,0;1,−4,1;0,1,0] 固定、xkor_ は kornia の laplacian(3×3 は 8 近傍 [1,1,1;1,−8,1;1,1,1]、a で窓 3〜9)。カーネルが違う まとめない —— 4 近傍と 8 近傍のカーネル
measure_pairs m1_measure_pairs / measure_pairs 比較不能 — — — — 入出力の型が違う: 台帳の measure_pairs は測定ハンドル(線の位置・幅)を受けてエッジの組の表を返す。m1_measure_pairs は中央の 1 本の線で明るい物体(立ち上がり→立ち下がりの組)の数を数える feature(b が相対振幅のしきい値) まとめない —— 台帳の測定ハンドル版と a, b 入口の数え上げ —— 別の入口
measure_pos m1_measure_pos / measure_pos 比較不能 — — — — 入出力の型が違う: 台帳の measure_pos は測定ハンドルを受けてエッジ位置の表を返す。m1_measure_pos は中央の線上のエッジ点を contour で返す まとめない —— 同上
median cv_median / median 違う 0.993 1.04 1.74 0.0039 ✓
0.0039 ✓
0.0039 ✓		 つまみの写し方: 窓の写し方が違う: cv_ は 3+2int(3a)、core は k(a) = (3,5,7,9)int(4a)。窓を揃えると(ALIGNED)差は cv の 8 bit 量子化の 1/255 だけ 一部まとめてよい —— median と xkor_median は内部で一致(端は reflect と 0 埋めで違う)。cv_median は窓の写し方と 8 bit が違う
  cv_median / xkor_median 違う 0.993 1.1 18 0.0039 ✓ つまみの写し方: xkor_median の窓は core と同じ k(a)。cv と窓を揃えると差は 8 bit 量子化の 1/255 だけ(ALIGNED)  
  median / xkor_median 一致 6.5e-08 1.02 1.74 — 独立な実装どうしの一致  
meijering sk_meijering / xsk_meijering 一致 0 0 1 — 独立でない: skimage.filters.meijering(sigmas=range(1, 4)) を両方が呼ぶ。xsk_ は入力を [0,1] に clip するだけ(0〜255 の入力でだけ違う)= 重複した op まとめてよい —— 同じ skimage 関数の重複。xsk_meijering は sk_meijering の別名にしてよい
orb_count xcv_orb_count / xsk_orb_count 違う 1 — 0 — 定義の違い: 別実装の ORB で、検出の既定(FAST のしきい値・ピラミッド・端の 31 画素の除外)が違う。OpenCV 版は edgeThreshold = patchSize = 31 なので 48 px の画像では 0 個になる。つまみは上限数だけ まとめない —— ORB の既定(端の除外・FAST)が違い、小さい画像で件数が大きく違う
otsu cv_otsu / otsu 近い 0.007 — 0.007 — 量子化(8 bit): 同じ大津法。cv_ は 8 bit に落としてから 256 段で切る、core は値の範囲を 256 ビンに分けてビンの上端で切る。ビンの境に画素が集まる滑らかな画像で 0.7 % の画素が入れ替わる 近似としてなら —— 同じ大津法。しきい値のビン内の位置と 8 bit 量子化で 1 % 前後の画素が入れ替わる
  cv_otsu / sk_otsu 近い 0.012 — 0.012 — 量子化(8 bit): 同じ大津法。skimage はビンの中心をしきい値にして v > t、cv_ は 8 bit の整数で切る  
  otsu / sk_otsu 近い 0.0052 — 0.0052 — 定義の違い: 同じ大津法でしきい値をビンのどこに置くかが違う: core は上端(argmax のビンに居る画素を背景に)、skimage は中心。core は 2026-09-26 に中心から上端へ直した(docs/hardening/otsu-threshold-at-the-bin-midpoint.md)  
regress_contours hx_regress_contours / xg_regress_contours 違う 0.997 — — — 名前だけ同じ別の処理: hx_ は輪郭ごとの直線当てはめの残差 RMS の平均を max(H, W) で割る(無次元)。xg_ は全輪郭の点をまとめた共分散の最小固有値の平方根(画素)。正規化も集め方も違う まとめない —— 正規化と集め方が違う
richardson_lucy iv_richardson_lucy / xsk_richardson_lucy 違う 0.887 1 1 — 定義の違い: 同じ Richardson–Lucy だが仮定する PSF が違う: iv_ は σ = 1.2(RL_SIGMA)のガウシアン、xsk_ は 3×3 の箱。反復回数の写し方も違う(iv_ 1+round(14a)、xsk_ 2+int(15a)) まとめない —— 仮定する PSF(ガウシアン / 3×3 の箱)が違う
sart_reconstruct sart_reconstruct / tm_sart_reconstruct 比較不能 — — — — 入出力の型が違う: 台帳の sart_reconstruct は sinogram と角度を受ける(反復 10 回の既定)。tm_sart_reconstruct は画像の行を角度とみなし、反復 1〜5 回・緩和 0.05〜0.4 を a, b に写した入口(skimage の iradon_sart) まとめない —— 台帳の sinogram 版と a, b 入口 —— 入口が違う(同じ名前で残すなら tm_ を別名に)
scharr cv_scharr / sk_scharr 違う 0.266 0.266 0.266 — 定義の違い: 勾配の合成が違う: cv_ は |Gx| + |Gy|(L1)、sk_ は sqrt((Gx² + Gy²)/2)(L2)。どちらも画像ごとの最大で割る まとめない —— 勾配の合成が L1 と L2
shape_index shape_index / sk_shape_index 比較不能 — — — — 入出力の型が違う: どちらも Koenderink の shape index だが、台帳の shape_index は点群(近傍 k 点の曲率)、sk_shape_index は画像の輝度面(Hessian の固有値) まとめない —— 点群版と画像版
skeleton sk_skeleton / skeleton 一致 0 — — — 独立でない: skimage.morphology.skeletonize を両方が呼ぶ。skimage が無い環境の skeleton は numpy_twins.skeletonize に落ち、それも探針の 2 枚で skimage と 1 画素も違わない(門で確かめる) まとめてよい —— 同じ skimage 関数(numpy の双子も一致)。sk_skeleton は skeleton の別名にしてよい
smallest_rectangle1 r2_smallest_rectangle1 / smallest_rectangle1 一致 0 — — — 独立・自明: 独立な numpy 実装 2 本(前景画素の行・列の最小・最大で塗る)。定義が自明なので差 0 は当然 まとめてよい —— 段 1 の C1(r2_smallest_rectangle1 → smallest_rectangle1 の別名)と同じ結論
tophat cv_tophat / tophat 違う 1 1 1 — 窓・カーネルの形: 構造要素が違う: cv_ は楕円で大きさ 3+2int(3a)、core は正方形で _k(a) = 3, 5, 7, 9(a の 4 分割)。既定 a = 0.5 で楕円 5×5 と正方形 7×7。同じ構造要素なら scipy と OpenCV は差 0(確かめた) まとめない —— 構造要素の形(楕円 / 正方形)と大きさの写し方が違う
unsharp unsharp / xkor_unsharp 違う 0.194 0.194 1 2.9e-07 ✓
2.5e-07 ✓
3.4e-07 ✓		 つまみの写し方: つまみの意味が違う: core は a が強さ 1.5a 倍・b が σ = 0.5+1.5b、xkor_ は強さ 1 固定(a 未使用)・b が σ = 0.5+2b。揃えると(ALIGNED)画像全体で 3e-7 で一致。2026-11-03 までは xkor_ の窓が 5×5 固定で揃えても一致しなかった(直した) つまみを揃えればまとめてよい —— xkor_unsharp の a を強さに繋げば core と一致する(今は a 未使用・強さ 1 固定)
wiener xsk2_wiener / xsp_wiener 違う 0.703 0.659 1 — 名前だけ同じ別の処理: xsk2_wiener は skimage の Wiener 逆畳み込み(5×5 のガウシアン PSF、σ = 0.5+1.5a を仮定)、xsp_wiener は scipy.signal.wiener の適応雑音除去(局所分散、窓 3+2int(3a))。名前の Wiener 以外は別物 まとめない —— 逆畳み込みと適応雑音除去 —— 別の処理

つまみを揃えた点

「差はつまみの写し方だけ」という見立てを、つまみを揃えて確かめた点。期待の量は score(内部の振れ幅比)/ affine(定数倍とずれを除いた残り)/ max_abs(内部の絶対差)。門(tests/test_impl_differential.py)が毎回確かめる。

対 a 側の (a, b) b 側の (a, b) 期待 実測  
cv_median / median (0, 0.5) (0, 0.5) max_abs ≤ 0.0039 0.0039 ✓
cv_median / median (0.4, 0.5) (0.4, 0.5) max_abs ≤ 0.0039 0.0039 ✓
cv_median / median (0.7, 0.5) (0.5, 0.5) max_abs ≤ 0.0039 0.0039 ✓
cv_median / xkor_median (0.7, 0.5) (0.5, 0.5) max_abs ≤ 0.0039 0.0039 ✓
dog / sk_dog (0.25, 0.25) (0.333333, 0.5) affine ≤ 1e-09 5.6e-16 ✓
dog / xkor_dog (0.25, 0.15) (0.5, 0.5) affine ≤ 5e-05 4.4e-06 ✓
sk_dog / xkor_dog (0.2, 0.5) (0.5, 0.5) affine ≤ 5e-05 4.4e-06 ✓
unsharp / xkor_unsharp (0.666667, 0) (0.5, 0) score ≤ 1e-05 2.9e-07 ✓
unsharp / xkor_unsharp (0.666667, 0.5) (0.5, 0.375) score ≤ 1e-05 2.5e-07 ✓
unsharp / xkor_unsharp (0.666667, 1) (0.5, 0.75) score ≤ 1e-05 3.4e-07 ✓

異常に良い一致の内訳

差がきっかり 0 の組は、両方が同じ下位関数を呼んでいるだけのことがある。独立な実装どうしの一致と区別する。

独立な実装どうしで一致した対(差が 0 でない = 別々に計算して同じ値になった): bilateral / xkor_bilateral(2.7e-07)、cv_gaussian / gaussian(7.3e-05)、cv_gaussian / xkor_gaussian(7.3e-05)、gaussian / xkor_gaussian(3.8e-07)、median / xkor_median(6.5e-08)。

tb_ の橋渡しの標本

tb_X は台帳の関数 X を op(v, a, b) に写した入口。つまみ k = 0 / 3/7 / 1(既定の 1/4・1・2 倍、範囲表の引数は lo + (hi−lo)k)で、台帳の関数を自分で呼んだ値と比べた。

結果 件数
一致 131
標本外 25

標本外(入出力の加工つきで独立な検算にならない): tb_arc_length、tb_box_sdf、tb_capsule_sdf、tb_cutout、tb_cylinder_sdf、tb_euclidean_cluster、tb_lf_depth_from_focus、tb_lf_epi_slope、tb_normals_to_egi、tb_plane_sdf、tb_plane_segmentation、tb_project_points、tb_radius_outlier_removal、tb_random_dropout、tb_random_rotation、tb_random_scale、tb_region_growing、tb_resample、tb_spectrogram、tb_specular_diffuse_split、tb_sphere_sdf、tb_statistical_outlier_removal、tb_temporal_band_power、tb_temporal_bandpass、tb_torus_sdf。

名前の衝突(台帳の X と同名の、別の関数のレジストリ op がある。tb_X は台帳の方と同じ関数): tb_companding_mu_law ↔ レジストリ companding_mu_law(image → image)、tb_highpass ↔ レジストリ highpass(image → image)、tb_local_std ↔ レジストリ local_std(image → image)、tb_lowpass ↔ レジストリ lowpass(image → image)。段 1 の C2(signal_* へ)と同じ組。

接頭辞(実装・由来を表すもの)

接頭辞 何の実装か op 数 住んでいるモジュール
cv_ OpenCV(backends) 29 backends 29
dc_ 分解(backends_decomp) 7 backends_decomp 7
deform_ 変形(backends_deform) 3 backends_deform 3
dl_ torch 実装(backends_dl) 2 backends_dl 2
f2_ フィルタ 第 2 回(backends_filters2) 10 backends_filters2 10
hx_ HALCON 拡張(backends_halcon_ext) 81 backends_halcon_ext 81
it_ 画像道具(backends_imgtools) 11 backends_imgtools 11
iv_ 逆問題(backends_inverse) 7 backends_inverse 6、ledger 1
m1_ 1-D 計測(backends_measure1d) 5 backends_measure1d 5
macro_ 自己拡張マクロ(backends_macro) 4 backends_macro 4
ph_ 物理(backends_physics) 6 backends_physics 6
r2_ 領域 第 2 回(backends_regions2) 11 backends_regions2 11
r3_ 領域 第 3 回(backends_regions3) 10 backends_regions3 10
sg_ 分割 第 2 回(backends_segment2) 7 backends_segment2 7
sk_ scikit-image(backends) 47 backends 47
sp_ サブピクセル(backends_subpix) 6 backends_subpix 6
tb_ 型付き台帳の関数の橋渡し(backends_typed) 163 backends_typed 163
tf_ 変換 第 2 回(backends_transform2) 12 backends_transform2 7、ledger 5
tm_ 断層(backends_tomo) 5 backends_tomo 5
xcv_ OpenCV 追加(backends_extra) 8 backends_extra 8
xcv2_ OpenCV 追加 2(backends_cv2b) 5 backends_cv2b 5
xcv3_ OpenCV 追加 3(backends_r3) 8 backends_r3 8
xg_ XLD 幾何(backends_xldgeom) 10 backends_xldgeom 10
xkor_ kornia / torch(backends_kornia) 12 backends_kornia 12
xmh_ mahotas(backends_r3) 10 backends_r3 10
xpil_ Pillow(backends_pil) 13 backends_pil 13
xsitk_ SimpleITK(backends_r3) 14 backends_r3 14
xsk_ scikit-image 追加(backends_extra) 13 backends_extra 13
xsk2_ scikit-image 追加 2(backends_ski2) 11 backends_ski2 11
xsk3_ scikit-image 追加 3(backends_r3) 15 backends_r3 15
xsp_ SciPy(backends_scipy) 11 backends_scipy 11
xwt_ PyWavelets(backends_r3) 9 backends_r3 9

測った環境

SimpleITK 2.5.6、cv2 5.0.0、kornia 0.9.0、mahotas 1.4.18、numpy 2.4.6、scipy 1.15.2、skimage 0.26.0、torch 2.11.0+cpu(win32)。値は optional 依存の版と OS で下の桁が揺れるので、測り直しは手で回す(この表の生成は JSON だけから決まる)。

This site is open source. Improve this page.