Fullseye の計測を 裏で支えている数学 を、第一級の op として表に出した族です。カメラ較正は最小二乗問題、ノイズ雲は共分散行列、主軸は固有ベクトル、歪みモデルは多項式、逆引きは補間 — measure / measure3d / camera の計測 op はすべてこの層の上で動いています。現在 4 分野 26 op(numpy + scipy のみ、台帳は opsmath.py):
mat_solve / mat_lstsq / mat_svd / mat_eigh / mat_pinv / mat_cond: 密行列の線形代数。数値の健全性の見張り役(mat_cond)を隠さず明示。stat_describe / stat_histogram / stat_covariance / stat_correlation / stat_zscore: 残差・ノイズの特徴づけ。interp_linear / interp_cubic / poly_fit / poly_eval / poly_roots: 較正曲線とその逆引き。cplx_contour_circle / cplx_poly_eval / cplx_contour_integral / cplx_winding_number / cplx_cauchy_value / cplx_argument_principle / cplx_laurent_coeffs / cplx_joukowski / cplx_mobius / cplx_cr_residual: 複素解析の 計算可能な切り口。閉曲線を点列として持つだけで、Cauchy の積分公式・偏角の原理(零点と極を数える)・Laurent 係数/留数・古典的な等角写像がすべて numpy の和に落ちます。op は Python の関数を呼び戻さない(輪郭上の f は呼び手がサンプルする)ので、式でも実測データ(位相画像・伝達関数)でも同じ形で扱えます。データ種は画像ではなく数値配列: matrix(厳密に 2-D)、signal(厳密に 1-D)、標本集合は (N, D)(行 = 観測、列 = 変数)。table(dict)・pairs(counts, edges)・measurement(スカラ)・roots(complex 配列)を返す op もあります。FFT / 複素演算(complexops / volfreq / dsp)、1-D フィルタ(dsp / funct1d)、幾何フィット(measure / measure3d / pcseg)、codegen 参照実装の数値計算(algo)は既存モジュールの持ち場なので、ここには 重複させていません。
全 op が入力を検証してから計算します(2026-08 の敵対監査で確定したバグ族を、黙って通さず明示拒否):
ValueError — float64 への強制変換は虚部を黙って捨てる(numpy は ComplexWarning だけ出して「もっともらしく間違った」実数を返す)。.real / .imag / abs() を明示するか、複素対応の complexops を使う。cplx_* 族だけ — こちらは虚部こそがデータなので複素(実数も昇格して)を受けます。代わりに str/bytes を拒否(numpy は "0" を 0 と解釈してしまう)、そして op の内部で溢れた結果(Inf/NaN)も ValueError: 「積分が発散した」と「float64 が尽きた」は別の主張なので、後者を前者の顔で返さない。ValueError — マスクを剥がして下の生値を使う暗黙変換を拒否。ValueError(非有限の件数を明示して拒否)。ValueError。stat_histogram の bins は mathops.MAX_ELEMENTS(2^26 ≈ 6700 万要素)超で ValueError。ValueError。深度カメラで平面(定盤)を測る計測ワークフロー(検証済み examples/math_metrology.py そのもの)。フィット → 残差統計 → 主軸化 → 較正 → 逆引きと、データ種が matrix/signal → table → matrix → table → signal で繋がります。
flowchart LR
A[点群 x,y,z] -->|設計行列 A| B[mat_lstsq 平面フィット]
B -->|残差 z - Ax| C[stat_describe / stat_histogram / stat_zscore]
A -->|2D ノイズ雲| D[stat_covariance]
D -->|対称 PSD 行列| E[mat_eigh 主軸・楕円]
B2[較正データ r, r_meas] --> F[poly_fit 3次]
F -->|coeffs| G[poly_eval 往路 / poly_roots 逆算]
B2 --> H[interp_linear / interp_cubic 逆引き表]
族の内部構造(裏の共有機構)。mat_cond は linalg 全体の健全性の見張り、SVD は mat_lstsq / mat_pinv / mat_cond / poly_fit(Vandermonde の条件数)の共通土台です。
flowchart TB
SVD["SVD(gesdd)"] --> LSQ["mat_lstsq(gelsd)"]
SVD --> PINV["mat_pinv(rcond 明示)"]
SVD --> COND["mat_cond = smax/smin"]
COND -.->|"log10(cond) 桁が消える"| SOLVE["mat_solve(gesv LU)"]
COND -.->|"Vandermonde 条件数を記録"| PF["poly_fit"]
COV["stat_covariance(対称 PSD)"] --> EIGH["mat_eigh(syevd・対称限定)"]
COV --> CORR["stat_correlation(定数列は拒否)"]
呼び出しは直接呼び: import mathops; mathops.mat_lstsq(A, b)(または opsmath.get("mat_lstsq"))。HALCON 対応は各 op ノート参照(linalg は Matrix 章、記述統計は Tuple 章が相当。共分散・相関・多項式フィット・求根は HALCON に公開 tuple op が無く、較正内部に隠れているものをここでは明示 op 化)。
(a, b) — 正方系 A x = b を LU(LAPACK gesv)で解く。厳密に特異なら ValueError。準特異は「解けてしまう」のが罠: 解は log10(cond(A)) 桁を失うので、先に mat_cond を見る。過剰決定系は mat_lstsq へ(エラーメッセージも誘導)。(a, b, rcond=None) — 過剰決定系 A x ≈ b の SVD 最小二乗(gelsd)。m >= n 必須(劣決定系は拒否 → 最小ノルム解は mat_pinv の仕事)。戻りは dict {x, residual_ss, rank, singular_values} — フィットと健全性テレメトリを不可分に返す。rank < n は「データがパラメータを決め切れていない」印。(a, full_matrices=False) — 特異値分解 (U, s, Vt)(s は降順)。既定は thin SVD。符号の罠: 特異ベクトル対は符号(縮退ブロック内は回転)まで しか決まらない — 検証は s や U diag(s) Vt で行い、U/Vt の生の値を比較しない。(a) — 対称行列専用(検証つき)の固有分解(syevd)。max|A - A.T| がスケールの 1e-10 を超えると ValueError — 非対称行列を対称ソルバに食わせると片三角だけ読んで「もっともらしく間違う」+ 複素固有値をこの実数 API は表現できない、の二重の罠を fail-closed。ノイズで非対称なら (A + A.T)/2 を明示。戻りは昇順 w と列固有ベクトル V。固有ベクトルにも符号不定あり。(a, rcond=1e-12) — Moore-Penrose 擬似逆行列。カットオフ rcond(= 正則化そのもの)を隠さず名前付き引数に。任意の (m, n) で動き、m > n は最小二乗解、m < n は最小ノルム解。(a) — スペクトル条件数 smax/smin。族全体の数値カナリア: ~1e3 は快適、~1e8 で半分の桁が消え、> 1e12 では mat_solve を信じない(厳密特異は raise ではなく inf を返す — 「どれだけ悪条件か」への正直な答え)。(x) — 1-D 標本の要約 dict {n, mean, std, min, max, percentiles{p5..p95}}。std は母集団版(ddof=0)。計測では裾が重要: RMS で合格でも p5/p95 で不合格のフィットがある — 両方報告する。(x, bins=10, range=None, density=False) — ビニングを明示したヒストグラム。戻りは (counts, edges)(edges は bins + 1 個)。明示 range の外の値は どのビンにも数えられない(比較目的なら range 明示が正直)。density=True で全標本が range 外なら 0/0 になるため ValueError(density=False は正直な全ゼロを返す)。(x) — (N, D) 観測(行 = 観測。np.cov の既定とは転置の関係)の標本共分散 (D, D)。不偏 ddof=1 なので N >= 2 必須。構成的に対称 PSD → そのまま mat_eigh に渡せる(共分散楕円ワークフロー)。(x) — Pearson 相関行列。対角は厳密に 1、値は [-1, 1] にクリップ。定数列(分散ゼロ)は列番号を名指しして ValueError — 0/0 の NaN を 3 op 下流に流さない。落とす/揺らすは呼び手が明示。(x) — 標準化 (x - mean)/std(ddof=0)。外れ値ゲートの共通通貨(|z| > 3)。定数入力は ValueError — 黙って全ゼロを返すと「全点が完璧に平均的」となり、一定値に張り付いたセンサが外れ値ゲートを素通りしてしまう。(x, y, xq, out_of_range="raise") — 区分線形補間。x は厳密に単調増加(未ソート・重複は 黙ってソートせず ValueError — 黙ったソートは x と y を脱同期させる)。範囲外は明示選択: 既定 'raise'(較正表を較正範囲外で引くのは誤答予備軍)、'clamp' で端値保持。黙った線形外挿モードは意図的に無い。(x, y, xq, out_of_range="raise", bc_type="not-a-knot") — 3 次スプライン(scipy.interpolate.CubicSpline、C² 滑らか、4 点以上)。既定 'not-a-knot' は大域 3 次多項式を厳密に再現(テストが pin する性質)。スプライン外挿は 3 次で発散するため範囲外は同じく拒否。正直な注記: ノード間でオーバーシュートしうる(形状保存ではない)— 単調性が要るなら PCHIP 系(ここには無い、と明記)。(x, y, degree) — Vandermonde 行列の SVD 最小二乗フィット。戻り dict {coeffs(最高次から), degree, cond, rms_residual} — フィットと健康診断を不可分に。cond > POLY_COND_WARN(1e10)で RuntimeWarning かつ数値も結果に同梱。高次 × 生座標は二重の罠(Vandermonde 列の近共線 + Runge 振動)— x を [-1, 1] へ中心化・スケールするか次数 ≤ ~6 に。degree + 1 点未満(劣決定)は拒否。(coeffs, x) — Horner 法(np.polyval)で評価。係数は最高次から(poly_fit の "coeffs" そのまま)。スカラ入力はスカラ、配列は float64 を返す。評価は正しくできても悪条件なフィットは直せない(poly_fit の cond を見る)。(coeffs, real_only=False, imag_tol=1e-9) — companion 行列の固有値として全根(複素含む)を決定的順序(実部→虚部)で返す。x² + 1 の根は本当に ±i — 隠すと多項式を偽ることになる。real_only=True で実根のみ float64(空も正解: x² + 1 に実根は無い)。先頭係数 0 は「宣言次数が嘘」なので ValueError(明示 trim を要求)。高次・接近根の条件数悪化(Wilkinson)にも正直な注記あり。輪郭は 複素点の 1-D 配列(cpoints)、閉じる辺は暗黙(先頭点を末尾で繰り返さない)。向きが答えの符号そのものなので orientation は明示引数です。
flowchart LR
C[cplx_contour_circle 閉曲線] --> P[cplx_poly_eval 輪郭上で f をサンプル]
P --> I[cplx_contour_integral ∮f dz]
P --> AP[cplx_argument_principle 零点-極の数]
P --> CV[cplx_cauchy_value 内部の値 f w]
P --> L[cplx_laurent_coeffs 係数・留数]
C --> W[cplx_winding_number 巻き数]
C --> J[cplx_joukowski / cplx_mobius 等角写像]
IMG[cx_fft などの複素場] --> CR[cplx_cr_residual 正則性の残差]
(center=0, radius=1, n=256, orientation="ccw") — 積分路の標準形。n は MAX_CONTOUR_POINTS(2^22)で頭打ち(n=10**9 を 16 GB の確保にしない)。正直な限界: これは円の多角形近似で、弦の求積は O(n^-2)。(coeffs, z) — poly_eval の複素版(Horner)。poly_eval は複素を意図的に拒否する(虚部の黙った切り捨て)ので、輪郭上のサンプルはこちらで作ります。溢れた結果は ValueError。(z, fz) — 弦の台形則による ∮f dz。GT: ∮dz/z = 2πi(実測 n=256 で相対誤差 1.0e-4、n=1024 で 6.3e-6 = 2 次収束)。時計回りなら符号が反転します。(z, w=0) — 巻き数(整数)。輪郭上の点は ValueError、1 辺が半回転以上を張る(= 粗すぎ)場合も ValueError。π/2 を超えたら RuntimeWarning: 数え落としは原理的に検出できない(z⁵ を 4 点円で数えると 1)ので、分点を倍にして安定するまで確かめるのが唯一の検算です。(z, fz, w) — 境界の値から内部の値を復元。巻き数で割るので時計回り・二重巻きでも同じ答え。外の点(巻き数 0)と、輪郭から 1 標本刻み以内の点は ValueError(積分の峰が解像されていない)。(z, fz) — 微分も求根もせず Z - P を数える(像曲線の原点まわりの巻き数)。差しか出ない(零点と極は分離できない)/ 単純・正の向きの輪郭でのみ Z - P に一致 / 粗いと低く数える、の 3 点を正直に。(z, fz, kmin=-1, kmax=4) — 一様サンプルの円限定(任意の輪郭では拒否)。c₋₁ が留数、k >= 0 は Taylor 係数。円上の台形則は指数収束します。標本の順序を使わないので常に正の向きの係数を返す(cplx_contour_integral は向きで符号が変わる)— 突き合わせるときは向きを揃えてから。(z, c=1.0) — w = z + c²/z。単位円 → 実軸線分 [-2c, 2c](w = 2c cos t、厳密)、半径 R の円 → 半軸 R ± c²/R の楕円、z = c を通るずらした円 → 尖った後縁の翼型。(z, a, b, c, d) — (az+b)/(cz+d)。円と直線を円と直線に写す。ad - bc ≈ 0(定数写像に潰れる)と極 z = -d/c は ValueError。(f, spacing=1.0) — 標本場の Cauchy-Riemann 残差(0 = 正則、2 = 共役)。行が虚部の増える向きという規約が答えの符号を決めます(画像配列は行が下向きなので、そのまま渡すと共役を測って 2 が出ます — f[::-1] で反転)。中心差分は 2 次まで厳密(z² は 0)、それ以上は O(h²) の床(実測: z³ で h=0.05 のとき 1.7e-3、h/2 で 4.2e-4)。repo 直下で py -3.11 の対話環境か、PYTHONPATH に repo を通して実行。フィット厳密復元・PSD/直交性・SVD⇔固有値の交差検証・fail-closed(範囲外拒否)を数値で確認して PASS を出します(本ガイド作成時に実行し PASS を確認済み。16 op 全てを通すフル版は py -3.11 examples/math_metrology.py)。
import numpy as np
import mathops as M
# GT: 直線 y = 2x + 1(ノイズ無し・決定的)を最小二乗で厳密復元
x = np.linspace(0.0, 1.0, 21)
y = 2.0 * x + 1.0
A = np.column_stack([x, np.ones_like(x)]) # (21, 2) 設計行列
fit = M.mat_lstsq(A, y) # SVD 最小二乗(健全性テレメトリ付き)
assert np.allclose(fit["x"], [2.0, 1.0], atol=1e-12) and fit["rank"] == 2
assert M.mat_cond(A) < 1e2 # 条件数を必ず見る(健全)
assert fit["residual_ss"] < 1e-24 # ノイズ無しデータ → 残差ゼロ
d = M.stat_describe(y - A @ fit["x"]) # 残差統計: 実質ゼロ
assert d["n"] == 21 and abs(d["mean"]) < 1e-12
# 共分散 → 固有分解(主軸): 相関のある 2 変数の雲(seed 固定・決定的)
rng = np.random.default_rng(0)
u = rng.standard_normal(500)
cloud = np.column_stack([u, 0.5 * u + 0.1 * rng.standard_normal(500)])
C = M.stat_covariance(cloud) # (2,2) 対称・半正定値
w, V = M.mat_eigh(C) # 対称行列専用(対称性を検証してから解く)
assert w[0] >= -1e-12 # PSD → 固有値は非負
assert np.allclose(V.T @ V, np.eye(2), atol=1e-12) # 固有ベクトルは正規直交
assert M.stat_correlation(cloud)[0, 1] > 0.9 # 強い正相関(構成通り)
assert np.abs(M.stat_zscore(cloud[:, 0])).max() < 5.0 # 正規サンプルの z-score
# SVD 交差検証: centered データの s^2/(N-1) は covariance の固有値と一致
centered = cloud - cloud.mean(axis=0)
_, s, _ = M.mat_svd(centered)
assert np.allclose(sorted((s ** 2) / (cloud.shape[0] - 1)), w, rtol=1e-10)
# 較正曲線: y = 0.15 x^3 + x を 3 次 poly_fit で厳密復元(条件数もその場で確認)
pf = M.poly_fit(x, 0.15 * x ** 3 + x, 3)
assert np.allclose(pf["coeffs"], [0.15, 0.0, 1.0, 0.0], atol=1e-9)
assert pf["cond"] < M.POLY_COND_WARN # 1e10 を超えると RuntimeWarning
assert abs(M.poly_eval(pf["coeffs"], 0.5) - (0.15 * 0.125 + 0.5)) < 1e-12
r = M.poly_roots([1.0, 0.0, 1.0]) # x^2 + 1 = 0 → ±i(複素も正直に返す)
assert np.allclose(sorted(r.imag), [-1.0, 1.0], atol=1e-12)
assert M.poly_roots([1.0, 0.0, 1.0], real_only=True).size == 0 # 実根は無し(空が正解)
# 補間: 範囲外クエリは既定で ValueError(clamp は明示指定)
tbl_x = np.array([0.0, 1.0, 2.0, 3.0])
tbl_y = tbl_x ** 2
assert M.interp_linear(tbl_x, tbl_y, 1.5) == 2.5 # 区分線形: (1+4)/2
assert abs(M.interp_cubic(tbl_x, tbl_y, 1.5) - 2.25) < 1e-12 # 3 次多項式は厳密再現
try:
M.interp_linear(tbl_x, tbl_y, 9.0) # fail-closed(外挿は既定拒否)
raise AssertionError("out-of-range must raise")
except ValueError:
pass
assert M.interp_cubic(tbl_x, tbl_y, 9.0, out_of_range="clamp") == 9.0 # 端値を保持
# ヒストグラム: 度数和 = サンプル数(明示ビニング)
counts, edges = M.stat_histogram(cloud[:, 0], bins=12)
assert int(counts.sum()) == 500 and edges.size == 13
print("PASS")
最小二乗(mat_lstsq)と擬似逆行列(mat_pinv)は同じ問題の二つの顔:
条件数(mat_cond)と「消える桁数」(Golub & Van Loan §2.6 — mat_solve を信じてよいかの判定):
標本共分散(stat_covariance、ddof=1)と Pearson 相関(stat_correlation)、z-score(stat_zscore、ddof=0):
多項式(poly_fit / poly_eval、係数は最高次から)と、そのフィットの条件数(Vandermonde 行列 $V_{ij} = x_i^{\,d-j}$ の $\kappa_2$ — POLY_COND_WARN = 1e10 超で警告):
この族の入力は画像ではなく数値配列なので、seed 固定の合成データ + 解析的グラウンドトゥルース(真の係数・真の固有値・厳密根)がそのまま最良のテストデータです — 上の最小例と examples/math_metrology.py がその作り方の見本(平面 + 既知ノイズ、回転楕円雲、樽型歪み風の較正曲線)。実測データに繋ぐなら、measure / measure3d の出力(残差列・点群座標)をそのまま signal / (N, D) として渡せます。画像系サンプルの台帳は ../../SAMPLES.md。
台帳は ../../../REFERENCES.md。この族の数値解析の古典(各 op の docstring が引用しているもの):
mat_cond / mat_solve の警告の根拠)。gesv / gelsd / gesdd / syevd(linalg 族の実体)。poly_fit の次数警告の根拠)。poly_roots の注記の根拠)。stat_correlation)。interp_cubic)。cplx_cauchy_value / cplx_argument_principle)。cplx_laurent_coeffs)。cplx_joukowski)。© 2026 Kazufumi Furuse — Fullseye operator documentation. Licensed under Apache-2.0.