assess op• 資料種類:flow2d → table
• 呼叫: import fullseye as fs; fs.ledger.piv_peak_locking(flow, bins=20)(要直接呼叫實作,import pivops; pivops.piv_peak_locking(flow, bins=20);從台帳取用則 opspiv.get("piv_peak_locking"))
• GPU:無(僅 CPU 參考實作)
峰值鎖定的強度：小數部分的分布偏離均勻分布的程度。
當小數部分為 0 或 0.5 時，子像素估計值傾向於真實位移。偏差（由於相關峰值的形狀和擬合函數的形狀不同）教科書系統錯誤）。 如果流量不均勻，小數部分應接近均勻分佈，測量與那裡的偏差。
索引“c0”是与样本大小无关的卡方偏差： sum((n_i - n_bar)^2 / n_bar) / (2*bins - 1)。對於結合了兩個組件的 2*bins 類，如果我們從均勻分佈中抽取樣本，我們會得到期望值是1，所以如果在1左右，就無法與uniform區分開來。 越大，偏差越大。
★ 然而，此指標假設真實位移的小數部分是均勻的。窗戶數量在位移很少或變化緩慢的場中，真實值本身 c0 也會變大
（實測：線性燈真實值為82－視窗網格只有19列，小數部分離散。）。因此，透過與相同輸入的真實值進行比較來讀取c0。
确诊是分开的 —— 将均匀平移的小数部分从0缩放到0.9，查看估計值是否位於對角線上。實測（win=32，密度0.02）：
高斯3 0.0037 像素 0.0088 像素拋物線 0.0104 像素 0.0151 像素質心 0.2259 像素 0.3701 像素
centroid 將真實值 0.1 回答為 0.02，將 0.9 回答為 0.98 — 吸引到一個整數就像教科書上的S形。 確認應該出現的結果出現了，这不是实现的问题（这就是为什么所有三个都保留在原处）。
參數：
流程：（2，h，w）。
bins：小數部分中直方圖類別的數量。
返回：
dict：c0（兩個元件的索引組合），hist（（2，bins）），
“frac_mean”/“frac_std”、“bins”。
• 範例資料目錄(下載 URL / 授權) —— 2-D 用 skimage.data(BSD/公有領域)加合成圖,3-D 給出真實資料源(Stanford/PDS 等)的下載 URL。
• 運算子來歷與參考文獻 —— 該運算子族所依據的研究/方法出處。
• 演算法的正典(作者、年份)與用途見上面的族使用指南。
• piv_field_analysis_tour — py -3.11 examples/piv_field_analysis_tour.py
• poc_battery_electrode_breathing — py -3.11 examples/poc_battery_electrode_breathing.py
table 作為輸入)—
assess)piv_sample_at_windows · piv_error_stats · piv_time_statistics
*Provenance: pivops.py — PIV 運算子登記表。本條目由 tools/opdocs.py md 自動產生(請勿手動編輯)。*
© 2026 Kazufumi Furuse — Fullseye operator documentation. Licensed under Apache-2.0.