derivative op• 데이터 종류: gradient → voxel
• 호출: import fullseye as fs; fs.ledger.gradient_coherence(gradient, sigma=1.5, eps=1e-12)(구현을 직접 호출하려면 import reprconv; reprconv.gradient_coherence(gradient, sigma=1.5, eps=1e-12), 원장에서 가져오려면 opsreprconv.get("gradient_coherence"))
• GPU: 없음(CPU 참조 구현만)
3-D 기울기 → 구조 텐서의 면다움(코히어런스) voxel, 값 범위 [0, 1].
> 아래 상세 설명은 원문입니다 —— 요약과 제목은 번역되어 있습니다.
各 voxel で勾配の外積 g gᵀ をガウス sigma で平均した構造テンソル J を作り、固有値 μ1 ≥ μ2 ≥ μ3 ≥ 0 から (μ1 − μ2) / (μ1 + μ2 + μ3 + eps) を返す(Westin の線形異方性を構造テンソルに当てたもの。Bigün & Granlund 1987、Westin 2002)。近傍の勾配が 1 方向にそろう(層・板・界面)と 1 に近づき、向きがばらばら(等方的なざらつき・塊)だと 0 に近づく。勾配の大きさには依らない(比なので)。平らで勾配の無い所は分母が eps だけになり 0 を返す。
gradient 型を一級の入力として受けるので、勾配の出どころ(gradient3d / sobel3d / 外部の微分可能レンダラ)を問わない。
Args:
gradient: gradient3d の (gmag, gvec) か sobel3d の (gz, gy, gx)。
sigma: 構造テンソルを平均するガウスの標準偏差 [voxel]。> 0。
eps: 分母の下駄(勾配ゼロの所で 0 を返すため)。> 0。
Returns:
(D, H, W) float64、[0, 1]。
Raises:
ValueError: 形が違う / 非有限 / sigma <= 0 / eps <= 0。
• 샘플 데이터 카탈로그(DL URL / 라이선스) —— 2-D 는 skimage.data(BSD/public)+ 합성, 3-D 는 실데이터 소스(Stanford/PDS 등)의 DL URL.
• 연산자의 내력·참고문헌 —— 이 연산자 족의 바탕이 된 연구/기법의 출처.
• 알고리즘의 정전(저자·연도)과 용도는 위의 패밀리 사용 가이드에 적혀 있습니다.
• type_connectivity_tour — py -3.11 examples/type_connectivity_tour.py
voxel 를 입력으로 받는 것)derivative)gradient_magnitude · hessian_determinant · hessian_vesselness
*Provenance: reprconv.py — REPRCONV 연산자 레지스트리. 이 op 노트는 tools/opdocs.py md 가 자동 생성합니다(직접 편집하지 마세요).*
© 2026 Kazufumi Furuse — Fullseye operator documentation. Licensed under Apache-2.0.