feat_image_vector — MULTIVAR `features` op

• 데이터 종류: images → table

• 호출: import fullseye as fs; fs.ledger.feat_image_vector(images=None, features=('mean', 'std', 'p01', 'p99', 'rms_contrast', 'michelson_contrast', 'grad_energy', 'laplacian_var'), data_range=None, unit='DN', roi=None) -> 'dict'(구현을 직접 호출하려면 import multivar; multivar.feat_image_vector(images=None, features=('mean', 'std', 'p01', 'p99', 'rms_contrast', 'michelson_contrast', 'grad_energy', 'laplacian_var'), data_range=None, unit='DN', roi=None) -> 'dict', 원장에서 가져오려면 opsmultivar.get("feat_image_vector"))

사용법

영상 -> 특징량 표 {"matrix" (N, F), "names", "units", ...}, 영상 1장이 1행.

> 아래 상세 설명은 원문입니다 —— 요약과 제목은 번역되어 있습니다.

The bridge from pictures to the multivariate ops: each image becomes a row of named numbers with units, ready for mv_pca / mv_pls / rsm_fit. Features (see FEATURES): mean, std, p01, p50, p99, rms_contrast, michelson_contrast, grad_energy, laplacian_var need no range; saturated_fraction, dark_fraction, entropy_bits need data_range=(lo, hi) — the range of the *sensor or format* (e.g. (0, 4095) for 12-bit), which the data cannot tell: the brightest pixel of a dim image is not the white level. It is therefore required, never inferred, and pixels outside it are refused (the range given is then wrong).

unit names the grey-level unit ("DN" by default) used in the unit strings. roi=(r0, r1, c0, c1) restricts every feature to that window (same for all images).

자세한 사용 가이드

• design_of_experiments 패밀리 가이드

참고(샘플 데이터·문헌)

• 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.

실행 가능한 예제(이 연산자를 실제로 호출하는 검증된 샘플)

• multivar_inspection_tour — py -3.11 examples/multivar_inspection_tour.py

타입이 이어지는 다음 연산자(`table` 를 입력으로 받는 것)

—

같은 카테고리(`features`)

—

*Provenance: multivar.py — MULTIVAR 연산자 레지스트리. 이 op 노트는 tools/opdocs.py md 가 자동 생성합니다(직접 편집하지 마세요).*

feat_image_vector — MULTIVAR features op

사용법