# 不規則圖形計算方法論：代理量、邊界誤差與雙環消矩測積法

**版本**：v0.1 草案  
**提出者**：Neo.K  
**協作整理**：Aletheia  
**核心模組**：DCV（Dual Curvature Volume Method，雙環消矩測積法）  
**用途**：作為不規則圖形面積測量、計算、驗證與方法選擇的統一方法論草案。

---

## 摘要

不規則圖形面積的計算看似是一個初等幾何問題，實際上牽涉三個不同層次：第一，對「圖形」本身的定義；第二，對「面積」的可操作測量；第三，對誤差來源與方法選擇的判定。傳統處理方式多半將不規則圖形轉為格點、像素、多邊形、蒙地卡羅命中率、質量、體積、光通量或曲線積分等代理量，再透過比例係數回推面積。換言之，面積通常不是被直接獲得，而是被兌換為某個更容易測量、積分或計數的物理量/數位量/幾何量。

本文提出一套「不規則圖形計算方法論」：以代理量為核心，將所有測積方法統一描述為「選取代理量 \(Q\)、建立轉換係數 \(k\)、控制誤差結構 \(\varepsilon\)、回推目標量 \(A\)」的流程。此方法論特別強調，對於高度鋸齒、碎裂或近分形邊界的圖形，邊界依賴型方法會因邊界長度、解析度與輪廓擬合而產生顯著誤差；相對地，內部積分型方法，如秤重法、光通量法、體積掃掠法，較能避開邊界複雜性。

在此總框架下，本文進一步提出一個方法模組：**雙環消矩測積法**。其核心思想是：將平面不規則區域 \(D\) 分別繞左右兩根對稱外軸旋轉，得到兩個三維旋轉體體積 \(V_L\) 與 \(V_R\)。單軸旋轉體積會包含面積與一階矩/質心項，但左右對稱相加時，一階矩項互相抵消，只留下零階面積項。因此有：

\[
A=\frac{V_L+V_R}{4\pi R}
\]

其中 \(R\) 是兩根對稱旋轉軸相對於基準中心線的距離。此方法可視為帕普斯型旋轉體關係的對稱消矩化：普通單軸公式需要質心資訊，而雙環版本以對稱結構消去質心依賴，使面積能由兩個體積和直接反推。此法尤其適合被納入「方法論」而非單一公式中，因為它揭示了不規則圖形計算的一個更高層原則：**不只要找代理量，還要設計代理量之間的互補消誤結構。**

---

## 關鍵詞

不規則圖形、面積測量、代理量、帕普斯定理、旋轉體、質心、一階矩、對稱消矩、體積積分、邊界誤差、像素計數、蒙地卡羅、方法論、DCV、雙環消矩測積法。

---

# 1. 問題起點：不規則圖形為何難算？

日常直覺會把「面積」看成一個很簡單的量：長方形有長乘寬，三角形有底乘高除以二，圓有 \(\pi r^2\)。但一旦圖形變得不規則，問題就立刻分裂成多個層次。

第一層是**表示問題**：圖形是怎麼給出的？它是一張紙上的墨水區？是一張照片中的輪廓？是一個 SVG 多邊形？是一條解析曲線圍成的區域？是一個有洞、有裂縫、有毛邊的真實物體？不同表示方式會決定後續能用的工具。

第二層是**定義問題**：圖形邊界是否清晰？邊界是否有限長？是否允許分形邊界？若邊界像海岸線一樣隨解析度變長，面積仍可能存在，但周長可能發散。這時依賴邊界長度或邊界擬合的方法會變得不穩。

第三層是**測量問題**：即使理論上面積存在，我們也未必能直接取得它。實物圖形可以秤重、掃描、拍照、排水、照光；數位圖形可以數像素、積分、三角剖分、蒙地卡羅取樣；解析圖形可以用格林定理、線積分、參數化或數值積分。這些方法看似不同，其實都在做同一件事：把面積轉換成另一種量。

因此，不規則圖形面積的核心不是「找到一個萬能公式」，而是建立一套判定程序：

> 在給定圖形表示、精度需求、可用工具、誤差容忍與邊界複雜度之後，選擇最適合的代理量與轉換路徑。

本文的目標不是取代所有既有測積法，而是把它們統一在一個可擴展的方法論中，並提出一個新的模組：雙環消矩測積法，用來展示如何透過對稱結構消除代理量中的干擾項。

---

# 2. 核心原則：面積不是直接測量，而是代理量兌換

## 2.1 面積的代理量結構

設目標圖形為平面區域 \(D\)，面積為：

\[
A(D)=\int_D dA
\]

多數實際方法不是直接取得 \(A(D)\)，而是選擇某個代理量 \(Q(D)\)，使其滿足：

\[
Q(D)=kA(D)+b+\varepsilon
\]

其中：

- \(Q(D)\)：可測量或可計算的代理量；
- \(k\)：轉換係數；
- \(b\)：背景偏移或系統性偏差；
- \(\varepsilon\)：誤差項；
- \(A(D)\)：目標面積。

若 \(b\) 可校正、\(\varepsilon\) 可控制，則：

\[
A(D)\approx \frac{Q(D)-b}{k}
\]

這就是所有測積方法的共同骨架。

例如：

1. **秤重法**：若紙張面密度為 \(\sigma\)，剪下面積為 \(A\) 的紙片，其質量 \(m=\sigma A\)，故 \(A=m/\sigma\)。
2. **像素法**：若每個像素代表面積 \(s^2\)，圖形內像素數為 \(N\)，則 \(A\approx Ns^2\)。
3. **蒙地卡羅法**：若在已知面積 \(A_B\) 的包圍盒中均勻取樣，命中率 \(p\approx A/A_B\)，故 \(A\approx pA_B\)。
4. **光通量法**：若光場均勻，穿過孔洞的光通量 \(\Phi=IA\)，故 \(A=\Phi/I\)。
5. **旋轉體法**：若區域繞某軸旋轉，體積與面積及質心距離相關，故可由體積回推面積。

於是，測積方法的真正分類，不是「數學方法 vs 物理方法」，而是：

> 選擇哪一種代理量？  
> 轉換係數是否穩定？  
> 誤差主要來自邊界、內部、儀器、取樣，還是模型假設？

---

## 2.2 代理量方法的四要素

一個完整的不規則圖形計算方法，至少需要四個組件：

### 2.2.1 目標量

通常是面積：

\[
A=\int_D dA
\]

但也可以是周長、質心、慣性矩、凸包面積、孔洞面積、覆蓋率、重疊率等。

### 2.2.2 代理量

代理量可以是：

- 格點數；
- 像素數；
- 質量；
- 體積；
- 光通量；
- 電容；
- 熱容量；
- 掃掠體體積；
- 隨機取樣命中率；
- 邊界線積分；
- 多邊形頂點座標。

### 2.2.3 轉換係數

代理量與面積之間必須有可校準關係。最理想是線性：

\[
Q=kA
\]

較複雜時可能包含其他幾何矩：

\[
Q=k_0A+k_1M_x+k_2M_y+\cdots
\]

這時就需要額外資料、額外測量，或設計對稱結構消去干擾項。雙環消矩測積法正是利用這一點。

### 2.2.4 誤差模型

誤差不是附屬物，而是方法的一部分。若沒有誤差模型，方法只是想法，不是計算方法論。

常見誤差包括：

- 解析度誤差；
- 邊界鋸齒誤差；
- 閾值分割誤差；
- 取樣方差；
- 材料密度不均；
- 儀器精度誤差；
- 光場不均；
- 旋轉軸偏移；
- 三維重建誤差；
- 代理量非線性；
- 空白洞誤算；
- 重疊體積重複計數。

---

# 3. 不規則圖形的類型分層

完整方法論不能假設所有不規則圖形都一樣。至少可以分成以下幾類。

## 3.1 解析型圖形

圖形由明確函數、參數曲線或不等式給出。例如：

\[
D=\{(x,y): f(x,y)\leq 0\}
\]

此時可用積分、數值積分、格林定理、符號計算或自適應網格。

優點：理論精確。  
缺點：真實世界圖形往往不是這樣給出。

## 3.2 多邊形型圖形

圖形由頂點序列給出。可用鞋帶公式：

\[
A=\frac12\left|\sum_{i=1}^{n}x_iy_{i+1}-x_{i+1}y_i\right|
\]

優點：精確、快速。  
缺點：需要乾淨輪廓；對曲線邊界需要近似。

## 3.3 影像型圖形

圖形由圖片、掃描、照片取得。可用分割、二值化、像素計數、輪廓提取。

優點：實用、低成本。  
缺點：受照明、解析度、鏡頭畸變、閾值影響。

## 3.4 實物型圖形

圖形是現實中的紙片、金屬片、薄膜、布料或材料截面。可用秤重、掃描、排水、光通量、3D 掃描、接觸式輪廓儀。

優點：可直接測物理量。  
缺點：材料不均、厚度變化、變形、吸水、表面粗糙等會影響結果。

## 3.5 高碎裂邊界型圖形

邊界高度鋸齒、毛邊、接近分形。此時「追邊界」可能非常糟糕。方法應偏向內部積分型或代理量積分型。

優點：可測面積仍可能穩定。  
缺點：周長與邊界擬合不穩。

## 3.6 帶洞區域

圖形內部有空白區。方法必須能處理：

\[
A(D)=A(\text{outer})-\sum_i A(\text{hole}_i)
\]

內部積分法通常自然排除洞，只要代理量只作用於內容區；但若是外輪廓包絡或排水法，可能會把洞誤算進去。

---

# 4. 方法分類：邊界型、內部型、代理場型、掃掠型

## 4.1 邊界型方法

邊界型方法透過輪廓求面積，如多邊形鞋帶公式、格林定理、求積儀等。核心是把面積轉為邊界積分：

\[
A=\frac12\oint_{\partial D}(xdy-ydx)
\]

優點是若邊界資料乾淨，計算非常精確。缺點是高度依賴邊界品質。若邊界破碎、模糊、毛邊多，誤差會集中在邊界。

適用：

- CAD 圖形；
- SVG；
- 多邊形；
- 解析曲線；
- 輪廓清楚的圖像。

不適用：

- 邊界模糊；
- 分形型邊界；
- 毛邊實物；
- 內外界定不清的材料圖像。

## 4.2 內部型方法

內部型方法不追邊界，而是積分內容區。例如像素計數、秤重、光通量、材料吸收、熱容量等。

核心形式：

\[
Q=\int_D q(x,y)dA
\]

若 \(q(x,y)\) 近似常數 \(q_0\)，則：

\[
Q=q_0A
\]

優點是對邊界碎裂較不敏感。缺點是要求內部代理場均勻，例如紙張面密度、光強、像素尺度、材料厚度等。

適用：

- 實物剪片；
- 掃描圖像；
- 光學遮罩；
- 大量毛邊但內部可分割的圖形。

## 4.3 隨機取樣型方法

蒙地卡羅法屬於取樣型。設 \(B\) 為已知面積包圍區，隨機取 \(N\) 點，命中 \(D\) 的點數為 \(n\)，則：

\[
A(D)\approx \frac{n}{N}A(B)
\]

優點是高維可擴展，對圖形形狀不挑剔。缺點是收斂慢，誤差約為：

\[
O(N^{-1/2})
\]

適用：

- 複雜判定函數；
- 高維體積；
- 不易網格化的區域；
- 只需要統計近似的情境。

## 4.4 掃掠型方法

掃掠型方法把平面區域透過某種運動生成高維物件，再由生成物的量反推原面積。影片中的「平面厚度成體積」就是最簡單的掃掠：

\[
V=At
\]

其中 \(t\) 是厚度。若厚度已知，面積為：

\[
A=\frac{V}{t}
\]

雙環消矩測積法也屬於掃掠型，但不是直線掃掠，而是曲率/旋轉掃掠。它的特色是利用對稱掃掠消去一階矩。

---

# 5. 雙環消矩測積法：從心象到形式化

## 5.1 直覺描述

設有一個不規則平面圖形。若將它直接拉出厚度 \(t\)，會形成薄柱體，其體積是：

\[
V=At
\]

這是一種「直線掃掠」。但也可以不直線拉出，而是讓圖形繞一根外部軸旋轉，形成一個環狀旋轉體。這是「曲率掃掠」。

單軸旋轉的問題是，體積不只取決於面積，也取決於圖形質心離旋轉軸多遠。也就是說：

\[
V=2\pi A\bar r
\]

其中 \(\bar r\) 是質心到旋轉軸的距離。若不知道質心，就無法只靠一個旋轉體體積求面積。

雙環消矩測積法的核心不是避免這個問題，而是利用對稱結構消去它：讓同一個圖形分別繞左右兩根對稱外軸旋轉。左邊旋轉體含有 \(+M_x\) 項，右邊旋轉體含有 \(-M_x\) 項。兩者相加時，質心項抵消，面積項保留。

直覺上：

> 單軸旋轉會問：「圖形整體偏向哪邊？」  
> 雙軸相加會回答：「不管它偏哪邊，左右偏移互相抵消，只剩它有多少內容。」

---

## 5.2 形式定義

令 \(D\subset\mathbb R^2\) 為可測平面區域，假設 \(D\) 完全位於兩根外部旋轉軸之間。選定座標，使對稱中心線為 \(x=0\)，左右外軸為：

\[
x=-R,\qquad x=R
\]

並要求：

\[
R>\sup_{(x,y)\in D}|x|
\]

使旋轉軸不穿過圖形，且所有旋轉半徑為正。

定義面積：

\[
A=\int_D dA
\]

定義 \(x\) 方向一階矩：

\[
M_x=\int_D x\,dA
\]

左軸 \(x=-R\) 到點 \((x,y)\) 的距離為：

\[
r_L=x+R
\]

右軸 \(x=R\) 到點 \((x,y)\) 的距離為：

\[
r_R=R-x
\]

當面元 \(dA\) 繞軸旋轉一圈，它掃出的微小體積為：

\[
dV=2\pi r\,dA
\]

因此左旋轉體體積為：

\[
V_L=\int_D 2\pi(x+R)dA
\]

展開：

\[
V_L=2\pi\int_D x\,dA+2\pi R\int_D dA
\]

\[
V_L=2\pi(M_x+RA)
\]

同理右旋轉體體積為：

\[
V_R=\int_D 2\pi(R-x)dA
\]

\[
V_R=2\pi(RA-M_x)
\]

兩者相加：

\[
V_L+V_R=2\pi(M_x+RA)+2\pi(RA-M_x)
\]

\[
V_L+V_R=4\pi RA
\]

故：

\[
\boxed{A=\frac{V_L+V_R}{4\pi R}}
\]

兩者相減：

\[
V_L-V_R=4\pi M_x
\]

故：

\[
\boxed{M_x=\frac{V_L-V_R}{4\pi}}
\]

這表示雙環法不只可回推出面積，也可同時取得一階矩資訊。若再除以面積，可得質心 \(x\) 座標：

\[
\bar x=\frac{M_x}{A}
\]

---

## 5.3 與普通帕普斯關係的區別

普通帕普斯型關係可寫為：

\[
V=2\pi A\bar r
\]

此式說明：平面區域繞外部軸旋轉一圈，所得體積等於區域面積乘以質心行經距離。問題是，如果目標是求 \(A\)，則必須先知道 \(\bar r\)。而 \(\bar r\) 又依賴質心，質心本身也需要積分取得。

雙環消矩測積法的改造點在於，它不試圖先求質心，而是創造兩個對稱旋轉體：

\[
V_L=2\pi(RA+M_x)
\]

\[
V_R=2\pi(RA-M_x)
\]

使未知的一階矩項以相反號出現。透過加法：

\[
V_L+V_R
\]

消去 \(M_x\)。因此，它是對帕普斯型關係的**對稱消矩化**。

這不是說帕普斯錯，而是說普通帕普斯給的是單通道測量，雙環消矩法給的是雙通道互補測量。方法論上，它從「找代理量」升級到「設計代理量組合」。

---

# 6. 十字環擴展：自校驗與二維質心

## 6.1 左右環與上下環

若除了左右軸之外，再加入上下對稱軸：

\[
y=-S,\qquad y=S
\]

則可得到上下兩個旋轉體體積 \(V_D,V_U\)。定義：

\[
M_y=\int_D y\,dA
\]

則：

\[
V_D=2\pi(SA+M_y)
\]

\[
V_U=2\pi(SA-M_y)
\]

相加：

\[
A=\frac{V_D+V_U}{4\pi S}
\]

相減：

\[
M_y=\frac{V_D-V_U}{4\pi}
\]

此時左右組給出 \(A_x\)，上下組給出 \(A_y\)。理想狀態下：

\[
A_x=A_y=A
\]

若兩者不一致，差異可作為誤差指標：

\[
\delta_A=|A_x-A_y|
\]

這使十字環版本成為自校驗結構。

## 6.2 同時計算面積與質心

四環資料可回推出：

\[
A
\]

\[
M_x
\]

\[
M_y
\]

進而得到質心：

\[
\bar x=\frac{M_x}{A}
\]

\[
\bar y=\frac{M_y}{A}
\]

所以十字環法不只是一種測面積方法，也是一種低階幾何矩測量方法。

## 6.3 方法論意義

在一般方法中，面積與質心常常需要分開計算。但在雙環/十字環掃掠中，體積和與體積差分別對應不同幾何矩：

- 體積和：零階矩，即面積；
- 體積差：一階矩，即質心偏移；
- 多方向組合：可形成自校驗與方向性診斷。

因此，DCV 的更一般形式可以理解為：

> 透過對稱掃掠場，把幾何矩編碼進可測體積，再用線性組合解碼。

這使它不只是面積公式，而是一種幾何資訊編碼/解碼方法。

---

# 7. Runtime Layer：實際執行流程

以下將方法拆成數位版、實物版與三維建模版。

## 7.1 數位版流程

### Step 1：取得圖形遮罩

輸入可以是圖片、二值矩陣、SVG、多邊形或函數判定器。目標是得到：

\[
\chi_D(x,y)=
\begin{cases}
1,&(x,y)\in D\\
0,&(x,y)\notin D
\end{cases}
\]

若是影像，需先做：

- 去畸變；
- 比例尺校準；
- 灰階化；
- 閾值分割；
- 去噪；
- 洞區辨識；
- 內容區遮罩建立。

### Step 2：選擇中心線與外軸

選定座標中心線 \(x=0\)，並選擇足夠大的 \(R\)，使得：

\[
R>\max |x|
\]

軸距不宜太小，避免接近圖形導致重疊或數值不穩；也不宜過大，因為體積量過大時可能放大儀器或浮點誤差。數位環境中 \(R\) 可選為圖形半寬的 \(1.5\) 至 \(3\) 倍。

### Step 3：計算左右體積

離散化後，每個像素/面元面積為 \(\Delta A\)。若其中心為 \((x_i,y_i)\)，則：

\[
V_L\approx \sum_{i\in D}2\pi(R+x_i)\Delta A
\]

\[
V_R\approx \sum_{i\in D}2\pi(R-x_i)\Delta A
\]

### Step 4：回推面積

\[
A_{\text{DCV}}=\frac{V_L+V_R}{4\pi R}
\]

### Step 5：回推質心檢查

\[
M_x=\frac{V_L-V_R}{4\pi}
\]

\[
\bar x=\frac{M_x}{A}
\]

若有上下環，也計算 \(\bar y\)。

---

## 7.2 實物版流程

實物版比較困難，因為要真實取得旋轉體體積。但它仍可作為方法論模組。

### 路徑 A：3D 列印/掃描重建

1. 將不規則圖形掃描成數位遮罩；
2. 在 CAD 中生成左右旋轉體；
3. 由 CAD 軟體計算體積；
4. 套用 DCV 公式回推面積；
5. 與像素法/秤重法互相驗證。

這個路徑的優點是可控，缺點是若已經能掃描，直接像素法可能更快。因此它的意義更偏向驗證與方法論展示。

### 路徑 B：物理旋轉生成

1. 將圖形做成薄片或模板；
2. 以左右對稱軸作旋轉掃掠；
3. 使用可成型材料、流體、3D 掃描或體積儀取得旋轉體體積；
4. 套公式回推面積。

此路徑可行但工程成本高，實驗誤差多。若目的只是日常測量，不如剪稱法或像素法；若目的在展示幾何原理或建立新型測量儀器，則有價值。

### 路徑 C：光學/場掃掠類比

可將旋轉體體積視為某種加權積分：

\[
V=\int_D 2\pi r(x,y)dA
\]

不一定真的生成三維物體，而可以透過空間權重場 \(w(x,y)\) 直接測：

\[
Q=\int_D w(x,y)dA
\]

若設計兩個互補權重場：

\[
w_L=2\pi(R+x)
\]

\[
w_R=2\pi(R-x)
\]

則：

\[
Q_L+Q_R=4\pi RA
\]

此時 DCV 從「旋轉體積法」升級成「對稱權重場積分法」。這是更抽象、也更有工程潛力的版本。

---

## 7.3 三維建模版流程

若要用程式驗證：

1. 建立不規則區域 \(D\)；
2. 用高解析 2D 網格計算基準面積；
3. 以旋轉公式計算理論體積；
4. 建立 3D voxel 空間；
5. 判定每個 voxel 是否落在旋轉體內；
6. 估算 \(V_L,V_R\)；
7. 用 DCV 公式回推面積；
8. 觀察解析度提升時是否收斂。

此版本已在先前測試中得到支持：公式積分版本可與直接面積重合到浮點誤差級；3D voxel 版本則因體素解析度有限而有誤差，但解析度提高後會往基準值收斂。

---

# 8. 誤差模型

## 8.1 像素/格點誤差

若用像素或網格近似圖形，誤差通常集中在邊界。若網格間距為 \(h\)，邊界長度為 \(L\)，簡化估計下誤差可近似與：

\[
O(Lh)
\]

相關。當邊界越複雜，\(L\) 越大，誤差越明顯。

若邊界趨近分形，邊界長度可能隨解析度變化而增長，此時一般邊界誤差模型需要改寫。

## 8.2 取樣誤差

蒙地卡羅估計中，命中率 \(p=A/A_B\)，樣本數 \(N\)，標準誤差約為：

\[
\sqrt{\frac{p(1-p)}{N}}A_B
\]

其收斂速度為 \(O(N^{-1/2})\)，不受維度災難影響太大，但要高精度時很慢。

## 8.3 材料代理誤差

秤重法假設面密度 \(\sigma\) 均勻：

\[
m=\sigma A
\]

若 \(\sigma(x,y)\) 不均，則：

\[
m=\int_D\sigma(x,y)dA
\]

此時 \(m/\bar\sigma\) 會偏離真面積。需透過多點校準或同材質參考片減少誤差。

## 8.4 光場代理誤差

光通量法假設光強 \(I\) 均勻：

\[
\Phi=\int_D I(x,y)dA
\]

若 \(I\) 不均，則面積與光通量不再簡單成正比。需使用平場校正：

\[
A\approx \int_D \frac{I_{\text{measured}}(x,y)}{I_{\text{flat}}(x,y)}dA
\]

## 8.5 DCV 軸距誤差

DCV 公式：

\[
A=\frac{V_L+V_R}{4\pi R}
\]

若 \(R\) 有誤差 \(\Delta R\)，則相對面積誤差約為：

\[
\frac{\Delta A}{A}\approx -\frac{\Delta R}{R}
\]

因此軸距校準非常重要。

## 8.6 DCV 體積測量誤差

若 \(V_L,V_R\) 的測量誤差分別為 \(\Delta V_L,\Delta V_R\)，則：

\[
\Delta A\approx \frac{\Delta V_L+\Delta V_R}{4\pi R}
\]

若兩個體積測量誤差獨立且標準差相同為 \(\sigma_V\)，則：

\[
\sigma_A\approx \frac{\sqrt{2}\sigma_V}{4\pi R}
\]

這表示增大 \(R\) 可降低體積誤差對面積的影響，但 \(R\) 過大可能造成體積本身變大、設備範圍與計算成本增加，因此存在工程最佳區間。

## 8.7 DCV 對稱誤差

若左右軸不是完美對稱，設左軸距離為 \(R+\delta_L\)，右軸距離為 \(R+\delta_R\)，則公式需要改寫。若仍強行使用 \(R\)，會引入偏差。應使用一般化形式：

\[
V_L=2\pi((R_L)A+M_x)
\]

\[
V_R=2\pi((R_R)A-M_x)
\]

相加：

\[
V_L+V_R=2\pi((R_L+R_R)A+(M_x-M_x))
\]

若軸仍以同一中心對稱，只是距離不同，可用：

\[
A=\frac{V_L+V_R}{2\pi(R_L+R_R)}
\]

但若中心線也偏移，需重新定義座標與一階矩。

---

# 9. 判定程序：如何選方法？

一套完整方法論必須回答：面對任意不規則圖形，到底應該用哪種方法？

## 9.1 若圖形是乾淨數位多邊形

優先使用：

1. 多邊形鞋帶公式；
2. 三角剖分；
3. 格林定理。

理由：精確、快速、無需代理物理量。

## 9.2 若圖形是掃描圖或照片

優先使用：

1. 像素計數；
2. 校準比例尺；
3. 多解析度分割；
4. 邊界修正；
5. 必要時蒙地卡羅輔助。

理由：影像本身就是離散格點，直接像素法最自然。

## 9.3 若圖形是實物薄片

優先使用：

1. 秤重法；
2. 掃描像素法；
3. 光通量法；
4. 必要時厚度/體積法。

理由：若材料均勻，秤重法極穩，且不受邊界碎裂影響。

## 9.4 若邊界極度複雜

優先使用內部積分型方法：

1. 像素填充；
2. 秤重；
3. 光通量；
4. 場積分；
5. DCV 類掃掠法。

理由：不要追逐邊界，應直接整合內容區。

## 9.5 若需要展示或研究幾何結構

可使用：

1. DCV 雙環消矩測積法；
2. 十字環自校驗法；
3. 高階矩掃掠法；
4. 權重場積分法。

理由：這些方法不一定是日常最快，但有助於揭示面積、質心、體積與對稱性的關係。

---

# 10. 方法比較表

| 方法 | 代理量 | 主要公式 | 優點 | 弱點 | 適合場景 |
|---|---:|---|---|---|---|
| 方格法 | 格點數 | \(A\approx Nh^2\) | 直觀、低成本 | 邊界誤差大 | 教學、粗估 |
| 像素法 | 像素數 | \(A\approx Ns^2\) | 實用、快速 | 需分割與校準 | 圖像、掃描 |
| 多邊形法 | 頂點座標 | 鞋帶公式 | 精確快速 | 需乾淨輪廓 | CAD/SVG |
| 蒙地卡羅 | 命中率 | \(A\approx pA_B\) | 任意形狀可用 | 收斂慢 | 複雜判定 |
| 秤重法 | 質量 | \(A=m/\sigma\) | 不怕邊界碎 | 材料需均勻 | 實物紙片 |
| 光通量法 | 光量 | \(A=\Phi/I\) | 快速、非接觸 | 光場需均勻 | 遮罩/孔洞 |
| 厚度體積法 | 體積 | \(A=V/t\) | 理論簡單 | 厚度與體積難準 | 薄片材料 |
| 單軸旋轉法 | 體積 | \(V=2\pi A\bar r\) | 幾何漂亮 | 需質心 | 理論推導 |
| DCV 雙環法 | 雙體積 | \(A=(V_L+V_R)/(4\pi R)\) | 消去質心、可自校驗 | 需雙體積或權重場 | 研究/驗證/特殊測量 |
| 十字環法 | 四體積 | 左右/上下雙估 | 可求質心與誤差 | 工程複雜 | 高級測量 |

---

# 11. DCV 的更一般形式：對稱權重場

DCV 不必被限定為真的旋轉體。其本質是設計一對權重場：

\[
w_+(x)=R+x
\]

\[
w_-(x)=R-x
\]

對圖形做加權積分：

\[
Q_+=\int_D w_+(x)dA
\]

\[
Q_-=\int_D w_-(x)dA
\]

則：

\[
Q_++Q_-=2R\int_D dA=2RA
\]

故：

\[
A=\frac{Q_++Q_-}{2R}
\]

旋轉體版本只是取：

\[
w_\pm=2\pi(R\pm x)
\]

因此 DCV 的抽象核心是：

> 建立一組互補權重場，使非目標矩在加總時抵消，目標矩被保留。

這表示它可以推廣到更多場景。例如：

- 光強沿 \(x\) 線性變化的兩次曝光；
- 電場/熱場/壓力場的互補分布；
- 數位影像中的加權濾波；
- 3D 列印中的旋轉體積；
- 物理掃描中的雙向校準。

真正的方法論創新點在這裡：旋轉只是表層形式，對稱消矩才是內核。

---

# 12. 高階擴展：從面積到幾何矩譜

面積是零階矩：

\[
M_{00}=\int_D 1\,dA
\]

一階矩為：

\[
M_{10}=\int_D x\,dA
\]

\[
M_{01}=\int_D y\,dA
\]

二階矩為：

\[
M_{20}=\int_D x^2\,dA
\]

\[
M_{02}=\int_D y^2\,dA
\]

\[
M_{11}=\int_D xy\,dA
\]

若設計不同權重場，就可以測出不同矩。DCV 是測 \(M_{00}\) 並順便取得 \(M_{10}\) 的低階版本。

若要擴展，可設計：

\[
w_1=R+x
\]

\[
w_2=R-x
\]

\[
w_3=R+x^2
\]

\[
w_4=R-x^2
\]

或用正交基函數：

\[
w_k(x,y)=\phi_k(x,y)
\]

取得圖形的幾何矩譜。這會使不規則圖形不只被計算面積，而是被轉換成一組可比較、可壓縮、可重建的特徵量。

這一點可連接到影像辨識、形狀分析、物理測量與資料壓縮。從方法論角度看：

> 面積只是圖形的第一個守恆量；完整圖形計算應該處理一族幾何矩與代理場。

---

# 13. 空白區、洞與多連通區域

不規則圖形常常不是單連通，而是有洞。設：

\[
D=O-\bigcup_i H_i
\]

其中 \(O\) 是外部區域，\(H_i\) 是洞。面積為：

\[
A(D)=A(O)-\sum_iA(H_i)
\]

對 DCV 而言，只要旋轉/權重積分作用於內容區 \(D\)，洞會自然被排除：

\[
V_L=\int_D2\pi(R+x)dA
\]

如果在實作中使用遮罩，洞的像素為 0，便不會被加進體積。若使用實物旋轉體，則必須確保洞不被材料填滿，否則會把洞誤算入內容區。

因此，洞處理的關鍵不是公式，而是表示層：

- 數位遮罩：洞必須標為外部；
- 實物模板：洞必須真空或透明；
- 光學方法：洞與內容區必須有明確透光/遮光差異；
- 3D 建模：洞必須保留拓撲結構。

---

# 14. 下界必要條件與上界排除條件

## 14.1 下界必要條件

一個不規則圖形計算方法至少要滿足：

1. **圖形可定義**：需能判定點是否屬於內容區；
2. **目標量明確**：需明確計算的是面積、外輪廓面積、內容面積、投影面積或覆蓋率；
3. **代理量可測**：代理量必須可計數、可積分或可測量；
4. **轉換係數可校準**：不能只說有關係，必須知道如何轉換；
5. **誤差可估**：至少能描述主要誤差來源；
6. **空白區處理明確**：洞、裂縫、透明區不能含糊；
7. **尺度校準明確**：像素、長度、質量、體積、光量都必須有尺度基準。

## 14.2 上界排除條件

以下情況不應宣稱方法有效：

1. 圖形邊界本身不可判定；
2. 內容區與背景無法區分；
3. 代理量與面積無穩定關係；
4. 轉換係數未知且不可校準；
5. 物理材料嚴重不均卻用均勻模型；
6. 光場或權重場嚴重不均卻未校正；
7. DCV 軸穿過圖形導致重疊但仍使用簡化公式；
8. 將投影面積誤當真實表面面積；
9. 將外包絡面積誤當含洞內容面積；
10. 將數值近似結果誤稱為精確閉式解。

---

# 15. 誤區掃雷

## 15.1 「不規則」不代表不能算

不規則只是缺乏簡單初等公式，不代表沒有面積。只要區域可測，就能以積分、近似、取樣或代理量測量。

## 15.2 「越數學的方法」不一定越適合

對高度毛邊圖形，漂亮的邊界公式可能比粗糙的秤重法更差。方法選擇要看誤差結構，不看形式是否高級。

## 15.3 「3D 化」不是自動解法

把平面圖形變成 3D，只有在體積與面積之間有明確關係時才有意義。隨便揉、捲、壓、投影，可能只是製造新誤差。

## 15.4 單軸旋轉不等於面積直接可得

單軸旋轉體積包含質心距離。若不知道質心，不能直接用一個體積求面積。

## 15.5 雙環法不是魔法

雙環法依賴對稱軸、外軸條件與體積/權重積分準確性。它不是日常最快方法，也不是所有情況最優。

## 15.6 球形心象要小心

若心象中出現「最後變成一個球」，需要檢查它是否真的由定義推出。旋轉掃掠通常生成環狀體，不會自然變成球。球可以是對稱想像，但不能直接當定理。

---

# 16. Unit Test：方法論測試樣本

## 16.1 矩形測試

令 \(D\) 為矩形：

\[
[-a,a]\times[-b,b]
\]

面積：

\[
A=4ab
\]

由對稱性 \(M_x=0\)，故：

\[
V_L=V_R=2\pi RA
\]

\[
A=\frac{V_L+V_R}{4\pi R}
\]

成立。

## 16.2 偏心圓測試

令圓半徑為 \(r\)，圓心在 \(x=c\)。面積：

\[
A=\pi r^2
\]

一階矩：

\[
M_x=cA
\]

故：

\[
V_L=2\pi(RA+cA)=2\pi A(R+c)
\]

\[
V_R=2\pi(RA-cA)=2\pi A(R-c)
\]

相加：

\[
V_L+V_R=4\pi RA
\]

仍回推出 \(A\)。相減則回推出 \(cA\)，進而得到圓心偏移 \(c\)。

## 16.3 帶洞圖形測試

令 \(D=O-H\)，則：

\[
V_L(D)=V_L(O)-V_L(H)
\]

\[
V_R(D)=V_R(O)-V_R(H)
\]

因此：

\[
A(D)=A(O)-A(H)
\]

洞可自然扣除。

## 16.4 高鋸齒邊界測試

若圖形邊界高度破碎，像素法與方格法邊界誤差會增加。但 DCV 若基於內容遮罩積分，仍是對所有內容面元加權，不需追邊界。其誤差主要轉為遮罩判定與積分解析度，而非邊界公式失效。

---

# 17. 演算法偽代碼

## 17.1 DCV 數位版

```text
Input:
    mask D on grid
    pixel area dA
    x-coordinate x_i for each pixel center
    axis distance R

Require:
    R > max(abs(x_i)) for all pixels in D

Initialize:
    V_L = 0
    V_R = 0

For each pixel i in D:
    V_L += 2π * (R + x_i) * dA
    V_R += 2π * (R - x_i) * dA

A = (V_L + V_R) / (4πR)
M_x = (V_L - V_R) / (4π)
x_centroid = M_x / A

Output:
    A, M_x, x_centroid, V_L, V_R
```

## 17.2 十字環自校驗版

```text
Input:
    mask D
    pixel area dA
    coordinates x_i, y_i
    axis distances R_x, R_y

Compute:
    V_L = sum(2π * (R_x + x_i) * dA)
    V_R = sum(2π * (R_x - x_i) * dA)
    V_D = sum(2π * (R_y + y_i) * dA)
    V_U = sum(2π * (R_y - y_i) * dA)

Area estimates:
    A_x = (V_L + V_R) / (4πR_x)
    A_y = (V_D + V_U) / (4πR_y)

Moments:
    M_x = (V_L - V_R) / (4π)
    M_y = (V_D - V_U) / (4π)

Centroid:
    x_bar = M_x / A_x
    y_bar = M_y / A_y

Self-check:
    error = abs(A_x - A_y)
```

---

# 18. 方法論結構：Kernel / Runtime / Boundary / Test

## 18.1 Kernel Layer

不規則圖形計算的核心不是某個公式，而是代理量轉換：

\[
Q=\mathcal T(A,\text{moments},\text{noise})
\]

目標是建構可逆或近似可逆的轉換：

\[
A=\mathcal T^{-1}(Q)
\]

DCV 的 Kernel 是：

\[
V_L=2\pi(RA+M_x)
\]

\[
V_R=2\pi(RA-M_x)
\]

\[
A=\frac{V_L+V_R}{4\pi R}
\]

## 18.2 Runtime Layer

執行時根據資料型態選路徑：

- 數位圖：遮罩 → 像素/權重積分；
- 實物圖：秤重/掃描/光學/體積；
- 解析圖：積分/線積分；
- 複雜圖：蒙地卡羅/自適應取樣；
- 研究型：DCV/十字環/高階矩。

## 18.3 Boundary Layer

下界：必須能定義內容區、校準尺度、控制代理量。  
上界：不能越過代理量線性區、不能忽略軸穿越、不能把重疊體積當單純體積。

## 18.4 Test Layer

每個方法至少要通過：

1. 標準形狀測試；
2. 偏心形狀測試；
3. 帶洞形狀測試；
4. 高鋸齒形狀測試；
5. 多解析度收斂測試；
6. 與另一種方法交叉驗證。

---

# 19. 本文方法論的核心貢獻

本文可歸納為四個貢獻。

## 19.1 統一視角

把不規則圖形面積計算統一為代理量兌換問題：

\[
Q\to A
\]

這可整合數位、物理、幾何與統計方法。

## 19.2 誤差導向

方法選擇不以形式高低為準，而以誤差結構為準。邊界碎裂時，內部積分型方法通常比邊界追蹤型更穩。

## 19.3 對稱消矩

DCV 展示了一種更高層技巧：當代理量包含干擾項時，可以透過對稱代理量組合消去它，而不是額外測量它。

## 19.4 從面積到矩譜

雙環/十字環法顯示，面積、質心與幾何矩可被編碼在多個代理量中，再透過線性組合解碼。這為更廣義的不規則圖形計算提供了道路。

---

# 20. 未來工作

## 20.1 嚴格數學化

需補足測度論版本，明確說明對 Lebesgue 可測區域、Jordan 可測區域、帶分形邊界區域的適用條件。

## 20.2 實驗裝置設計

可設計一個 DCV 演示裝置：

- 輸入平面遮罩；
- 生成左右旋轉體；
- 由 3D 掃描或 CAD 求體積；
- 回推面積與質心；
- 與像素法比較。

## 20.3 權重場工程化

與其真的旋轉，不如設計可控權重場，直接測：

\[
Q_\pm=\int_D(R\pm x)dA
\]

這可能透過光學、電場、熱場或數位濾波完成。

## 20.4 高階矩擴展

設計多組權重場，取得 \(M_{00},M_{10},M_{01},M_{20},M_{02},M_{11}\) 等矩，形成形狀指紋。

## 20.5 方法選擇器

建立一個自動決策系統，輸入：

- 圖形來源；
- 精度需求；
- 邊界複雜度；
- 可用儀器；
- 時間成本；
- 是否需要質心/矩資訊；

輸出推薦方法與誤差預估。

---

# 21. 結論

不規則圖形面積計算的本質，不是尋找一個神奇公式，而是建立一套代理量轉換與誤差控制的方法論。面積可以被兌換成格點數、像素數、質量、光通量、體積、命中率、邊界積分或掃掠體積；每一種兌換都有自己的轉換係數與誤差結構。

在這個框架中，雙環消矩測積法提供了一個值得保留的核心模組。它從單軸旋轉體公式出發，指出單一體積會混入質心項；再透過左右對稱旋轉體的體積和，消去一階矩，保留面積。公式簡潔：

\[
A=\frac{V_L+V_R}{4\pi R}
\]

但其方法論意義不只在公式本身，而在於：

> 當代理量攜帶不想要的幾何資訊時，可以設計互補代理量，使干擾項在組合中消失。

這是從「測量面積」走向「設計測量結構」的一步。影片中的揉紙、注水、秤光等想法雖然工程上粗糙，卻觸及一個正確方向：面積可以透過其他量反推。DCV 則進一步指出，真正成熟的方法論不只要問「換成什麼量」，還要問「如何讓多個代理量彼此抵消誤差、分離資訊、形成自校驗」。

因此，完整的不規則圖形計算方法論應包含三個層次：

1. **代理量層**：選擇可測量的 \(Q\)；
2. **轉換層**：建立 \(Q\) 與 \(A\) 的關係；
3. **消誤層**：用對稱、校準、差分或多通道設計消除干擾。

當這三層閉合時，不規則不再是問題的終點，而只是方法選擇器的輸入條件。

---

# 附錄 A：最小公式集

\[
A=\int_D dA
\]

\[
M_x=\int_D x\,dA
\]

\[
V_L=2\pi(RA+M_x)
\]

\[
V_R=2\pi(RA-M_x)
\]

\[
A=\frac{V_L+V_R}{4\pi R}
\]

\[
M_x=\frac{V_L-V_R}{4\pi}
\]

\[
\bar x=\frac{M_x}{A}
\]

上下方向同理：

\[
M_y=\int_D y\,dA
\]

\[
A=\frac{V_D+V_U}{4\pi S}
\]

\[
M_y=\frac{V_D-V_U}{4\pi}
\]

\[
\bar y=\frac{M_y}{A}
\]

---

# 附錄 B：一句話版本

不規則圖形面積不是被直接看見，而是被代理量兌換出來；雙環消矩測積法的作用，是用左右對稱旋轉體的體積和消去質心項，使面積從三維體積中被解碼。

---

# 附錄 C：命名建議

可選名稱：

1. 雙環消矩測積法；
2. 雙曲率體積法；
3. 對稱旋轉體測積法；
4. DCV：Dual Curvature Volume Method；
5. SCV：Symmetric Curvature Volume Method；
6. DMR：Dual Moment Removal Method。

其中「雙環消矩測積法」最能表達中文直覺；「DCV」則適合作為英文縮寫。

---

# 附錄 D：方法論短綱

```text
Input:
    不規則圖形 D
    來源型態 S
    精度需求 E
    可用工具 T

Process:
    1. 判定 D 的表示形式
    2. 判定邊界複雜度
    3. 判定是否有洞/空白區
    4. 選擇代理量 Q
    5. 建立 Q = kA + interference + error
    6. 若有 interference，設計消誤結構
    7. 估計 A
    8. 用第二方法交叉驗證
    9. 輸出 A、誤差、適用邊界

Output:
    面積估計值
    置信/誤差說明
    方法選擇理由
    邊界限制
```

---

# 附錄 E：版本註記

v0.1 是概念驗證稿。本文已建立代理量方法論框架，並將雙環消矩測積法形式化到可驗證公式層。後續版本可補：

- 嚴格定理證明；
- 圖示；
- 程式碼；
- 實驗數據；
- 相關文獻；
- 與帕普斯定理、幾何矩、積分幾何、Radon transform 的關係；
- 更完整的工程誤差模型。