診断ロジック仕様 (Diagnosis Logic Specification)

診断結果は現行実装と一致させる．本仕様は現行コード（org/src）の解析結果を正とする．

処理パイプライン (Pipeline)

ROI 平均 RGB → (1) 多項式変換で XYZ → (2) Lab 変換 → (3) SVM 分類 → 5 色スコア・上位 2 色

(0) ROI 平均色

クリック点ごとに 51×51 px の矩形 ROI の平均 BGR を算出
複数点クリック時は各 ROI 平均の平均（全クリックの合算 ÷ クリック数）を診断に使用

(1) RGB → XYZ（多項式回帰）

変換行列 CSV の係数 a[0..16], b[0..16], c[0..16] を用い，R, G, B の 3 次までの多項式（17 項: 1 次 3 項 + 2 次クロス 3 項 + 2 乗 3 項 + 3 次 7 項 + 定数項）で X, Y, Z を計算する．負値は 0 にクリップする．

X = a0*R + a1*G + a2*B
  + a3*R*G + a4*R*B + a5*G*B
  + a6*R^2 + a7*G^2 + a8*B^2
  + a9*R^2*B + a10*R^2*G + a11*G^2*R + a12*G^2*B + a13*B^2*R + a14*B^2*G
  + a15*R*G*B
  + a16
（Y, Z も係数 b, c で同形）

(2) XYZ → Lab*

白色点 Xn=102.07, Yn=100.0, Zn=79.41（固定）とし，立方根で算出する:

L* = 116 (Y/Yn)^(1/3) − 16
a* = 500 ((X/Xn)^{(1/3) − (Y/Yn)}(1/3))
b* = 200 ((Y/Yn)^{(1/3) − (Z/Zn)}(1/3))

※ CIE 標準の低輝度側条件分岐（t ≤ (6/29)³ のときの線形近似）は現行実装に無いため意図的に実装しない（結果同一性優先）．

(3) SVM 分類

学習データ: data.csv の 84 サンプル（入力: L*a*b* 3 次元，出力: 190 列 = 医師 38 名 × 5 色の 0/1 評価）
出力 190 列それぞれについて 2 クラス SVM を診断のたびに学習し，入力 Lab を予測する（正例が 2 未満の列は学習せずスコア 0）
SVM パラメータ: C_SVC / RBF カーネル，γ=0.011，C=12.0，終了条件 EPS 1000 回・FLT_EPSILON
色ごとに 38 医師分の予測値を平均 → 5 色の一致率（0〜1）を百分率で表示する
スコア降順で上位 2 色を主要ラベルとする

診断失敗の判定 (Failure Detection)

5 色スコア（% 整数）が特定の組（淡紅 11・紅 5・暗赤 0・紫 42・淡白 3）と完全一致した場合，現行実装は「Diagnosis failed」と表示する．

※ これは「学習不能時に SVM が返す既知の出力パターン」をマジックナンバーで検出する現行のワークアラウンド．新実装では学習不能・予測失敗を直接検出して失敗表示する（表示仕様は現行と同じ）．

データファイル形式 (Data File Formats)

変換行列 CSV（ユーザーが診断時に選択）

17 行 × 3 列（ヘッダなし）．各行が a[i], b[i], c[i]（X, Y, Z 用係数）
撮影環境（カメラ・照明）ごとのキャリブレーション結果として作成されるファイル

data.csv（学習データ．リポジトリの `data/` に同梱予定）

1 行目: ヘッダ（L,a,b,紫,暗赤,紅,淡紅,淡白,… の繰り返し）
2 行目以降: 84 サンプル．列 1〜3 が L*a*b*，列 4〜193 が医師 38 名 × 5 色の 0/1（各医師 5 列の one-hot）
※ 実ファイルは 198 列（医師ブロック 39 個分）あるが，末尾の 39 番目のブロック 5 列は全サンプルで全 0 の未使用列である（有効な評価データは上記の 38 名分＝193 列）．全 0 列は「正例が 2 未満の列は学習せずスコア 0」の規則により学習対象外となるため診断結果には影響しない．旧実装の読込列数（193 か 198 か）はステップ 2（csv_io）で org/src の読込コードと突き合わせて確定すること