refactor: 重写注释，统一风格

- 顶部docstring改为算法流程总览+各步骤详解
- 两个函数各配职责明确的注释
- 主流程三个步骤注释简洁

src/cDNA_gridding_simple.py

@@ -4,29 +4,44 @@ cDNA微阵列图像处理 —— 简化版
 
 D:\ProgramData\anaconda3\envs\my_env\python.exe src/cDNA_gridding_simple.py
 
-算法步骤（划线）：
+一、算法流程总览
-   先用 Otsu 算出像素级最佳阈值 T，百分比 = T / 255 来自数据而非写死
 
-1. 彩色图 → 灰度图
+  灰度图 ──→ Otsu求像素最佳阈值 T ──→ 百分比 = T/255（自适应，不写死）
-2. 横轴投影：对每一列的所有像素灰度值求和 → 得到一条曲线
+     │
-   纵轴投影：对每一行的所有像素灰度值求和 → 得到一条曲线
+     ├─→ 横轴投影/纵轴投影 ──→ X = (max-min) × 百分比 ──→ 减阈值 ──→
-3. 在曲线上，求出 max 和 min，阈值 X = (max - min) × (T / 255)
+     │         过零点配对 ──→ 空隙中点 ──→ 网格线
-4. 曲线上每个值都减去 X
+     │
-5. 减完之后：
+     └─→ gray > T ──→ 二值图（分割结果）
-   - 大于 0 的地方 = 斑点区域
-   - 小于 0 的地方 = 斑点之间的空隙
-   - 等于 0 的地方 = 斑点与空隙的分界线（过零点）
-6. 配对相邻的过零点（离开斑点 + 进入下一个斑点），
-   中点就是空隙的中心 = 划线位置
 
-算法步骤（Otsu阈值分割）：
+二、各步骤详解
 
-1. 遍历所有可能的 T (0~255)
+  1. 彩色图 → 灰度图
-2. 计算前景(>T)的方差 + 背景(≤T)的方差 → 类内方差
-3. 计算前景均值 vs 背景均值的差距      → 类间方差
-4. 选 T 使 类内方差最小 / 类间方差最大
-5. 相当于在灰度直方图上找一个"谷底"，两座山之间的最低处就是最佳分割线。
 
+  2. Otsu 自动阈值
+     遍历灰度 0~255，每个候选 T 将像素分为前景(>T)和背景(≤T)，
+     计算类内方差 w_bg×σ²_bg + w_fg×σ²_fg，
+     选使类内方差最小的 T 作为最佳分割线。
+     百分比 = T / 255，取代原来的固定 10%。
+
+  3. 投影
+     横轴：np.sum(每列) → 长度=宽度的曲线，高点=斑点列，低点=空隙列
+     纵轴：np.sum(每行) → 长度=高度的曲线，高点=斑点行，低点=空隙行
+
+  4. 阈值 X = (max-min) × 百分比
+
+  5. 曲线减 X
+     - 大于 0 = 斑点区域
+     - 小于 0 = 斑点之间的空隙
+     - 等于 0 处 = 过零点 = 斑点和空隙的分界线
+
+  6. 过零点配对
+     过零点交替出现：正→负（离开斑点）、负→正（进入下一斑点）
+     配对「离开斑点 + 进入下一斑点」，中点 = 空隙中央 = 划线位置
+
+  7. 分割
+     gray > T 为前景（斑点），≤T 为背景
+
+  8. 输出左右对比图：左=网格划线，右=Otsu分割
 """
 
 import os
@@ -38,143 +53,116 @@ from skimage import color
 plt.rcParams['font.sans-serif'] = ['SimHei', 'Microsoft YaHei']
 plt.rcParams['axes.unicode_minus'] = False
 
-# 路径设置
+# 路径设置（从脚本位置动态推导，禁止硬编码绝对路径）
 SCRIPT_DIR = os.path.dirname(os.path.abspath(__file__))
 BASE_DIR = os.path.dirname(SCRIPT_DIR)
 DATA_DIR = os.path.join(BASE_DIR, 'cDNA图像处理实例', '数据', 'cDNA')
 OUTPUT_DIR = os.path.join(BASE_DIR, 'results_simple')
 
 
+# ================================================================
+# 函数1：Otsu 像素级阈值
+# ================================================================
 def otsu_threshold_pixels(gray: np.ndarray) -> float:
     """
-    Otsu 自动阈值——在像素级找到最佳分割灰度值 T。
+    对图像像素做 Otsu 自动阈值检测。
 
-    遍历 0~255，对每个候选 T 计算类内方差，选最小的。
+    遍历灰度值 0~255，找到使"类内方差"最小的阈值 T。
-    返回 T / 255，作为投影曲线阈值的自适应百分比。
+    类内方差 = w_bg × σ²_bg + w_fg × σ²_fg
+    （背景权重 × 背景方差 + 前景权重 × 前景方差）
+
+    返回 T/255，即自适应百分比，供投影曲线使用。
     """
-    best_T = 0
+    best_T = 0                 # 当前最佳阈值
-    best_cost = float('inf')
+    best_cost = float('inf')   # 当前最小类内方差
-    total = gray.size
+    total = gray.size          # 总像素数
+
     for T in range(1, 255):
-        bg = gray[gray <= T]
+        # 将像素按 T 分为两组
-        fg = gray[gray > T]
+        bg = gray[gray <= T]   # 背景
-        w_bg = len(bg) / total
+        fg = gray[gray > T]    # 前景
-        w_fg = len(fg) / total
+        w_bg = len(bg) / total # 背景权重
+        w_fg = len(fg) / total # 前景权重
+
         if w_bg == 0 or w_fg == 0:
-            continue
+            continue           # 某组为空，跳过
+
+        # 类内方差 = 加权平均方差
         cost = w_bg * np.var(bg) + w_fg * np.var(fg)
+
         if cost < best_cost:
             best_cost = cost
             best_T = T
-    return best_T / 255.0
+
+    return best_T / 255.0      # 归一化为百分比
 
 
+# ================================================================
+# 函数2：网格划线
+# ================================================================
 def draw_grid_lines(gray: np.ndarray):
     """
-    检测网格分割线。先对像素做 Otsu，用 T/255 作为自适百分比。
+    检测网格分割线。
 
-    原理：
+    先用 Otsu 算出自适应百分比，
-    灰度图的每一列/行，属于斑点的像素灰度值高，属于背景的灰度值低。
+    再对列投影和行投影分别处理：
-    把每列/行的灰度值加起来，就能得到一条曲线：
+      投影 → 减阈值 → 过零点配对 → 空隙中点 = 网格线
-    ——曲线凸起的地方 = 斑点所在位置
-    ——曲线凹陷的地方 = 斑点之间的空隙
 
-    去掉一个阈值后，曲线在空隙处会变成负数，
+    返回 (纵线x列表, 横线y列表, 自适应百分比)。
-    过零点的位置就是斑点和空隙的分界线，
-    两个分界线中点就是划线位置。
-
-    返回:
-        (纵线x坐标列表, 横线y坐标列表, 自适应百分比)
     """
-    # 0. 先用 Otsu 算出自适应百分比
+    # ---- 0. 自适应百分比 ----
     pct = otsu_threshold_pixels(gray)
+
     H, W = gray.shape
 
-    # ================================================================
+    # ---- 1. 横轴投影（列方向）----
-    # 步骤1：横轴投影 —— 统计每一列的灰度总和
+    # 对每一列上所有行的像素灰度求和 → 长度为 W 的数组
-    # ================================================================
-    # gray 是一个 H×W 的二维数组，gray[行, 列] 是某个像素的灰度值
-    # np.sum(gray, axis=0) 沿行方向求和 → 得到长度为 W 的一维数组
-    # 含义：每一列上所有像素的灰度值加起来
-    # 斑点所在列 → 亮像素多 → 和较大（曲线凸起）
-    # 空隙所在列 → 暗像素多 → 和较小（曲线凹陷）
     col_profile = np.sum(gray, axis=0).astype(float)
 
-    # ================================================================
+    # ---- 2. 纵轴投影（行方向）----
-    # 步骤2：纵轴投影 —— 统计每一行的灰度总和
+    # 对每一行上所有列的像素灰度求和 → 长度为 H 的数组
-    # ================================================================
-    # np.sum(gray, axis=1) 沿列方向求和 → 得到长度为 H 的一维数组
-    # 含义：每一行上所有像素的灰度值加起来
     row_profile = np.sum(gray, axis=1).astype(float)
 
-    # ================================================================
+    # ---- 3. 投影阈值 ----
-    # 步骤3：计算阈值 X = (max - min) × 自适应百分比
-    # ================================================================
-    # 百分比来自 Otsu（像素级最佳分割线），不是写死的 10%
-    # max-min 是曲线的"振幅"
     col_T = (np.max(col_profile) - np.min(col_profile)) * pct
     row_T = (np.max(row_profile) - np.min(row_profile)) * pct
 
-    # ================================================================
+    # ---- 4. 曲线减去阈值 ----
-    # 步骤4：曲线上所有值减去阈值
+    # 减完：正 = 斑点区域，负 = 空隙
-    # ================================================================
-    # 减去阈值后：
-    #   原本在空隙处的值（本来就小）→ 变成负数
-    #   原本在斑点处的值（本来就大）→ 仍然为正数
-    # 等于0的位置 = 斑点与空隙的分界线 = 过零点
     col_shifted = col_profile - col_T
     row_shifted = row_profile - row_T
 
-    # ================================================================
+    # ---- 5. 过零点配对 → 空隙中线 ----
-    # 步骤5：找过零点，两两配对，中间点即划线位置
-    # ================================================================
     def find_gap_lines(prof_shifted: np.ndarray) -> np.ndarray:
         """
-        在减去阈值后的投影曲线上，找到每两个斑点之间的空隙中线。
+        在减去阈值后的曲线上，找到空隙中线 = 网格线位置。
 
-        图解说明（设阈值为30）：
+        原理图解：
-        原始曲线:   ___/‾‾‾\___/‾‾‾‾\___/‾‾‾\___
+        信号: ----++++----++++----++++
-        数值:      10  50 60 55 8 45 70 48 5 55 50 12
-        减阈值后:  -20 20 30 25 -22 15 40 18 -25 25 20 -18
-        正负:      ─   +   +  +  ─   +  +  +  ─   +  +  ─
               ↑   ↑    ↑   ↑
-                       过零点    过零点    过零点    过零点
+          过零点配对：第1个+→- 与 第1个-→+
-
+          → 中点 = 空隙中央 = 划线位置
-        过零点之间的区域：
-        第一个 + 区域 = 一个斑点    (过零点1 → 过零点2)
-        第一个 - 区域 = 空隙        (过零点2 → 过零点3)  ← 我们要的！
-        第二个 + 区域 = 下一个斑点  (过零点3 → 过零点4)
-
-        划线位置 = 空隙（负数区域）的中点
-                 = (离开斑点的过零点 + 进入下一个斑点的过零点) / 2
         """
-        # 判断每个位置是正（斑点）还是负（空隙）
+        # 每个位置是正(斑点)还是负(空隙)
         is_positive = prof_shifted > 0
 
-        # 收集所有符号变化的位置（过零点）
+        # 收集符号变化处（过零点）
-        crossings = []
+        crossings = []          # 存过零点的位置
         for i in range(1, len(is_positive)):
-            # 如果当前和前一个正负不同 → 发生了跨越零点
+            if is_positive[i] != is_positive[i - 1]:   # 符号变化
-            if is_positive[i] != is_positive[i - 1]:
                 crossings.append(i)
 
-        if len(crossings) < 2:
+        if len(crossings) < 2:  # 过零点不足 → 放弃
             return np.array([])
 
-        # 过零点交替：正→负，负→正，正→负，负→正……
+        # 过零点交替：正→负，负→正，正→负，负→正 ...
-        # 我们要的是「空隙区域」的中点 → 配对「离开斑点 → 进入下一个斑点」
+        # 要配对的是「离开斑点(正→负)」+「进入下一斑点(负→正)」
-        # 即：从第一个"正→负"开始配对
+        # 如果信号开头是负，跳过第一个 crossing
-
-        # 如果开头就是负值（图像左侧是空隙），第一个过零点是"负→正"，
-        # 跳过它，从下一个"正→负"开始
         start = 1 if not is_positive[0] else 0
 
         lines = []
         for k in range(start, len(crossings) - 1, 2):
             if k + 1 < len(crossings):
-                # crossings[k]:   正→负（离开斑点）
-                # crossings[k+1]: 负→正（进入下一个斑点）
-                # 中点 = 空隙中央 = 划线位置
                 mid = int((crossings[k] + crossings[k + 1]) / 2)
                 lines.append(mid)
 
@@ -186,27 +174,30 @@ def draw_grid_lines(gray: np.ndarray):
     return x_lines, y_lines, pct
 
 
+# ================================================================
+# 主流程
+# ================================================================
 def main():
     os.makedirs(OUTPUT_DIR, exist_ok=True)
 
-    # ---- 读取图像并转为灰度图 ----
+    # ---- 读取图像，转为灰度 ----
     img = np.array(Image.open(os.path.join(DATA_DIR, 'cDNA.png')))
     gray = (color.rgb2gray(img[:, :, :3]) * 255).astype(np.uint8)
 
-    # ---- 1. 网格划线（内部自动用 Otsu 算自适应百分比） ----
+    # ---- 1. 网格划线 ----
     x_lines, y_lines, pct = draw_grid_lines(gray)
     print(f"检测到 {len(x_lines)} 条纵线, {len(y_lines)} 条横线")
     print(f"自适应百分比: {pct*100:.1f}%")
 
-    # ---- 2. Otsu 阈值分割 ----
+    # ---- 2. Otsu 分割 ----
-    T_otsu = int(pct * 255)
+    T_otsu = int(pct * 255)                    # 百分比还原为阈值
-    binary = (gray > T_otsu).astype(np.uint8)
+    binary = (gray > T_otsu).astype(np.uint8)  # 灰度>T 为斑点
     print(f"Otsu 阈值: T={T_otsu}")
 
-    # ---- 3. 输出：左右对比（划线 vs 分割）----
+    # ---- 3. 输出左右对比图 ----
     fig, axes = plt.subplots(1, 2, figsize=(14, 7))
 
-    # 左：网格划线
+    # 左图：网格线叠加在灰度图上
     axes[0].imshow(gray, cmap='gray')
     for x in x_lines:
         axes[0].axvline(x=x, color='lime', linewidth=0.5)
@@ -215,9 +206,10 @@ def main():
     axes[0].set_title(f'网格划分 ({len(x_lines)}×{len(y_lines)})', fontsize=13)
     axes[0].axis('off')
 
-    # 右：Otsu 分割结果
+    # 右图：Otsu 二值分割结果
     axes[1].imshow(binary, cmap='gray')
-    axes[1].set_title(f'Otsu 阈值分割 (T={T_otsu}, pct={pct*100:.1f}%)', fontsize=13)
+    axes[1].set_title(f'Otsu 阈值分割 (T={T_otsu}, pct={pct*100:.1f}%)',
+                      fontsize=13)
     axes[1].axis('off')
 
     out_path = os.path.join(OUTPUT_DIR, 'gridding_simple.png')