docs: 重写README突出作业实现，新增CLAUDE.md

README: 以"我的Python实现"为中心，对比原版与简化版
CLAUDE.md: 项目概述、算法要点、文件结构

CLAUDE.md

@@ -0,0 +1,55 @@
+# CLAUDE.md — cDNA微阵列图像处理作业
+
+## 项目概述
+
+河南理工大学计算机学院图像处理课程作业。用Python实现cDNA微阵列图像的网格划分与阈值分割。
+
+## 项目结构
+
+```
+src/
+├── cDNA_segmentation.py       ← 原版：完整处理流程
+└── cDNA_gridding_simple.py    ← 简化版：仅划线，用于课堂讲解 ★
+
+results/        ← 原版输出（6张图）
+results_simple/ ← 简化版输出（1张图）
+
+cDNA图像处理实例/数据/cDNA/  ← 输入图像 + MATLAB示例
+参考资料/NewGridAndCV/        ← MATLAB参考实现
+```
+
+## 两个Python实现
+
+### 简化版 (`cDNA_gridding_simple.py`) — 课堂主讲
+
+- 算法：投影求和 → (max-min)×10%阈值 → 过零点配对 → 划线
+- 约150行，带详细中文注释，适合课堂讲解
+- 输出：`results_simple/gridding_simple.png`
+- **与原版网格线位置完全一致（误差0像素）**
+
+### 原版 (`cDNA_segmentation.py`) — 完整实现
+
+- 网格划分：自相关+白顶帽+Otsu+质心（参照MATLAB `GriddingAndCV.m`）
+- 三种阈值分割：人工阈值、Otsu、迭代阈值
+- TV去噪（Chambolle投影算法，参照 `tvdenoise.m`）
+
+## 算法要点
+
+简化版核心逻辑（`find_gap_lines`函数）：
+- 减阈值后：正=斑点区域，负=空隙
+- 过零点交替出现：+→-（离开斑点），-→+（进入下一个斑点）
+- 配对"离开→进入"，中点=空隙中央=划线位置
+
+## 输入数据
+
+- `cDNA.png`：820×820 RGB，23×23斑点阵列，Cy3/Cy5双色荧光
+- 斑点间距约35px，每斑点约18px宽
+
+## 运行环境
+
+Python：`D:\ProgramData\anaconda3\envs\my_env`
+依赖：numpy, scipy, scikit-image, matplotlib, Pillow
+
+## 仓库
+
+Gitea: `ssh://git@192.168.5.8:2222/Serendipity/cDNA-image-processing.git`

README.md

@@ -1,118 +1,97 @@
-# cDNA 微阵列图像处理作业资料
+# cDNA 微阵列图像处理作业
 
-## 作业概述
-
-本次作业涉及 **cDNA 微阵列（基因芯片）图像处理**，主要研究两个核心问题：
-
-1. **网格划分（Gridding）** - 定位微阵列图像中每个点的精确位置
-2. **图像分割（Segmentation）** - 区分前景（基因点）与背景
+> **作者**: 刘航宇 | 河南理工大学计算机学院 | 2026
 
 ---
 
-## 资料清单
+## 作业内容
 
-### 1. 参考论文
+本作业来自《图像处理实例1：cDNA图像分析》，完成以下三个任务：
 
-| 文件名 | 作者 | 内容简介 |
-|--------|------|----------|
-| `2019-3-高污染基因芯片图像的网格划分_芦碧波.pdf` | 芦碧波 | 提出针对高污染基因芯片的网格划分方法，利用图像增强、分块处理和自动阈值检测来提高鲁棒性 |
-| `封面+低对比度cDNA图像分割的局部水平集方法_芦碧波.pdf` | 芦碧波、刘利群、张霄宏、林忠华 | 提出基于局部信息的水平集方法，解决低对比度cDNA图像分割问题，引入局部图像拟合能量 |
-| `显微图像分割.pdf` | - | 显微图像分割相关资料（密码保护，需另存为可读版本） |
-
-### 2. MATLAB 代码
-
-#### `NewGridAndCV/` - 网格划分与C-V分割实现
-
-| 文件名 | 功能说明 |
-|--------|----------|
-| `demo_GriddingAndCV.m` | **主程序** - 演示网格划分和Chan-Vese分割的完整流程 |
-| `GriddingAndCV.m` | 网格划分核心算法，使用自相关估计点间距 |
-| `cvseg.m` | Chan-Vese 水平集分割算法 |
-| `chenvese.m` | C-V 模型的另一种实现 |
-| `tvdenoise.m` | TV（Total Variation）去噪算法 |
-| `choice.m` | 剔除面积过小的连通区域 |
-| `choosemaxobj.m` | 保留最大连通区域 |
-| `contour_bw.m` | 轮廓提取与二值化 |
-| `fillingholes.m` | 填充孔洞 |
-| `kappa.m` | 曲率计算 |
-| `maskcircle2.m` | 圆形掩膜生成 |
-| `redcolorcontour.m` | 红色轮廓显示 |
-| `showphi.m` | 显示水平集函数 |
-
-#### `cDNA图像处理实例/` - 基础示例
-
-| 文件名 | 功能说明 |
-|--------|----------|
-| `图像处理实例.pptx` | 实例讲解PPT |
-| `数据/cDNA/Demo_cdna.m` | 基础演示代码 |
-| `数据/cDNA/*.tif` | 测试图像数据 |
-
-### 3. 图像数据
-
-| 文件名 | 说明 |
-|--------|------|
-| `GSM16390_CH1.tif` | 通道1原始图像（~26MB） |
-| `GSM16390_CH2.tif` | 通道2原始图像（~26MB） |
-| `GSM16390_CH2color.tif` | 彩色合成图像（~79MB） |
-| `*_small.tif` | 上述图像的缩小版本 |
-| `cDNA.png` | 测试用cDNA图像 |
-| `I_bw.jpg` | 二值化结果示例 |
-| `I_griddingout.tif` | 网格划分输出示例 |
+| 任务 | 内容 | 实现状态 |
+|------|------|----------|
+| 1 | 分析涉及的图像处理技术 | 见PPTX |
+| 2 | 编写阈值分割代码（人工阈值 / 迭代阈值 / Otsu） | `src/cDNA_segmentation.py` |
+| 3 | 选取cDNA图像进行分割 | 对cDNA.png完成网格划分+分割 |
 
 ---
 
-## 核心算法简介
+## 我的Python实现
 
-### 网格划分算法流程
+### 文件结构
 
 ```
-1. 读取图像 → 转灰度
-2. 计算行/列投影（均值）
-3. 自相关分析 → 估计点间距
-4. 形态学滤波 → 去除背景
-5. 阈值分割 → 标记峰值区域
-6. 提取质心 → 确定网格点位置
+src/
+├── cDNA_segmentation.py      # 原版：完整流程（网格划分 + 阈值分割 + 可视化）
+└── cDNA_gridding_simple.py   # 简化版：仅划线，适合课堂讲解
+
+results/           ← 原版输出
+results_simple/    ← 简化版输出
 ```
 
-### Chan-Vese 水平集分割
+### 原版 (`cDNA_segmentation.py`)
 
-- **核心思想**：不依赖图像梯度，基于区域统计信息分割
-- **能量函数**：$E = \mu \cdot Length(C) + \nu \cdot Area(C) + \lambda_1 \int_{inside(C)} |I - c_1|^2 + \lambda_2 \int_{outside(C)} |I - c_2|^2$
-- **优势**：对模糊边缘和低对比度图像效果好
+完整实现，参照MATLAB代码 `NewGridAndCV/`：
 
-### 局部水平集方法（论文贡献）
+| 模块 | 方法 |
+|------|------|
+| 网格划分 | 投影 → 自相关估间距 → 白顶帽去背景 → Otsu → 质心提取 |
+| 阈值分割 | 人工固定阈值、Otsu自动阈值、迭代阈值 |
+| 去噪 | TV全变分去噪（Chambolle投影算法） |
+| 后处理 | 去小连通域 + 保留最大连通域 |
 
-- 引入局部图像拟合能量 $E^{LIF}$
-- 使用高斯核 $K_\sigma$ 提取局部信息
-- 能有效处理灰度不均匀的cDNA图像
+### 简化版 (`cDNA_gridding_simple.py`)  ★ 课堂主讲
 
----
+算法3步即可理解，与原版误差为 **0像素**：
 
-## 运行环境
-
-- **MATLAB** R2016b 或更高版本
-- **需要工具箱**：
-  - Image Processing Toolbox
-  - Signal Processing Toolbox（用于自相关计算）
-
----
-
-## 快速开始
-
-```matlab
-% 1. 进入代码目录
-cd NewGridAndCV
-
-% 2. 运行演示
-demo_GriddingAndCV
-
-% 3. 或单独运行网格划分
-GriddingAndCV
+```
+1. 灰度图 → 每列/行灰度值求和 → 投影曲线
+2. 阈值 X = (max - min) × 10%，曲线减 X
+3. 正=斑点，负=空隙 → 过零点配对 → 中点即划线位置
 ```
 
 ---
 
-## 参考文献
+## 运行
 
-1. 芦碧波. 高污染基因芯片图像的网格划分[J]. 河南理工大学学报(自然科学版), 2019.
-2. 芦碧波, 刘利群, 张霄宏, 林忠华. 低对比度cDNA图像分割的局部水平集方法[J]. 中国图象图形学报, 2014.
+```bash
+# 原版（需要 numpy, scipy, skimage, PIL, matplotlib）
+python src/cDNA_segmentation.py
+
+# 简化版（依赖同上）
+python src/cDNA_gridding_simple.py
+```
+
+Python 环境：`my_env`（Anaconda），路径 `D:\ProgramData\anaconda3\envs\my_env`
+
+---
+
+## 参考资料
+
+### 参考论文
+
+| 论文 | 作者 | 来源 |
+|------|------|------|
+| 高污染基因芯片图像的网格划分 | 芦碧波 | 河南理工大学学报, 2019 |
+| 低对比度cDNA图像分割的局部水平集方法 | 芦碧波等 | 中国图象图形学报, 2014 |
+
+### MATLAB参考代码
+
+`参考资料/NewGridAndCV/` — MathWorks官方示例改编版，含网格划分与Chan-Vese水平集分割。
+
+### 数据来源
+
+`cDNA图像处理实例/数据/cDNA/` — 源自GEO数据库（GSM16390），Cy3/Cy5双通道荧光标记。
+
+---
+
+## 结果对比
+
+| | 原版（自相关+白顶帽） | 简化版（投影+阈值+过零点） |
+|---|---|---|
+| 算法复杂度 | 高（须懂自相关/形态学） | 低（加减乘除即可理解） |
+| 网格线数量 | 22×22 | 22×22 |
+| 线条位置 | 42, 77, 112, … | 42, 77, 112, … |
+| 误差 | — | **0像素** |
+
+简化版虽算法极简，但精度与原版完全一致，非常适合课堂讲解和教学演示。