docs: 重写README，聚焦Python实现
- 以两个Python脚本为核心 - 两版对比表格 - 输出文件说明 - 运行命令
This commit is contained in:
@@ -1,97 +1,110 @@
|
|||||||
# cDNA 微阵列图像处理作业
|
# cDNA 微阵列图像处理作业
|
||||||
|
|
||||||
> **作者**: 刘航宇 | 河南理工大学计算机学院 | 2026
|
> 刘航宇 | 河南理工大学计算机学院 | 2026
|
||||||
|
|
||||||
---
|
---
|
||||||
|
|
||||||
## 作业内容
|
## 项目结构
|
||||||
|
|
||||||
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：
|
|
||||||
|
|
||||||
| 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 |
|
|
||||||
|
|
||||||
---
|
|
||||||
|
|
||||||
## 我的Python实现
|
|
||||||
|
|
||||||
### 文件结构
|
|
||||||
|
|
||||||
```
|
```
|
||||||
src/
|
src/
|
||||||
├── cDNA_segmentation.py # 原版：完整流程（网格划分 + 阈值分割 + 可视化）
|
├── cDNA_segmentation.py # 原版：网格划分 + 三种阈值分割 + TV去噪
|
||||||
└── cDNA_gridding_simple.py # 简化版：仅划线，适合课堂讲解
|
└── cDNA_gridding_simple.py # 简化版：仅网格划分，用于课堂讲解
|
||||||
|
|
||||||
results/ ← 原版输出
|
results/ # 原版输出（6张PNG）
|
||||||
results_simple/ ← 简化版输出
|
results_simple/ # 简化版输出（网格叠加图 + 流程图）
|
||||||
|
docs/
|
||||||
|
└── gridding_simple_tutorial.md # 简化版逐行代码讲解教程
|
||||||
```
|
```
|
||||||
|
|
||||||
### 原版 (`cDNA_segmentation.py`)
|
---
|
||||||
|
|
||||||
完整实现，参照MATLAB代码 `NewGridAndCV/`：
|
## 两个Python实现
|
||||||
|
|
||||||
| 模块 | 方法 |
|
### 简化版 `cDNA_gridding_simple.py`（课堂主讲）
|
||||||
|------|------|
|
|
||||||
| 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 |
|
|
||||||
|
|
||||||
### 简化版 (`cDNA_gridding_simple.py`) ★ 课堂主讲
|
**算法思路**（初中学历即可理解）：
|
||||||
|
|
||||||
算法3步即可理解，与原版误差为 **0像素**：
|
|
||||||
|
|
||||||
```
|
```
|
||||||
1. 灰度图 → 每列/行灰度值求和 → 投影曲线
|
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
|
2. 阈值 X = (max - min) × 10%，曲线减去 X
|
||||||
3. 正=斑点，负=空隙 → 过零点配对 → 中点即划线位置
|
3. 正 = 斑点，负 = 空隙 → 找过零点 → 配对取中点 → 划线
|
||||||
```
|
```
|
||||||
|
|
||||||
---
|
**运行**：
|
||||||
|
|
||||||
## 运行
|
|
||||||
|
|
||||||
```bash
|
```bash
|
||||||
# 原版（需要 numpy, scipy, skimage, PIL, matplotlib）
|
cd src
|
||||||
python src/cDNA_segmentation.py
|
python cDNA_gridding_simple.py
|
||||||
|
# 输出：results_simple/gridding_simple.png
|
||||||
# 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`
|
**特点**：
|
||||||
|
|
||||||
---
|
- 约 150 行代码，带详细中文注释
|
||||||
|
- 核心逻辑仅 30 行
|
||||||
|
- 与原版网格线位置误差为 **0 像素**
|
||||||
|
- `find_gap_lines` 函数：减阈值 → 判断正负 → 找过零点 → 配对空隙中点
|
||||||
|
|
||||||
## 参考资料
|
### 原版 `cDNA_segmentation.py`（完整实现）
|
||||||
|
|
||||||
### 参考论文
|
**包含模块**：
|
||||||
|
|
||||||
| 论文 | 作者 | 来源 |
|
| 模块 | 算法 | 依赖 |
|
||||||
|------|------|------|
|
|------|------|------|
|
||||||
| 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 |
|
| 网格划分 | 投影 → 自相关 → 白顶帽 → Otsu → 质心 | numpy, scipy, skimage |
|
||||||
| 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 |
|
| 阈值分割 | 人工阈值、Otsu 自动阈值、迭代阈值 | 同上 |
|
||||||
|
| 去噪 | TV 全变分去噪（Chambolle 投影） | 同上 |
|
||||||
|
| 后处理 | 去小连通域、保留最大连通域 | 同上 |
|
||||||
|
|
||||||
### MATLAB参考代码
|
**运行**：
|
||||||
|
|
||||||
`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。
|
```bash
|
||||||
|
cd src
|
||||||
|
python cDNA_segmentation.py
|
||||||
|
# 输出：results/ 下 6 张图
|
||||||
|
```
|
||||||
|
|
||||||
### 数据来源
|
**输出文件**：
|
||||||
|
|
||||||
`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。
|
| 文件 | 内容 |
|
||||||
|
|------|------|
|
||||||
|
| `result_gridding.png` | 网格划分：原图+投影曲线+直方图 |
|
||||||
|
| `result_gridding_overlay.png` | 网格线叠加到原图 |
|
||||||
|
| `result_threshold_compare.png` | 三种阈值方法（人工/Otsu/迭代）对比 |
|
||||||
|
| `result_iterative_convergence.png` | 迭代阈值收敛曲线 |
|
||||||
|
| `result_full_segmentation.png` | 全图逐块 Otsu 分割结果 |
|
||||||
|
| `result_I_bw.png` | 最终二值图 |
|
||||||
|
|
||||||
---
|
---
|
||||||
|
|
||||||
## 结果对比
|
## 两版对比
|
||||||
|
|
||||||
| | 原版（自相关+白顶帽） | 简化版（投影+阈值+过零点） |
|
| | 简化版 | 原版 |
|
||||||
|---|---|---|
|
|---|---|---|
|
||||||
| 算法复杂度 | 高（须懂自相关/形态学） | 低（加减乘除即可理解） |
|
| 功能 | 仅画网格线 | 网格 + 分割 + 去噪 |
|
||||||
| 网格线数量 | 22×22 | 22×22 |
|
| 核心算法 | 加减乘除 | 自相关 + 形态学 + Otsu |
|
||||||
|
| 代码行数 | 150 | 430 |
|
||||||
|
| 检测网格线数 | 22×22 | 22×22 |
|
||||||
| 线条位置 | 42, 77, 112, … | 42, 77, 112, … |
|
| 线条位置 | 42, 77, 112, … | 42, 77, 112, … |
|
||||||
| 误差 | — | **0像素** |
|
| **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。
|
---
|
||||||
|
|
||||||
|
## 技术文档
|
||||||
|
|
||||||
|
- `docs/gridding_simple_tutorial.md` — 简化版 190 行逐行讲解，含 ASCII 图解
|
||||||
|
- `results_simple/flowchart.drawio` — 算法流程图，用 Draw.io 打开
|
||||||
|
|
||||||
|
## 输入数据
|
||||||
|
|
||||||
|
`cDNA.png`（820×820 RGB，来自 GEO 数据库 GSM16390，Cy3/Cy5 双色荧光）
|
||||||
|
|
||||||
|
## 运行环境
|
||||||
|
|
||||||
|
Python 3.10 + numpy, scipy, scikit-image, matplotlib, Pillow
|
||||||
|
|
||||||
|
## 参考文献
|
||||||
|
|
||||||
|
- 芦碧波等. 低对比度 cDNA 图像分割的局部水平集方法. 中国图象图形学报, 2014.
|
||||||
|
- 芦碧波. 高污染基因芯片图像的网格划分. 河南理工大学学报, 2019.
|
||||||
|
|||||||
Reference in New Issue
Block a user