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

README.md

@@ -1,97 +1,110 @@
 # 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
-
-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
+## 项目结构
 
 ```
 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
+├── 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：仅网格划分，用于课堂讲解
 
-results/           ← 原版输出
-results_simple/    ← 简化版输出
+results/                          # 原版输出（6张PNG）
+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 |
-|------|------|
-| 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）
 
-### 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**：
+**算法思路**（初中学历即可理解）：
 
 ```
 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
+2. 阈值 X = (max - min) × 10%，曲线减去 X
+3. 正 = 斑点，负 = 空隙 → 找过零点 → 配对取中点 → 划线
 ```
 
----
-
-## 运行
+**运行**：
 
 ```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
+cd src
+python cDNA_gridding_simple.py
+# 输出：results_simple/gridding_simple.png
 ```
 
-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 |
-| 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 |
+| 网格划分 | 投影 → 自相关 → 白顶帽 → Otsu → 质心 | numpy, scipy, skimage |
+| 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） |
-| 网格线数量 | 22×22 | 22×22 |
+| 功能 | 仅画网格线 | 网格 + 分割 + 去噪 |
+| 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, … |
-| 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.