feat: 简化版增加Otsu阈值分割

输出改为左右对比图（网格划线 vs Otsu分割）

src/cDNA_gridding_simple.py

@@ -1,10 +1,10 @@
 """
-cDNA微阵列图像处理 —— 简化版网格划分
+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：
+算法步骤（划线）：
 
 1. 彩色图 → 灰度图
 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
@@ -17,6 +17,15 @@ D:\ProgramData\anaconda3\envs\my_env\python.exe src/cDNA_gridding_simple.py
    - 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）：
+
+1. 遍历所有可能的 T (0~255)
+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。
+
 """
 
 import os
@@ -154,6 +163,45 @@ def draw_grid_lines(gray: np.ndarray, pct: float = 0.10):
     return x_lines, y_lines
 
 
+def otsu_threshold(gray: np.ndarray) -> tuple[np.ndarray, float]:
+    """
+    Otsu 自动阈值分割。
+
+    原理：
+    遍历灰度值 0~255，对每个候选 T：
+      - 将像素分为两组：前景(>T) 和 背景(≤T)
+      - 计算两组各自的权重 w 和方差 σ²
+      - 类内方差 = w_bg*σ²_bg + w_fg*σ²_fg
+    选使类内方差最小的 T = 最佳分割线。
+    """
+    best_T = 0
+    best_cost = float('inf')
+    total = gray.size
+
+    for T in range(1, 255):
+        # 背景（灰度 ≤ T）
+        bg = gray[gray <= T]
+        w_bg = len(bg) / total
+        # 前景（灰度 > T）
+        fg = gray[gray > T]
+        w_fg = len(fg) / total
+
+        if w_bg == 0 or w_fg == 0:
+            continue
+
+        var_bg = np.var(bg)
+        var_fg = np.var(fg)
+        # 类内方差 = 加权平均
+        cost = w_bg * var_bg + w_fg * var_fg
+
+        if cost < best_cost:
+            best_cost = cost
+            best_T = T
+
+    binary = (gray > best_T).astype(np.uint8)
+    return binary, best_T
+
+
 def main():
     os.makedirs(OUTPUT_DIR, exist_ok=True)
 
@@ -162,24 +210,30 @@ def main():
     # 原图是 RGBA（红绿蓝+透明通道），取前三个通道转为灰度
     gray = (color.rgb2gray(img[:, :, :3]) * 255).astype(np.uint8)
 
-    # ---- 执行网格检测 ----
+    # ---- 1. 网格划线 ----
     x_lines, y_lines = draw_grid_lines(gray)
     print(f"检测到 {len(x_lines)} 条纵线, {len(y_lines)} 条横线")
 
-    # ---- 在原图上划线并保存 ----
+    # ---- 2. Otsu 阈值分割 ----
-    fig, ax = plt.subplots(figsize=(8, 8))
+    binary, T_otsu = otsu_threshold(gray)
-    ax.imshow(gray, cmap='gray')
+    print(f"Otsu 最佳阈值: {T_otsu}")
 
-    # 画纵向分割线（竖线）
+    # ---- 3. 输出：左右对比（划线 vs 分割）----
+    fig, axes = plt.subplots(1, 2, figsize=(14, 7))
+
+    # 左：网格划线
+    axes[0].imshow(gray, cmap='gray')
     for x in x_lines:
-        ax.axvline(x=x, color='lime', linewidth=0.5)
+        axes[0].axvline(x=x, color='lime', linewidth=0.5)
-
-    # 画横向分割线（横线）
     for y in y_lines:
-        ax.axhline(y=y, color='lime', linewidth=0.5)
+        axes[0].axhline(y=y, color='lime', linewidth=0.5)
+    axes[0].set_title(f'网格划分 ({len(x_lines)}×{len(y_lines)})', fontsize=13)
+    axes[0].axis('off')
 
-    ax.set_title(f'cDNA微阵列网格划分 ({len(x_lines)}×{len(y_lines)})', fontsize=14)
+    # 右：Otsu 分割结果
-    ax.axis('off')
+    axes[1].imshow(binary, cmap='gray')
+    axes[1].set_title(f'Otsu 阈值分割 (T={T_otsu})', fontsize=13)
+    axes[1].axis('off')
 
     out_path = os.path.join(OUTPUT_DIR, 'gridding_simple.png')
     fig.savefig(out_path, dpi=150, bbox_inches='tight')