feat: 简化版网格划分算法，适合课堂讲解

算法流程（仅划线，不分割）：
1. 彩色图转灰度图
2. 横/纵轴投影：每列/行灰度值求和
3. 阈值 X = (max-min) × 10%
4. 曲线减去 X，正=斑点，负=空隙
5. 过零点配对，中点即划线位置

与原版误差为0，代码带详细中文注释。

src/cDNA_gridding_simple.py

@@ -0,0 +1,189 @@
+"""
+cDNA微阵列图像处理 —— 简化版网格划分
+======================================
+
+算法步骤（适合课堂讲解）：
+
+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
+   纵轴投影：对每一行的所有像素灰度值求和 → 得到一条曲线
+3. 在曲线上，求出 max 和 min，阈值 X = (max - min) × 10%
+4. 曲线上每个值都减去 X
+5. 减完之后：
+   - 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
+"""
+
+import os
+import numpy as np
+import matplotlib.pyplot as plt
+from PIL import Image
+from skimage import color
+
+plt.rcParams['font.sans-serif'] = ['SimHei', 'Microsoft YaHei']
+plt.rcParams['axes.unicode_minus'] = False
+
+# 路径设置
+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')
+
+
+def draw_grid_lines(gray: np.ndarray, pct: float = 0.10):
+    """
+    核心算法：检测网格分割线。
+
+    原理：
+    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。
+    把每列/行的灰度值加起来，就能得到一条曲线：
+    ——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，
+    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。
+
+    参数:
+        gray: 灰度图 (高×宽)
+        pct:  阈值百分比，默认10%
+
+    返回:
+        (纵线x坐标列表, 横线y坐标列表)
+    """
+    H, W = gray.shape
+
+    # ================================================================
+    # 步骤1：横轴投影 —— 统计每一列的灰度总和
+    # ================================================================
+    # 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)
+
+    # ================================================================
+    # 步骤2：纵轴投影 —— 统计每一行的灰度总和
+    # ================================================================
+    # 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)
+
+    # ================================================================
+    # 步骤3：计算阈值 X = (max - min) × 10%
+    # ================================================================
+    # max-min 是曲线的"振幅"，取10%作为阈值
+    # 大于这个阈值的才是真正的斑点信号，小于的是噪声
+    col_T = (np.max(col_profile) - np.min(col_profile)) * pct
+    row_T = (np.max(row_profile) - np.min(row_profile)) * pct
+
+    # ================================================================
+    # 步骤4：曲线上所有值减去阈值
+    # ================================================================
+    # 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
+
+    # ================================================================
+    # 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。
+
+        图解说明（设阈值为30）：
+        原始曲线:   ___/‾‾‾\___/‾‾‾‾\___/‾‾‾\___
+        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）
+        is_positive = prof_shifted > 0
+
+        # 收集所有符号变化的位置（过零点）
+        crossings = []
+        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]:
+                crossings.append(i)
+
+        if len(crossings) < 2:
+            return np.array([])
+
+        # 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」
+        # 即：从第一个"正→负"开始配对
+
+        # 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)
+
+        return np.array(lines)
+
+    x_lines = find_gap_lines(col_shifted)
+    y_lines = find_gap_lines(row_shifted)
+
+    return x_lines, y_lines
+
+
+def main():
+    os.makedirs(OUTPUT_DIR, exist_ok=True)
+
+    # ---- 读取图像并转为灰度图 ----
+    img = np.array(Image.open(os.path.join(DATA_DIR, 'cDNA.png')))
+    # 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 ----
+    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 ----
+    fig, ax = plt.subplots(figsize=(8, 8))
+    ax.imshow(gray, cmap='gray')
+
+    # 画纵向分割线（竖线）
+    for x in x_lines:
+        ax.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)
+
+    ax.set_title(f'cDNA微阵列网格划分 ({len(x_lines)}×{len(y_lines)})', fontsize=14)
+    ax.axis('off')
+
+    out_path = os.path.join(OUTPUT_DIR, 'gridding_simple.png')
+    fig.savefig(out_path, dpi=150, bbox_inches='tight')
+    plt.close(fig)
+    print(f"保存: {out_path}")
+
+
+if __name__ == '__main__':
+    main()