feat: cDNA微阵列图像处理作业 - Python实现

实现内容：
- 网格划分：投影分析 + 自相关估周期 + 白顶帽去背景 + 质心提取
- 三种阈值分割：人工阈值、Otsu自动阈值、迭代阈值
- TV去噪（Chambolle投影算法）
- 后处理：去小连通域 + 保留最大连通域
- 完整可视化：网格叠加、阈值对比、收敛曲线、分割结果

参考MATLAB代码：NewGridAndCV/demo_GriddingAndCV.m

README.md

@@ -0,0 +1,118 @@
+# cDNA 微阵列图像处理作业资料
+
+## 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
+
+---
+
+## 资料清单
+
+### 1. 参考论文
+
+| 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 |
+
+---
+
+## 核心算法简介
+
+### 网格划分算法流程
+
+```
+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
+```
+
+### Chan-Vese 水平集分割
+
+- **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
+
+### 局部水平集方法（论文贡献）
+
+- 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
+
+---
+
+## 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
+```
+
+---
+
+## 参考文献
+
+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.