refactor: 恢复简化版所有详细行内注释

每函数、每关键行都有中文注释说明原理

src/cDNA_gridding_simple.py

@@ -20,7 +20,7 @@ D:\ProgramData\anaconda3\envs\my_env\python.exe src/cDNA_gridding_simple.py
 
   2. Otsu 自动阈值
      遍历灰度 0~255，每个候选 T 将像素分为前景(>T)和背景(≤T)，
-     计算类内方差 w_bg×σ²_bg + w_fg×σ²_fg，选使类内方差最小的 T。
+     计算类内方差 w_bg×σ²_bg + w_fg×σ²_fg，选使方差最小的 T。
 
   3. 投影
      横轴：np.sum(每列) → 曲线，高点=斑点列，低点=空隙列
@@ -32,6 +32,7 @@ D:\ProgramData\anaconda3\envs\my_env\python.exe src/cDNA_gridding_simple.py
      过零点 = 斑点和空隙的分界线
 
   6. 过零点配对
+     过零点交替：正→负（离开斑点）、负→正（进入下一斑点）
      配对「离开斑点 + 进入下一斑点」，中点 = 空隙中央 = 划线位置
 
   7. 逐格分割 + 后处理
@@ -48,82 +49,175 @@ from PIL import Image
 from skimage import color
 from scipy import ndimage
 
+# matplotlib 中文字体设置
 plt.rcParams['font.sans-serif'] = ['SimHei', 'Microsoft YaHei']
 plt.rcParams['axes.unicode_minus'] = False
 
+# 路径设置（从脚本位置动态推导，禁止硬编码绝对路径）
 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')
 
 
+# ================================================================
+# 函数1：Otsu 像素级阈值
+# ================================================================
 def otsu_threshold_pixels(gray: np.ndarray) -> int:
-    """像素级 Otsu 自动阈值——遍历0~255找最小类内方差，返回 T"""
-    best_T = 0
-    best_cost = float('inf')
-    total = gray.size
+    """
+    对图像像素做 Otsu 自动阈值检测。
+
+    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)
+      - 计算类内方差 = w_bg × σ²_bg + w_fg × σ²_fg
+      - 选使类内方差最小的 T
+
+    返回 T（0~255 整数）。
+    """
+    best_T = 0                 # 当前最佳阈值
+    best_cost = float('inf')   # 当前最小类内方差
+    total = gray.size          # 总像素数（用于算权重）
+
     for T in range(1, 255):
-        bg = gray[gray <= T]
-        fg = gray[gray > T]
-        w_bg = len(bg) / total
-        w_fg = len(fg) / total
+        # 按 T 分组
+        bg = gray[gray <= T]   # 背景像素
+        fg = gray[gray > T]    # 前景像素（斑点）
+        w_bg = len(bg) / total # 背景占比
+        w_fg = len(fg) / total # 前景占比
+
         if w_bg == 0 or w_fg == 0:
-            continue
+            continue           # 某组为空（T 太极端），跳过
+
+        # 类内方差 = 加权平均方差
+        # 方差小 = 组内像素灰度接近 = 分组效果好
         cost = w_bg * np.var(bg) + w_fg * np.var(fg)
+
         if cost < best_cost:
             best_cost = cost
             best_T = T
+
     return best_T
 
 
+# ================================================================
+# 函数2：网格划线
+# ================================================================
 def draw_grid_lines(gray: np.ndarray):
-    """网格划线：投影 → 减阈值 → 过零点配对 → 空隙中点"""
-    T = otsu_threshold_pixels(gray)
-    pct = T / 255.0
+    """
+    检测网格分割线。
+
+    流程：
+      Otsu 求自适应百分比 → 列/行投影 → 减阈值 → 过零点配对 → 空隙中点
+
+    返回 (纵线x列表, 横线y列表, T, 自适应百分比)。
+    """
+    T = otsu_threshold_pixels(gray)  # 像素级最佳阈值
+    pct = T / 255.0                  # 归一化为百分比
     H, W = gray.shape
-    # 列/行投影
+
+    # ---- 1. 横轴投影 ----
+    # 对每一列上所有行的灰度求和 → 长度=宽度的数组
+    # 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)
+
+    # ---- 2. 纵轴投影 ----
+    # 对每一行上所有列的灰度求和 → 长度=高度的数组
     row_profile = np.sum(gray, axis=1).astype(float)
+
+    # ---- 3. 投影阈值 ----
+    # 振幅 × 自适应百分比 = 动态阈值（不写死，每张图自调整）
     col_T = (np.max(col_profile) - np.min(col_profile)) * pct
     row_T = (np.max(row_profile) - np.min(row_profile)) * pct
+
+    # ---- 4. 曲线减去阈值 ----
+    # 减完后：正 = 斑点区域，负 = 空隙，0 = 分界线（过零点）
     col_shifted = col_profile - col_T
     row_shifted = row_profile - row_T
 
-    def find_gap_lines(prof):
-        is_pos = prof > 0
+    # ---- 5. 过零点配对 → 空隙中线 ----
+    def find_gap_lines(prof_shifted: np.ndarray) -> np.ndarray:
+        """
+        在减去阈值后的曲线上，配对过零点，取空隙中央。
+
+        原理图解：
+        信号: ----++++----++++----++++
+              ↑   ↑    ↑   ↑
+          过零点配对：离开斑点 + 进入下一个斑点
+          → 中点 = 空隙中央 = 划线位置
+        """
+        # 每个位置是正(斑点)还是负(空隙)
+        is_positive = prof_shifted > 0
+
+        # 收集符号变化位置（过零点）
         crossings = []
-        for i in range(1, len(is_pos)):
-            if is_pos[i] != is_pos[i - 1]:
+        for i in range(1, len(is_positive)):
+            if is_positive[i] != is_positive[i - 1]:   # 正负翻转
                 crossings.append(i)
-        if len(crossings) < 2:
+
+        if len(crossings) < 2:          # 过零点不足
             return np.array([])
-        start = 1 if not is_pos[0] else 0
+
+        # 过零点交替：正→负(离开斑点), 负→正(进入下一斑点)
+        # 要配对的是"离开斑点 → 进入下一斑点"，即空隙的两端
+        # 如果信号开头是负，跳过第一个 crossing
+        start = 1 if not is_positive[0] else 0
+
         lines = []
         for k in range(start, len(crossings) - 1, 2):
             if k + 1 < len(crossings):
-                lines.append(int((crossings[k] + crossings[k + 1]) / 2))
+                # crossings[k]:   正→负（离开斑点）
+                # crossings[k+1]: 负→正（进入下一斑点）
+                # 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)
 
-    return find_gap_lines(col_shifted), find_gap_lines(row_shifted), T, pct
+    x_lines = find_gap_lines(col_shifted)
+    y_lines = find_gap_lines(row_shifted)
+
+    return x_lines, y_lines, T, pct
 
 
+# ================================================================
+# 函数3：后处理（完全自动，无需人工设定阈值）
+# ================================================================
 def keep_largest_object(binary: np.ndarray) -> np.ndarray:
-    """每格只保留最大连通域"""
+    """
+    每个格子里只保留面积最大的连通域。
+
+    ndimage.label 给每个白色连通域编号 → 算面积 → 只留最大那块。
+    不需要设定任何阈值。
+    """
     labeled, num = ndimage.label(binary)
     if num == 0:
-        return np.zeros_like(binary)
+        return np.zeros_like(binary)    # 全黑，直接返回
+    # 统计每个连通域的像素数
     areas = [int(np.sum(labeled == i)) for i in range(1, num + 1)]
-    return (labeled == (int(np.argmax(areas)) + 1)).astype(np.uint8)
+    # 找面积最大的编号
+    max_idx = int(np.argmax(areas)) + 1
+    return (labeled == max_idx).astype(np.uint8)
 
 
 def remove_small_objects(binary: np.ndarray) -> np.ndarray:
-    """自动去噪——连通域面积 < 中位数25% 的剔除"""
+    """
+    自动去除小连通域（噪声）。
+
+    统计所有连通域面积的中位数，
+    小于中位数 25% 的视为噪声，直接剔除。
+    换图换分辨率都自动适应，不需要手动调参。
+    """
     labeled, num = ndimage.label(binary)
     if num == 0:
-        return binary
+        return binary                  # 全黑，直接返回
+
+    # 收集所有连通域的面积
     areas = [int(np.sum(labeled == i)) for i in range(1, num + 1)]
-    median = np.median(areas)
-    min_size = max(1, int(median * 0.25))
+    median = np.median(areas)          # 面积中位数
+    min_size = max(1, int(median * 0.25))  # 中位数的25%，最少1像素
+
+    # 面积不达标的连通域整块置0
     result = binary.copy()
     for i in range(1, num + 1):
         if areas[i - 1] < min_size:
@@ -131,43 +225,51 @@ def remove_small_objects(binary: np.ndarray) -> np.ndarray:
     return result
 
 
+# ================================================================
+# 主流程
+# ================================================================
 def main():
     os.makedirs(OUTPUT_DIR, exist_ok=True)
 
-    # 读取图像，转灰度
+    # ---- 读取图像，转为灰度 ----
     img = np.array(Image.open(os.path.join(DATA_DIR, 'cDNA.png')))
+    # 原图 RGBA，取前三个通道转为 0~255 灰度图
     gray = (color.rgb2gray(img[:, :, :3]) * 255).astype(np.uint8)
 
-    # 1. 网格划线
+    # ---- 1. 网格划线 ----
     x_lines, y_lines, T_otsu, pct = draw_grid_lines(gray)
     print(f"检测到 {len(x_lines)} 条纵线, {len(y_lines)} 条横线")
     print(f"Otsu 阈值: T={T_otsu}, 自适应百分比: {pct*100:.1f}%")
 
-    # 2. 逐格分割 + 后处理
-    bw_full = np.zeros_like(gray)
-    for i in range(len(y_lines) - 1):
-        for j in range(len(x_lines) - 1):
-            r1, r2 = y_lines[i], y_lines[i + 1]
-            c1, c2 = x_lines[j], x_lines[j + 1]
-            blk = gray[r1:r2, c1:c2]
+    # ---- 2. 逐格分割 + 后处理 ----
+    bw_full = np.zeros_like(gray)       # 初始化全黑底图
+    for i in range(len(y_lines) - 1):   # 遍历每一行格子
+        for j in range(len(x_lines) - 1):  # 遍历每一列格子
+            r1, r2 = y_lines[i], y_lines[i + 1]  # 格子行范围
+            c1, c2 = x_lines[j], x_lines[j + 1]  # 格子列范围
+            blk = gray[r1:r2, c1:c2]             # 提取该格子
             if blk.size == 0:
                 continue
+            # 对单个格子做 Otsu 分割
             T = otsu_threshold_pixels(blk)
-            bw_blk = (blk > T).astype(np.uint8)
+            bw_blk = (blk > T).astype(np.uint8)  # 大于 T 为前景
+            # 每格只保留最大连通域（去噪点）
             bw_blk = keep_largest_object(bw_blk)
-            bw_full[r1:r2, c1:c2] = bw_blk
+            bw_full[r1:r2, c1:c2] = bw_blk       # 拼回全局图
 
+    # 全局去除小连通域（自动判别噪声阈值）
     bw_clean = remove_small_objects(bw_full)
 
-    # 3. 统计斑点
+    # ---- 3. 统计斑点 ----
     labeled, num = ndimage.label(bw_clean)
     spot_sizes = [int(np.sum(labeled == i)) for i in range(1, num + 1)]
-    valid = [s for s in spot_sizes if s >= 10]
+    valid = [s for s in spot_sizes if s >= 10]     # 过滤极小噪声
     print(f"检测到 {len(valid)} 个斑点")
 
-    # 4. 输出三栏图
+    # ---- 4. 输出三栏图 ----
     fig, axes = plt.subplots(1, 3, figsize=(20, 7))
 
+    # 左：灰度图 + 网格线
     axes[0].imshow(gray, cmap='gray')
     for x in x_lines:
         axes[0].axvline(x=x, color='lime', linewidth=0.5)
@@ -176,10 +278,12 @@ def main():
     axes[0].set_title(f'网格划分 ({len(x_lines)}x{len(y_lines)})', fontsize=13)
     axes[0].axis('off')
 
+    # 中：逐格 Otsu 分割结果（后处理前）
     axes[1].imshow(bw_full, cmap='gray')
     axes[1].set_title('逐格 Otsu 分割', fontsize=13)
     axes[1].axis('off')
 
+    # 右：后处理之后的最终二值图
     axes[2].imshow(bw_clean, cmap='gray')
     axes[2].set_title(f'后处理结果 ({len(valid)}个斑点)', fontsize=13)
     axes[2].axis('off')