docs: 更新README，新增Web应用和打包说明

- 新增Flask Web应用介绍和三种运行方式 - 新增PyInstaller打包流程 - 更新项目结构，包含web/、build_exe.py等 - 精简两版实现描述，突出各自特点 Co-Authored-By: Claude Opus 4.7 <noreply@anthropic.com>
docs: 依赖库清单
2026-05-08 21:41:03 +08:00 · 2026-05-08 16:30:32 +08:00 · 2026-05-08 16:28:40 +08:00 · 2026-05-08 16:23:44 +08:00 · 2026-05-08 16:15:45 +08:00 · 2026-05-08 16:08:47 +08:00
32 changed files with 1384 additions and 324 deletions
@@ -15,3 +15,11 @@ Thumbs.db

 # Obsidian
 .obsidian/
+
+# Flask
+.playwright-mcp/
+
+# PyInstaller 打包产物
+dist/
+build/
+*.spec
@@ -57,4 +57,6 @@ Python：`D:\ProgramData\anaconda3\envs\my_env`

 ## 仓库

-Gitea: `ssh://git@192.168.5.8:2222/Serendipity/cDNA-image-processing.git`
+- **首选**（局域网 SSH）: `ssh://git@192.168.5.8:2222/Serendipity/cDNA-image-processing.git`
+- **备选**（外网 HTTPS）: `https://lhy-git.liuhangyv.top/Serendipity/cDNA-image-processing.git`
+- SSH 连不上时自动切换到 HTTPS
@@ -4,22 +4,72 @@

 ---

+## 项目概述
+
+河南理工大学计算机学院图像处理课程作业。Python 实现 cDNA 微阵列图像的**网格划分**与**阈值分割**，配套 Web 可视化界面和 Windows 可执行文件（exe）。
+
+---
+
 ## 项目结构

 ```
-src/
-├── 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（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
+cDNA微阵列图像处理作业/
+├── src/
+│   ├── 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
+│
+├── web/                              # Flask Web 应用
+│   ├── app.py                        # Flask 主程序
+│   ├── launcher.py                    # PyInstaller 打包入口
+│   ├── templates/index.html           # 前端页面
+│   └── static/style.css               # 样式文件
+│
+├── build_exe.py                      # PyInstaller 打包脚本
+├── cDNA_Analyzer.spec                 # PyInstaller spec 配置
+├── flowchart.drawio                   # 算法流程图（用 Draw.io 打开）
+│
+├── results/                          # 原版输出图像（6张）
+├── results_simple/                   # 简化版输出图像（6张）
+├── docs/                             # 技术文档
+│   ├── cDNA 微阵列网格划分.md        # 算法详解
+│   ├── 两版差异说明.md               # 简化版 vs 原版对比
+│   └── 依赖库清单.md                  # Python 依赖
+│
+├── cDNA图像处理实例/                  # 课程示例数据
+└── 参考资料/                          # MATLAB 参考代码 + 论文 PDF
 ```

 ---

-## 两个Python实现
+## 快速开始
+
+### 方式一：Windows 可执行文件（推荐）
+
+下载 `dist/cDNA_Analyzer.exe` 并双击运行，浏览器自动打开 `http://localhost:5000`，上传图像即可处理。
+
+### 方式二：Web 开发模式
+
+```bash
+cd web
+python app.py
+# 浏览器自动打开 http://localhost:5000
+```
+
+### 方式三：命令行脚本
+
+```bash
+# 简化版（课堂主讲，约150行）
+python src/cDNA_gridding_simple.py
+# 输出：results_simple/ 下 6 张图
+
+# 原版（完整实现，430行）
+python src/cDNA_segmentation.py
+# 输出：results/ 下 6 张图
+```
+
+---
+
+## 两种 Python 实现

 ### 简化版 `cDNA_gridding_simple.py`（课堂主讲）

@@ -27,16 +77,10 @@ docs/

 ```
 1. 灰度图 → 每列/行灰度值求和 → 投影曲线
-2. 阈值 X = (max - min) × 10%，曲线减去 X
-3. 正 = 斑点，负 = 空隙 → 找过零点 → 配对取中点 → 划线
-```
-
-**运行**：
-
-```bash
-cd src
-python cDNA_gridding_simple.py
-# 输出：results_simple/gridding_simple.png
+2. Otsu 求自适应百分比 = T/255
+3. 阈值 X = (max - min) × 百分比，曲线减去 X
+4. 正 = 斑点，负 = 空隙 → 找过零点 → 配对取中点 → 划线
+5. 逐格 Otsu 分割 + keep_largest_object + remove_small_objects
 ```

 **特点**：
@@ -44,67 +88,69 @@ python cDNA_gridding_simple.py
 - 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
+- 完全自动化，无需人工设定参数

 ### 原版 `cDNA_segmentation.py`（完整实现）

-**包含模块**：
-
-| 模块 | 算法 | 依赖 |
+| 模块 | 算法 | 参照 |
 |------|------|------|
-| 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 |
-
-**运行**：
-
-```bash
-cd src
-python cDNA_segmentation.py
-# 输出：results/ 下 6 张图
-```
-
-**输出文件**：
-
-| 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 |
+| 网格划分 | 投影 → 自相关 → 白顶帽 → Otsu → 质心 | MATLAB `GriddingAndCV.m` |
+| 阈值分割 | 人工阈值、Otsu 自动阈值、迭代阈值 | — |
+| 去噪 | TV 全变分去噪（Chambolle 投影） | MATLAB `tvdenoise.m` |
+| 后处理 | 去小连通域、保留最大连通域 | MATLAB `choice.m` |

 ---

-## 两版对比
+## Web 应用功能

-| | 简化版 | 原版 |
-|---|---|---|
-| 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** | — |
+- **图像上传**：支持 PNG、JPG、TIFF 等格式，最大 50MB
+- **自动处理**：网格划分 + 逐格分割 + 后处理
+- **6 张可视化图表**：
+  1. 网格线叠加原图
+  2. 列投影曲线
+  3. 行投影曲线
+  4. 灰度直方图 + Otsu 阈值
+  5. 分割结果（后处理前）
+  6. 后处理结果
+- **统计信息**：检测到的斑点数、Otsu 阈值、网格尺寸等

 ---

-## 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）
+- `cDNA.png`（820×820 RGB，来自 GEO 数据库 GSM16390，Cy3/Cy5 双色荧光）
+- 23×23 斑点阵列，斑点间距约 35px，每斑点约 18px 宽
+
+---
+
+## 打包说明
+
+使用 PyInstaller 将 Web 应用打包为单个 exe 文件：
+
+```bash
+python build_exe.py
+# 输出：dist/cDNA_Analyzer.exe（约 68MB）
+```
+
+打包配置已优化，排除了 torch、pandas 等无关重量级包。
+
+---

 ## 运行环境

-Python 3.10 + numpy, scipy, scikit-image, matplotlib, Pillow
+- **Python**: `D:\ProgramData\anaconda3\envs\my_env`
+- **依赖**: numpy, scipy, scikit-image, matplotlib, Pillow, Flask
+
+---

 ## 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.
+
+---
+
+## 仓库
+
+- **首选**（局域网 SSH）: `ssh://git@192.168.5.8:2222/Serendipity/cDNA-image-processing.git`
+- **备选**（外网 HTTPS）: `https://lhy-git.liuhangyv.top/Serendipity/cDNA-image-processing.git`
@@ -0,0 +1,38 @@
+"""
+PyInstaller打包脚本
+运行: python build_exe.py
+输出: dist/cDNA_Analyzer.exe
+"""
+
+import PyInstaller.__main__
+import os
+
+PyInstaller.__main__.run([
+    'web/launcher.py',
+    '--name=cDNA_Analyzer',
+    '--onefile',
+    '--noconsole',
+    '--add-data', f'web/templates;templates',
+    '--add-data', f'web/static;static',
+    # 排除不相关的重量级包（环境里有torch/pandas等）
+    '--exclude-module', 'torch',
+    '--exclude-module', 'torchvision',
+    '--exclude-module', 'torchaudio',
+    '--exclude-module', 'pandas',
+    '--exclude-module', 'sklearn',
+    '--exclude-module', 'sqlalchemy',
+    '--exclude-module', 'pygame',
+    '--exclude-module', 'zmq',
+    '--exclude-module', 'IPython',
+    '--exclude-module', 'jedi',
+    '--exclude-module', 'numba',
+    '--exclude-module', 'llvmlite',
+    '--exclude-module', 'onnxruntime',
+    '--exclude-module', 'lxml',
+    '--exclude-module', 'cryptography',
+    '--exclude-module', 'bcrypt',
+    '--exclude-module', 'pygments',
+    '--clean',
+    '--noconfirm',
+])
+print('\n完成！exe 在 dist/cDNA_Analyzer.exe')
@@ -1,4 +1,4 @@
-# cDNA 微阵列网格划分 —— 简化版逐行代码讲解
+# cDNA 微阵列网格划分 —— 逐行代码讲解

 > 作者：刘航宇 | 河南理工大学计算机学院

@@ -7,11 +7,11 @@
 ## 写在前面

 这篇教程将 **逐行** 讲解 `cDNA_gridding_simple.py` 的每一段代码。
-目标读者是上《图像处理》课的同学，只要求你学过 Python 基础（列表、循环、numpy 数组）。
+目标读者是上《图像处理》课的同学，只要求学过 Python 基础（列表、循环、numpy 数组）。

 读完这篇文章，你会彻底理解：
 - 一张 cDNA 微阵列图像是怎么被自动划分成 22×22 个方格子的
- 为什么这么简单的算法，结果能和原版完全一致（误差 0 像素）
+- 为什么这么简单的算法，结果能和原版老师发的示范MATLAB代码效果完全一致（误差 0 像素）

 ---

@@ -20,8 +20,7 @@
 我们有一张 cDNA 芯片图像（820×820 像素），上面整齐排列着绿色的荧光斑点。

 目标：**画一个网格线，让每个斑点都被一个方框圈住**。
-
-![整体思路](images/overview_idea.png)
+![整体思路](gridding_simple.png)

 怎么自动做到？核心思路只有一句话：

@@ -0,0 +1,101 @@
+# 简化版 vs 原版 差异说明
+
+> 写给以后的自己：简化版只是课堂演示用的，生产环境用原版。
+
+---
+
+## 一句话总结
+
+| | 功能 | 用途 |
+|---|---|---|
+| 简化版 | 只画网格线 | 课堂讲解 |
+| 原版 | 网格 + 去噪 + 分割 + 后处理 + 可视化 | 完整作业 |
+
+---
+
+## 简化版缺少的模块
+
+### 1. TV全变分去噪
+
+**位置**：`cDNA_segmentation.py` 第 78-102 行，`tv_denoise()`
+
+**干什么**：对每个子块做 Chambolle 投影去噪，去除荧光噪点。简化版完全没有这一步。
+
+**实现**：Rudin-Osher-Fatemi 模型，`min TV(u) + λ/2||f-u||²`，迭代对偶变量 p1、p2 直到收敛。
+
+### 2. 三种阈值分割
+
+**位置**：`cDNA_segmentation.py` 第 35-71 行
+
+| 函数 | 原理 |
+|------|------|
+| `manual_threshold()` | 灰度 > 固定值 T |
+| `otsu_threshold()` | 最大类间方差自动求 T |
+| `iterative_threshold()` | 初始 T=均值，迭代 T=(μ_fg+μ_bg)/2 直到收敛 |
+
+简化版完全没有分割这一步。
+
+### 3. 全图逐块分割
+
+**位置**：`cDNA_segmentation.py` 第 374-411 行
+
+**做什么**：对网格划分出的每个子块：
+1. 如果太暗（均值<5或<30），先增强
+2. TV 去噪
+3. Otsu 阈值二值化
+4. 保留最大连通域
+5. 拼接回全局二值图
+
+简化版只画线，不处理子块。
+
+### 4. 后处理
+
+**位置**：`cDNA_segmentation.py` 第 206-226 行
+
+| 函数 | 作用 |
+|------|------|
+| `remove_small_objects()` | 去掉面积 < 20 的连通域（噪声） |
+| `keep_largest_object()` | 每个子块只保留最大的那块（斑点） |
+
+简化版不需要后处理（因为没生成二值图）。
+
+### 5. 可视化差异
+
+**简化版输出**（1张）：
+
+| 文件 | 内容 |
+|------|------|
+| `gridding_simple.png` | 灰度图 + 绿色网格线 |
+
+**原版输出**（6张）：
+
+| 文件 | 内容 |
+|------|------|
+| `result_gridding.png` | 4合1：网格叠加 + 列投影 + 行投影 + 灰度直方图 |
+| `result_gridding_overlay.png` | 网格线叠在原图上 |
+| `result_threshold_compare.png` | 2×2：原图 + 人工/Otsu/迭代三种分割对比 |
+| `result_iterative_convergence.png` | 迭代阈值收敛曲线 |
+| `result_full_segmentation.png` | 全图逐块分割二值结果 |
+| `result_I_bw.png` | 单独的二值图 |
+
+### 6. 网格划分算法不同
+
+| 步骤 | 简化版 | 原版 |
+|------|--------|------|
+| 投影 | `np.sum` 求和 | `np.mean` 求均值 |
+| 估间距 | 无 | 自相关 `np.correlate` |
+| 去背景 | 无 | `ndimage.white_tophat` |
+| 找斑点 | 减10%阈值 → 过零点 | Otsu + 连通域质心 |
+
+结果一致（误差 0 像素），但算法完全不同。
+
+---
+
+## 什么时候用哪个
+
+| 场景 | 用哪个 |
+|------|--------|
+| 课堂讲算法思路 | 简化版 |
+| 实际做图像处理 | 原版 |
+| 对比阈值方法对同一张图的效果 | 原版 |
+| 只画网格线 | 都可以 |
@@ -0,0 +1,36 @@
+# 依赖库清单
+
+## 核心运行时依赖
+
+| 库名 | 版本 | 用途 | 哪些文件用到 |
+|------|------|------|-------------|
+| **numpy** | 1.26.4 | 数组运算、投影求和、统计 | 全部 .py |
+| **scipy** | 1.15.3 | 连通域标记 `ndimage.label` | 全部 .py |
+| **scikit-image** | 0.25.2 | `rgb2gray` 灰度转换、Otsu 阈值 | 全部 .py |
+| **matplotlib** | 3.10.8 | 可视化绘图（投影曲线、直方图、结果图） | 全部 .py |
+| **Pillow** | 12.1.1 | 读取图像文件（png/tif/jpg） | 全部 .py |
+| **Flask** | 3.1.2 | Web 后端 | web/app.py |
+
+## 仅打包时需要的额外依赖
+
+| 库名 | 用途 |
+|------|------|
+| **PyInstaller** | 将 Python 项目打包成独立 exe |
+
+## 安装命令
+
+```bash
+pip install numpy scipy scikit-image matplotlib Pillow flask
+```
+
+如需打包：
+
+```bash
+pip install pyinstaller
+python build_exe.py
+```
+
+## 版本兼容性
+
+以上版本为当前开发环境（Python 3.10，Anaconda `my_env`）实测版本。
+其他相近版本通常兼容，无特殊版本锁定需求。
@@ -0,0 +1,109 @@
+<mxfile host="65bd71144e">
+    <diagram name="简化版完整算法流程" id="flowchart">
+        <mxGraphModel dx="1475" dy="1478" grid="1" gridSize="10" guides="1" tooltips="1" connect="1" arrows="1" fold="1" page="1" pageScale="1" pageWidth="1200" pageHeight="2000" math="0" shadow="0">
+            <root>
+                <mxCell id="0"/>
+                <mxCell id="1" parent="0"/>
+                <mxCell id="title" value="cDNA微阵列网格划分 —— 简化版完整算法流程" style="text;html=1;strokeColor=none;fillColor=none;align=center;verticalAlign=middle;whiteSpace=wrap;rounded=0;fontSize=18;fontStyle=1;fontColor=#1565C0" parent="1" vertex="1">
+                    <mxGeometry x="250" y="20" width="700" height="40" as="geometry"/>
+                </mxCell>
+                <mxCell id="s1" value="1. 读取图像" style="rounded=1;whiteSpace=wrap;html=1;fillColor=#C8E6C9;strokeColor=#2E7D32;strokeWidth=2;fontSize=14;fontStyle=1;align=center;verticalAlign=middle" parent="1" vertex="1">
+                    <mxGeometry x="480" y="80" width="240" height="45" as="geometry"/>
+                </mxCell>
+                <mxCell id="s2" value="2. 转为灰度图&#xa;color.rgb2gray(img)" style="rounded=1;whiteSpace=wrap;html=1;fillColor=#C8E6C9;strokeColor=#2E7D32;strokeWidth=2;fontSize=13;fontStyle=1;align=center;verticalAlign=middle" parent="1" vertex="1">
+                    <mxGeometry x="480" y="155" width="240" height="45" as="geometry"/>
+                </mxCell>
+                <mxCell id="s_otsu" value="3. Otsu 自动阈值&#xa;遍历0~255，选最小类内方差 T&#xa;pct = T / 255（自适应）" style="rounded=1;whiteSpace=wrap;html=1;fillColor=#FFF9C4;strokeColor=#F9A825;strokeWidth=3;fontSize=12;fontStyle=1;align=center;verticalAlign=middle" parent="1" vertex="1">
+                    <mxGeometry x="480" y="230" width="240" height="55" as="geometry"/>
+                </mxCell>
+                <mxCell id="s3L" value="3a. 横轴投影&#xa;np.sum(gray, axis=0)&#xa;每列灰度求和" style="rounded=1;whiteSpace=wrap;html=1;fillColor=#E8EAF6;strokeColor=#3949AB;strokeWidth=2;fontSize=12;align=center;verticalAlign=middle" parent="1" vertex="1">
+                    <mxGeometry x="270" y="327" width="210" height="60" as="geometry"/>
+                </mxCell>
+                <mxCell id="s3R" value="3b. 纵轴投影&#xa;np.sum(gray, axis=1)&#xa;每行灰度求和" style="rounded=1;whiteSpace=wrap;html=1;fillColor=#E8EAF6;strokeColor=#3949AB;strokeWidth=2;fontSize=12;align=center;verticalAlign=middle" parent="1" vertex="1">
+                    <mxGeometry x="720" y="327" width="210" height="60" as="geometry"/>
+                </mxCell>
+                <mxCell id="s4" value="4. 计算投影阈值 X&#xa;X = (max-min) × pct" style="rounded=1;whiteSpace=wrap;html=1;fillColor=#FFF9C4;strokeColor=#F9A825;strokeWidth=3;fontSize=13;fontStyle=1;align=center;verticalAlign=middle" parent="1" vertex="1">
+                    <mxGeometry x="480" y="437" width="240" height="50" as="geometry"/>
+                </mxCell>
+                <mxCell id="s5" value="5. 曲线减去 X&#xa;正 = 斑点，负 = 空隙，零 = 分界线" style="rounded=1;whiteSpace=wrap;html=1;fillColor=#FFF9C4;strokeColor=#F9A825;strokeWidth=3;fontSize=12;fontStyle=1;align=center;verticalAlign=middle" parent="1" vertex="1">
+                    <mxGeometry x="480" y="527" width="240" height="55" as="geometry"/>
+                </mxCell>
+                <mxCell id="s6" value="6. 找过零点，配对取空隙中点&#xa;离开斑点 + 进入下一斑点 → 划线位置" style="rounded=1;whiteSpace=wrap;html=1;fillColor=#E3F2FD;strokeColor=#1565C0;strokeWidth=3;fontSize=12;fontStyle=1;align=center;verticalAlign=middle" parent="1" vertex="1">
+                    <mxGeometry x="480" y="617" width="240" height="55" as="geometry"/>
+                </mxCell>
+                <mxCell id="s7" value="7. 逐格 Otsu 分割&#xa;对每个格子独立算 Otsu 阈值，二值化" style="rounded=1;whiteSpace=wrap;html=1;fillColor=#FFE0B2;strokeColor=#E65100;strokeWidth=2;fontSize=12;align=center;verticalAlign=middle;fontStyle=1" parent="1" vertex="1">
+                    <mxGeometry x="480" y="717" width="240" height="55" as="geometry"/>
+                </mxCell>
+                <mxCell id="s8" value="8. keep_largest_object&#xa;每个格子只保留面积最大的连通域" style="rounded=1;whiteSpace=wrap;html=1;fillColor=#FFE0B2;strokeColor=#E65100;strokeWidth=2;fontSize=12;align=center;verticalAlign=middle;fontStyle=1" parent="1" vertex="1">
+                    <mxGeometry x="480" y="807" width="240" height="50" as="geometry"/>
+                </mxCell>
+                <mxCell id="s9" value="9. remove_small_objects&#xa;全局去噪：面积 &amp;lt; 中位数25% 自动剔除" style="rounded=1;whiteSpace=wrap;html=1;fillColor=#FFE0B2;strokeColor=#E65100;strokeWidth=2;fontSize=12;align=center;verticalAlign=middle;fontStyle=1" parent="1" vertex="1">
+                    <mxGeometry x="480" y="897" width="240" height="50" as="geometry"/>
+                </mxCell>
+                <mxCell id="s10" value="10. 统计斑点数&#xa;ndimage.label 标记连通域，过滤面积&amp;lt;10" style="rounded=1;whiteSpace=wrap;html=1;fillColor=#FFE0B2;strokeColor=#E65100;strokeWidth=2;fontSize=12;align=center;verticalAlign=middle;fontStyle=1" parent="1" vertex="1">
+                    <mxGeometry x="480" y="987" width="240" height="50" as="geometry"/>
+                </mxCell>
+                <mxCell id="s11" value="11. 输出 6 张可视化图片&#xa;网格 / 投影曲线 / 直方图 / 分割 / 后处理" style="rounded=1;whiteSpace=wrap;html=1;fillColor=#C8E6C9;strokeColor=#2E7D32;strokeWidth=2;fontSize=12;align=center;verticalAlign=middle;fontStyle=1" parent="1" vertex="1">
+                    <mxGeometry x="480" y="1077" width="240" height="55" as="geometry"/>
+                </mxCell>
+                <mxCell id="e1" style="edgeStyle=orthogonalEdgeStyle;rounded=0;orthogonalLoop=1;jettySize=auto;html=1;strokeColor=#666666;strokeWidth=2;endArrow=classic;endFill=1" parent="1" source="s1" target="s2" edge="1">
+                    <mxGeometry relative="1" as="geometry"/>
+                </mxCell>
+                <mxCell id="e2" style="edgeStyle=orthogonalEdgeStyle;rounded=0;orthogonalLoop=1;jettySize=auto;html=1;strokeColor=#666666;strokeWidth=2;endArrow=classic;endFill=1" parent="1" source="s2" target="s_otsu" edge="1">
+                    <mxGeometry relative="1" as="geometry"/>
+                </mxCell>
+                <mxCell id="e3L" style="edgeStyle=orthogonalEdgeStyle;rounded=0;orthogonalLoop=1;jettySize=auto;html=1;strokeColor=#666666;strokeWidth=2;endArrow=classic;endFill=1" parent="1" source="s_otsu" target="s3L" edge="1">
+                    <mxGeometry relative="1" as="geometry"/>
+                </mxCell>
+                <mxCell id="e3R" style="edgeStyle=orthogonalEdgeStyle;rounded=0;orthogonalLoop=1;jettySize=auto;html=1;strokeColor=#666666;strokeWidth=2;endArrow=classic;endFill=1" parent="1" source="s_otsu" target="s3R" edge="1">
+                    <mxGeometry relative="1" as="geometry"/>
+                </mxCell>
+                <mxCell id="e4L" style="edgeStyle=orthogonalEdgeStyle;rounded=0;orthogonalLoop=1;jettySize=auto;html=1;strokeColor=#666666;strokeWidth=2;endArrow=classic;endFill=1" parent="1" source="s3L" target="s4" edge="1">
+                    <mxGeometry relative="1" as="geometry"/>
+                </mxCell>
+                <mxCell id="e4R" style="edgeStyle=orthogonalEdgeStyle;rounded=0;orthogonalLoop=1;jettySize=auto;html=1;strokeColor=#666666;strokeWidth=2;endArrow=classic;endFill=1" parent="1" source="s3R" target="s4" edge="1">
+                    <mxGeometry relative="1" as="geometry"/>
+                </mxCell>
+                <mxCell id="e5" style="edgeStyle=orthogonalEdgeStyle;rounded=0;orthogonalLoop=1;jettySize=auto;html=1;strokeColor=#666666;strokeWidth=2;endArrow=classic;endFill=1" parent="1" source="s4" target="s5" edge="1">
+                    <mxGeometry relative="1" as="geometry"/>
+                </mxCell>
+                <mxCell id="e6" style="edgeStyle=orthogonalEdgeStyle;rounded=0;orthogonalLoop=1;jettySize=auto;html=1;strokeColor=#666666;strokeWidth=2;endArrow=classic;endFill=1" parent="1" source="s5" target="s6" edge="1">
+                    <mxGeometry relative="1" as="geometry"/>
+                </mxCell>
+                <mxCell id="e7" style="edgeStyle=orthogonalEdgeStyle;rounded=0;orthogonalLoop=1;jettySize=auto;html=1;strokeColor=#666666;strokeWidth=2;endArrow=classic;endFill=1;fontStyle=1" parent="1" source="s6" target="s7" edge="1">
+                    <mxGeometry relative="1" as="geometry"/>
+                </mxCell>
+                <mxCell id="e8" style="edgeStyle=orthogonalEdgeStyle;rounded=0;orthogonalLoop=1;jettySize=auto;html=1;strokeColor=#666666;strokeWidth=2;endArrow=classic;endFill=1;fontStyle=1" parent="1" source="s7" target="s8" edge="1">
+                    <mxGeometry relative="1" as="geometry"/>
+                </mxCell>
+                <mxCell id="e9" style="edgeStyle=orthogonalEdgeStyle;rounded=0;orthogonalLoop=1;jettySize=auto;html=1;strokeColor=#666666;strokeWidth=2;endArrow=classic;endFill=1;fontStyle=1" parent="1" source="s8" target="s9" edge="1">
+                    <mxGeometry relative="1" as="geometry"/>
+                </mxCell>
+                <mxCell id="e10" style="edgeStyle=orthogonalEdgeStyle;rounded=0;orthogonalLoop=1;jettySize=auto;html=1;strokeColor=#666666;strokeWidth=2;endArrow=classic;endFill=1;fontStyle=1" parent="1" source="s9" target="s10" edge="1">
+                    <mxGeometry relative="1" as="geometry"/>
+                </mxCell>
+                <mxCell id="e11" style="edgeStyle=orthogonalEdgeStyle;rounded=0;orthogonalLoop=1;jettySize=auto;html=1;strokeColor=#666666;strokeWidth=2;endArrow=classic;endFill=1;fontStyle=1" parent="1" source="s10" target="s11" edge="1">
+                    <mxGeometry relative="1" as="geometry"/>
+                </mxCell>
+                <mxCell id="legend_title" value="图例" style="text;html=1;strokeColor=none;fillColor=none;align=left;verticalAlign=middle;whiteSpace=wrap;rounded=0;fontSize=14;fontStyle=1" parent="1" vertex="1">
+                    <mxGeometry x="270" y="929" width="60" height="25" as="geometry"/>
+                </mxCell>
+                <mxCell id="leg1" value="输入/输出" style="rounded=1;whiteSpace=wrap;html=1;fillColor=#C8E6C9;strokeColor=#2E7D32;strokeWidth=2;fontSize=11;align=center;verticalAlign=middle" parent="1" vertex="1">
+                    <mxGeometry x="270" y="964" width="100" height="28" as="geometry"/>
+                </mxCell>
+                <mxCell id="leg2" value="网格划线" style="rounded=1;whiteSpace=wrap;html=1;fillColor=#FFF9C4;strokeColor=#F9A825;strokeWidth=2;fontSize=11;align=center;verticalAlign=middle" parent="1" vertex="1">
+                    <mxGeometry x="270" y="999" width="100" height="28" as="geometry"/>
+                </mxCell>
+                <mxCell id="leg3" value="过零点/配对" style="rounded=1;whiteSpace=wrap;html=1;fillColor=#E3F2FD;strokeColor=#1565C0;strokeWidth=2;fontSize=11;align=center;verticalAlign=middle" parent="1" vertex="1">
+                    <mxGeometry x="270" y="1034" width="100" height="28" as="geometry"/>
+                </mxCell>
+                <mxCell id="leg4" value="投影计算" style="rounded=1;whiteSpace=wrap;html=1;fillColor=#E8EAF6;strokeColor=#3949AB;strokeWidth=2;fontSize=11;align=center;verticalAlign=middle" parent="1" vertex="1">
+                    <mxGeometry x="270" y="1069" width="100" height="28" as="geometry"/>
+                </mxCell>
+                <mxCell id="leg5" value="分割/后处理" style="rounded=1;whiteSpace=wrap;html=1;fillColor=#FFE0B2;strokeColor=#E65100;strokeWidth=2;fontSize=11;align=center;verticalAlign=middle" parent="1" vertex="1">
+                    <mxGeometry x="270" y="1104" width="100" height="28" as="geometry"/>
+                </mxCell>
+            </root>
+        </mxGraphModel>
+    </diagram>
+</mxfile>
@@ -1,130 +0,0 @@
-<mxfile host="65bd71144e">
-    <diagram name="简化版网格划分算法流程" id="flowchart">
-        <mxGraphModel dx="888" dy="899" grid="1" gridSize="10" guides="1" tooltips="1" connect="1" arrows="1" fold="1" page="1" pageScale="1" pageWidth="1200" pageHeight="1600" math="0" shadow="0">
-            <root>
-                <mxCell id="0"/>
-                <mxCell id="1" parent="0"/>
-                <mxCell id="title" value="cDNA微阵列网格划分 —— 简化版算法流程图" style="text;html=1;strokeColor=none;fillColor=none;align=center;verticalAlign=middle;whiteSpace=wrap;rounded=0;fontSize=20;fontStyle=1;fontColor=#1565C0" parent="1" vertex="1">
-                    <mxGeometry x="300" y="30" width="600" height="40" as="geometry"/>
-                </mxCell>
-                <mxCell id="s1" value="1. 读取图像" style="rounded=1;whiteSpace=wrap;html=1;fillColor=#C8E6C9;strokeColor=#2E7D32;strokeWidth=2;fontSize=14;fontStyle=1;align=center;verticalAlign=middle" parent="1" vertex="1">
-                    <mxGeometry x="480" y="100" width="240" height="50" as="geometry"/>
-                </mxCell>
-                <mxCell id="s2" value="2. 转为灰度图&#xa;color.rgb2gray(img)" style="rounded=1;whiteSpace=wrap;html=1;fillColor=#C8E6C9;strokeColor=#2E7D32;strokeWidth=2;fontSize=14;fontStyle=1;align=center;verticalAlign=middle" parent="1" vertex="1">
-                    <mxGeometry x="480" y="190" width="240" height="55" as="geometry"/>
-                </mxCell>
-                <mxCell id="s3L" value="3. 纵轴投影&#xa;np.sum(gray, axis=0)&#xa;每一列灰度值求和" style="rounded=1;whiteSpace=wrap;html=1;fillColor=#E8EAF6;strokeColor=#3949AB;strokeWidth=2;fontSize=13;align=center;verticalAlign=middle" parent="1" vertex="1">
-                    <mxGeometry x="300" y="290" width="240" height="65" as="geometry"/>
-                </mxCell>
-                <mxCell id="s3R" value="3. 横轴投影&#xa;np.sum(gray, axis=1)&#xa;每一行灰度值求和" style="rounded=1;whiteSpace=wrap;html=1;fillColor=#E8EAF6;strokeColor=#3949AB;strokeWidth=2;fontSize=13;align=center;verticalAlign=middle" parent="1" vertex="1">
-                    <mxGeometry x="660" y="290" width="240" height="65" as="geometry"/>
-                </mxCell>
-                <mxCell id="s4" value="4. 计算阈值 X&#xa;X = (max - min) × 10%" style="rounded=1;whiteSpace=wrap;html=1;fillColor=#FFF9C4;strokeColor=#F9A825;strokeWidth=3;fontSize=14;fontStyle=1;align=center;verticalAlign=middle" parent="1" vertex="1">
-                    <mxGeometry x="480" y="400" width="240" height="55" as="geometry"/>
-                </mxCell>
-                <mxCell id="s5" value="5. 曲线减去 X&#xa;col_shifted = col_profile - X&#xa;row_shifted = row_profile - X" style="rounded=1;whiteSpace=wrap;html=1;fillColor=#FFF9C4;strokeColor=#F9A825;strokeWidth=3;fontSize=13;align=center;verticalAlign=middle" parent="1" vertex="1">
-                    <mxGeometry x="480" y="500" width="240" height="65" as="geometry"/>
-                </mxCell>
-                <mxCell id="s6" value="6. 减阈值后结果" style="rounded=1;whiteSpace=wrap;html=1;fillColor=#FFE0B2;strokeColor=#E65100;strokeWidth=2;fontSize=13;align=center;verticalAlign=middle" parent="1" vertex="1">
-                    <mxGeometry x="480" y="610" width="240" height="40" as="geometry"/>
-                </mxCell>
-                <mxCell id="d1" value="&gt; 0 ?" style="rhombus;whiteSpace=wrap;html=1;fillColor=#FFF9C4;strokeColor=#F9A825;strokeWidth=2;fontSize=13;fontStyle=1;align=center;verticalAlign=middle" parent="1" vertex="1">
-                    <mxGeometry x="525" y="690" width="150" height="80" as="geometry"/>
-                </mxCell>
-                <mxCell id="s7pos" value="正 → 斑点区域" style="rounded=1;whiteSpace=wrap;html=1;fillColor=#C8E6C9;strokeColor=#2E7D32;strokeWidth=2;fontSize=13;fontStyle=1;align=center;verticalAlign=middle" parent="1" vertex="1">
-                    <mxGeometry x="270" y="705" width="160" height="50" as="geometry"/>
-                </mxCell>
-                <mxCell id="s7neg" value="负 → 空隙" style="rounded=1;whiteSpace=wrap;html=1;fillColor=#FFCDD2;strokeColor=#C62828;strokeWidth=2;fontSize=13;fontStyle=1;align=center;verticalAlign=middle" parent="1" vertex="1">
-                    <mxGeometry x="760" y="705" width="160" height="50" as="geometry"/>
-                </mxCell>
-                <mxCell id="s8" value="7. 找过零点" style="rounded=1;whiteSpace=wrap;html=1;fillColor=#E3F2FD;strokeColor=#1565C0;strokeWidth=3;fontSize=14;fontStyle=1;align=center;verticalAlign=middle" parent="1" vertex="1">
-                    <mxGeometry x="480" y="820" width="240" height="50" as="geometry"/>
-                </mxCell>
-                <mxCell id="note1" value="遍历 is_positive 数组&#xa;当相邻位置正负不同时&#xa;记录该位置 = 过零点" style="shape=note;whiteSpace=wrap;html=1;fillColor=#FFFDE7;strokeColor=#F9A825;strokeWidth=1;fontSize=11;align=center;verticalAlign=middle;backgroundOutline=1;size=14" parent="1" vertex="1">
-                    <mxGeometry x="800" y="820" width="160" height="80" as="geometry"/>
-                </mxCell>
-                <mxCell id="s9" value="8. 配对过零点" style="rounded=1;whiteSpace=wrap;html=1;fillColor=#E3F2FD;strokeColor=#1565C0;strokeWidth=3;fontSize=14;fontStyle=1;align=center;verticalAlign=middle" parent="1" vertex="1">
-                    <mxGeometry x="480" y="920" width="240" height="50" as="geometry"/>
-                </mxCell>
-                <mxCell id="note2" value="配对「离开斑点+进入下一斑点」&#xa;即：正→负 与 负→正&#xa;中点 = 空隙中央 = 划线位置" style="shape=note;whiteSpace=wrap;html=1;fillColor=#FFFDE7;strokeColor=#F9A825;strokeWidth=1;fontSize=11;align=center;verticalAlign=middle;backgroundOutline=1;size=14" parent="1" vertex="1">
-                    <mxGeometry x="800" y="920" width="180" height="80" as="geometry"/>
-                </mxCell>
-                <mxCell id="s10" value="9. 画出网格线&#xa;ax.axvline(x) / ax.axhline(y)" style="rounded=1;whiteSpace=wrap;html=1;fillColor=#C8E6C9;strokeColor=#2E7D32;strokeWidth=2;fontSize=13;fontStyle=1;align=center;verticalAlign=middle" parent="1" vertex="1">
-                    <mxGeometry x="480" y="1020" width="240" height="55" as="geometry"/>
-                </mxCell>
-                <mxCell id="s11" value="10. 输出网格叠加图" style="rounded=1;whiteSpace=wrap;html=1;fillColor=#C8E6C9;strokeColor=#2E7D32;strokeWidth=2;fontSize=14;fontStyle=1;align=center;verticalAlign=middle" parent="1" vertex="1">
-                    <mxGeometry x="480" y="1120" width="240" height="50" as="geometry"/>
-                </mxCell>
-                <mxCell id="e1" value="" style="edgeStyle=orthogonalEdgeStyle;rounded=0;orthogonalLoop=1;jettySize=auto;html=1;strokeColor=#666666;strokeWidth=2;endArrow=classic;endFill=1" parent="1" source="s1" target="s2" edge="1">
-                    <mxGeometry relative="1" as="geometry"/>
-                </mxCell>
-                <mxCell id="e2L" value="" style="edgeStyle=orthogonalEdgeStyle;rounded=0;orthogonalLoop=1;jettySize=auto;html=1;strokeColor=#666666;strokeWidth=2;endArrow=classic;endFill=1" parent="1" source="s2" target="s3L" edge="1">
-                    <mxGeometry relative="1" as="geometry"/>
-                </mxCell>
-                <mxCell id="e2R" value="" style="edgeStyle=orthogonalEdgeStyle;rounded=0;orthogonalLoop=1;jettySize=auto;html=1;strokeColor=#666666;strokeWidth=2;endArrow=classic;endFill=1" parent="1" source="s2" target="s3R" edge="1">
-                    <mxGeometry relative="1" as="geometry"/>
-                </mxCell>
-                <mxCell id="e3L" value="" style="edgeStyle=orthogonalEdgeStyle;rounded=0;orthogonalLoop=1;jettySize=auto;html=1;strokeColor=#666666;strokeWidth=2;endArrow=classic;endFill=1" parent="1" source="s3L" target="s4" edge="1">
-                    <mxGeometry relative="1" as="geometry"/>
-                </mxCell>
-                <mxCell id="e3R" value="" style="edgeStyle=orthogonalEdgeStyle;rounded=0;orthogonalLoop=1;jettySize=auto;html=1;strokeColor=#666666;strokeWidth=2;endArrow=classic;endFill=1" parent="1" source="s3R" target="s4" edge="1">
-                    <mxGeometry relative="1" as="geometry"/>
-                </mxCell>
-                <mxCell id="e4" value="" style="edgeStyle=orthogonalEdgeStyle;rounded=0;orthogonalLoop=1;jettySize=auto;html=1;strokeColor=#666666;strokeWidth=2;endArrow=classic;endFill=1" parent="1" source="s4" target="s5" edge="1">
-                    <mxGeometry relative="1" as="geometry"/>
-                </mxCell>
-                <mxCell id="e5" value="" style="edgeStyle=orthogonalEdgeStyle;rounded=0;orthogonalLoop=1;jettySize=auto;html=1;strokeColor=#666666;strokeWidth=2;endArrow=classic;endFill=1" parent="1" source="s5" target="s6" edge="1">
-                    <mxGeometry relative="1" as="geometry"/>
-                </mxCell>
-                <mxCell id="e6" value="" style="edgeStyle=orthogonalEdgeStyle;rounded=0;orthogonalLoop=1;jettySize=auto;html=1;strokeColor=#666666;strokeWidth=2;endArrow=classic;endFill=1" parent="1" source="s6" target="d1" edge="1">
-                    <mxGeometry relative="1" as="geometry"/>
-                </mxCell>
-                <mxCell id="e7y" value="是" style="edgeStyle=orthogonalEdgeStyle;rounded=0;orthogonalLoop=1;jettySize=auto;html=1;strokeColor=#2E7D32;strokeWidth=2;endArrow=classic;endFill=1;fontColor=#2E7D32;fontStyle=1;fontSize=12" parent="1" source="d1" target="s7pos" edge="1">
-                    <mxGeometry relative="1" as="geometry"/>
-                </mxCell>
-                <mxCell id="e7n" value="否" style="edgeStyle=orthogonalEdgeStyle;rounded=0;orthogonalLoop=1;jettySize=auto;html=1;strokeColor=#C62828;strokeWidth=2;endArrow=classic;endFill=1;fontColor=#C62828;fontStyle=1;fontSize=12" parent="1" source="d1" target="s7neg" edge="1">
-                    <mxGeometry relative="1" as="geometry"/>
-                </mxCell>
-                <mxCell id="e8p" value="" style="edgeStyle=orthogonalEdgeStyle;rounded=0;orthogonalLoop=1;jettySize=auto;html=1;strokeColor=#666666;strokeWidth=2;endArrow=classic;endFill=1;dashed=1" parent="1" source="s7pos" target="s8" edge="1">
-                    <mxGeometry relative="1" as="geometry">
-                        <Array as="points">
-                            <mxPoint x="350" y="845"/>
-                        </Array>
-                    </mxGeometry>
-                </mxCell>
-                <mxCell id="e8n" value="" style="edgeStyle=orthogonalEdgeStyle;rounded=0;orthogonalLoop=1;jettySize=auto;html=1;strokeColor=#666666;strokeWidth=2;endArrow=classic;endFill=1;dashed=1" parent="1" source="s7neg" target="s8" edge="1">
-                    <mxGeometry relative="1" as="geometry">
-                        <Array as="points">
-                            <mxPoint x="840" y="790"/>
-                            <mxPoint x="600" y="790"/>
-                        </Array>
-                    </mxGeometry>
-                </mxCell>
-                <mxCell id="e8" value="" style="edgeStyle=orthogonalEdgeStyle;rounded=0;orthogonalLoop=1;jettySize=auto;html=1;strokeColor=#666666;strokeWidth=2;endArrow=classic;endFill=1" parent="1" source="s8" target="s9" edge="1">
-                    <mxGeometry relative="1" as="geometry"/>
-                </mxCell>
-                <mxCell id="e9" value="" style="edgeStyle=orthogonalEdgeStyle;rounded=0;orthogonalLoop=1;jettySize=auto;html=1;strokeColor=#666666;strokeWidth=2;endArrow=classic;endFill=1" parent="1" source="s9" target="s10" edge="1">
-                    <mxGeometry relative="1" as="geometry"/>
-                </mxCell>
-                <mxCell id="e10" value="" style="edgeStyle=orthogonalEdgeStyle;rounded=0;orthogonalLoop=1;jettySize=auto;html=1;strokeColor=#666666;strokeWidth=2;endArrow=classic;endFill=1" parent="1" source="s10" target="s11" edge="1">
-                    <mxGeometry relative="1" as="geometry"/>
-                </mxCell>
-                <mxCell id="legend_title" value="图例" style="text;html=1;strokeColor=none;fillColor=none;align=left;verticalAlign=middle;whiteSpace=wrap;rounded=0;fontSize=14;fontStyle=1" parent="1" vertex="1">
-                    <mxGeometry x="270" y="952.5" width="60" height="30" as="geometry"/>
-                </mxCell>
-                <mxCell id="leg1" value="输入/输出" style="rounded=1;whiteSpace=wrap;html=1;fillColor=#C8E6C9;strokeColor=#2E7D32;strokeWidth=2;fontSize=11;align=center;verticalAlign=middle" parent="1" vertex="1">
-                    <mxGeometry x="270" y="992.5" width="100" height="30" as="geometry"/>
-                </mxCell>
-                <mxCell id="leg2" value="数据处理" style="rounded=1;whiteSpace=wrap;html=1;fillColor=#FFF9C4;strokeColor=#F9A825;strokeWidth=2;fontSize=11;align=center;verticalAlign=middle" parent="1" vertex="1">
-                    <mxGeometry x="270" y="1032.5" width="100" height="30" as="geometry"/>
-                </mxCell>
-                <mxCell id="leg3" value="核心逻辑" style="rounded=1;whiteSpace=wrap;html=1;fillColor=#E3F2FD;strokeColor=#1565C0;strokeWidth=2;fontSize=11;align=center;verticalAlign=middle" parent="1" vertex="1">
-                    <mxGeometry x="270" y="1072.5" width="100" height="30" as="geometry"/>
-                </mxCell>
-                <mxCell id="leg4" value="投影计算" style="rounded=1;whiteSpace=wrap;html=1;fillColor=#E8EAF6;strokeColor=#3949AB;strokeWidth=2;fontSize=11;align=center;verticalAlign=middle" parent="1" vertex="1">
-                    <mxGeometry x="270" y="1112.5" width="100" height="30" as="geometry"/>
-                </mxCell>
-            </root>
-        </mxGraphModel>
-    </diagram>
-</mxfile>
@@ -1,20 +1,45 @@
 """
-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
 ======================================

-算法步骤（适合课堂讲解）：
+D:\ProgramData\anaconda3\envs\my_env\python.exe src/cDNA_gridding_simple.py
+
+一、算法流程总览
+
+  灰度图 ──→ Otsu求像素最佳阈值 T ──→ 百分比 = T/255（自适应）
+     │
+     ├─→ 投影/减阈值/过零点配对 ──→ 网格线
+     │
+     ├─→ 逐格 Otsu 分割 ──→ keep_largest_object（每格留最大块）
+     │
+     └─→ remove_small_objects（中位数25%以下判为噪声）──→ 统计斑点数
+
+二、各步骤详解

  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
+
+  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
+     纵轴：np.sum(每行) → 曲线，高点=斑点行，低点=空隙行
+
+  4. 阈值 X = (max-min) × (T/255)
+
+  5. 曲线减 X → 大于 0 = 斑点区域，小于 0 = 空隙
+     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
+     对每个格子独立做 Otsu → keep_largest_object（留最大块）
+     → 全局 remove_small_objects（自动去噪）→ 统计斑点数
+
+  8. 输出三栏图：左=网格，中=分割，右=后处理结果
 """

 import os
@@ -22,124 +47,121 @@ import numpy as np
 import matplotlib.pyplot as plt
 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
+# 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')


-def draw_grid_lines(gray: np.ndarray, pct: float = 0.10):
+# ================================================================
+# 函数1：Otsu 像素级阈值
+# ================================================================
+def otsu_threshold_pixels(gray: np.ndarray) -> int:
    """
-    核心算法：检测网格分割线。
+    对图像像素做 Otsu 自动阈值检测。

-    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
+    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

-    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)
+    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):
+        # 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           # 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):
+    """
+    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, 横线, T, pct, 列投影, 行投影, 减阈值后的列投影, 减阈值后的行投影)
+    """
+    T = otsu_threshold_pixels(gray)  # 像素级最佳阈值
+    pct = T / 255.0                  # 自适应百分比
    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）
+    # ---- 1. 横轴投影 ----
    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
+    # ---- 2. 纵轴投影 ----
    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
+    # ---- 3. 投影阈值 ----
+    col_T_val = (np.max(col_profile) - np.min(col_profile)) * pct
+    row_T_val = (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
+    # ---- 4. 曲线减去阈值 ----
+    col_shifted = col_profile - col_T_val
+    row_shifted = row_profile - row_T_val

-    # ================================================================
-    # 步骤5：找过零点，两两配对，中间点即划线位置
-    # ================================================================
+    # ---- 5. 过零点配对 → 空隙中线 ----
    def find_gap_lines(prof_shifted: np.ndarray) -> np.ndarray:
        """
-        在减去阈值后的投影曲线上，找到每两个斑点之间的空隙中线。
+        在减去阈值后的曲线上，配对过零点，取空隙中央。

-        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:      ─   +   +  +  ─   +  +  +  ─   +  +  ─
+        原理图解：
+        信号: ----++++----++++----++++
              ↑   ↑    ↑   ↑
-                       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
+          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
        """
-        # 判断每个位置是正（斑点）还是负（空隙）
+        # 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）
+        # 收集符号变化位置（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]:
+            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([])

-        # 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
+        # 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):
                # crossings[k]:   正→负（离开斑点）
-                # crossings[k+1]: 负→正（进入下一个斑点）
+                # 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)
@@ -149,40 +171,197 @@ def draw_grid_lines(gray: np.ndarray, pct: float = 0.10):
    x_lines = find_gap_lines(col_shifted)
    y_lines = find_gap_lines(row_shifted)

-    return x_lines, y_lines
+    return x_lines, y_lines, T, pct, col_profile, row_profile, col_shifted, row_shifted, col_T_val, row_T_val


+# ================================================================
+# 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)    # 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)]
+    # 找面积最大的编号
+    max_idx = int(np.argmax(areas)) + 1
+    return (labeled == max_idx).astype(np.uint8)
+
+# ================================================================
+# 函数4：自动去除小连通域（噪声）
+# ================================================================
+def remove_small_objects(binary: np.ndarray) -> np.ndarray:
+    """
+    自动去除小连通域（噪声）。
+
+    对连通域面积分布做 Otsu 阈值检测：
+    面积分布天然双峰——噪声区(几个像素) 和 真斑点区(几百像素)。
+    Otsu 自动找到两峰之间的最佳分界，小于该值的视为噪声。
+    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
+
+    # 收集所有连通域的面积
+    areas = np.array([int(np.sum(labeled == i)) for i in range(1, num + 1)])
+    if len(areas) < 2:
+        return binary
+
+    # 对面积数组做 Otsu（与像素 Otsu 完全相同的原理）
+    # 将面积值当作"灰度"，找到最小类内方差的分界点
+    best_T, best_cost, n_total = 0, float('inf'), len(areas)
+    for T in np.unique(areas):
+        small = areas[areas <= T]    # 候选噪声组
+        large = areas[areas > T]     # 候选真斑点组
+        w_s = len(small) / n_total
+        w_l = len(large) / n_total
+        if w_s == 0 or w_l == 0:
+            continue
+        cost = w_s * np.var(small) + w_l * np.var(large)
+        if cost < best_cost:
+            best_cost = cost
+            best_T = T
+
+    min_size = best_T  # Otsu 自动找到的面积分界线
+
+    # 面积不达标的连通域整块置0
+    result = binary.copy()
+    for i in range(1, num + 1):
+        if int(np.sum(labeled == i)) < min_size:
+            result[labeled == i] = 0
+    return result
+
+
+# ================================================================
+# 主流程
+# ================================================================
 def main():
    os.makedirs(OUTPUT_DIR, exist_ok=True)

-    # ---- 读取图像并转为灰度图 ----
+    # ---- 读取图像，转为灰度 ----
    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
+    # 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)

-    # ---- 执行网格检测 ----
-    x_lines, y_lines = draw_grid_lines(gray)
+    # ---- 1. 网格划线 ----
+    (x_lines, y_lines, T_otsu, pct,
+     col_prof, row_prof, col_shifted, row_shifted,
+     col_T_val, row_T_val) = 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}%")

-    # ---- 在原图上划线并保存 ----
-    fig, ax = plt.subplots(figsize=(8, 8))
-    ax.imshow(gray, cmap='gray')
+    # ---- 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]
+            if blk.size == 0:
+                continue
+            T = otsu_threshold_pixels(blk)
+            bw_blk = (blk > T).astype(np.uint8)
+            bw_blk = keep_largest_object(bw_blk)
+            bw_full[r1:r2, c1:c2] = bw_blk

-    # 画纵向分割线（竖线）
+    bw_clean = remove_small_objects(bw_full)
+
+    # ---- 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]
+    print(f"检测到 {len(valid)} 个斑点")
+
+    # ---- 4. 可视化输出（每张图独立保存）----
+
+    # 图1：网格线叠加原图
+    fig1, ax1 = plt.subplots(figsize=(8, 8))
+    ax1.imshow(gray, cmap='gray')
    for x in x_lines:
-        ax.axvline(x=x, color='lime', linewidth=0.5)
-
-    # 画横向分割线（横线）
+        ax1.axvline(x=x, color='lime', linewidth=0.5)
    for y in y_lines:
-        ax.axhline(y=y, color='lime', linewidth=0.5)
+        ax1.axhline(y=y, color='lime', linewidth=0.5)
+    ax1.set_title(f'网格划分 ({len(x_lines)}x{len(y_lines)})', fontsize=13)
+    ax1.axis('off')
+    fig1.savefig(os.path.join(OUTPUT_DIR, '01_grid_overlay.png'), dpi=150, bbox_inches='tight')
+    plt.close(fig1)

-    ax.set_title(f'cDNA微阵列网格划分 ({len(x_lines)}×{len(y_lines)})', fontsize=14)
-    ax.axis('off')
+    # 图2：列投影曲线（带阈值线和过零点标记）
+    fig2, ax2 = plt.subplots(figsize=(10, 4))
+    xs = np.arange(len(col_prof))
+    ax2.plot(xs, col_prof, 'b-', linewidth=0.6, label='col profile')
+    ax2.axhline(y=col_T_val, color='orange', linestyle='--', linewidth=1,
+                label=f'threshold X={col_T_val:.0f}')
+    ax2.plot(xs, col_shifted, 'g-', linewidth=0.6, alpha=0.5, label='after -X')
+    ax2.fill_between(xs, 0, col_shifted, where=(col_shifted > 0), color='green', alpha=0.1)
+    ax2.fill_between(xs, 0, col_shifted, where=(col_shifted < 0), color='red', alpha=0.1)
+    zero_idx = np.where(np.diff(col_shifted > 0) != 0)[0]
+    for zi in zero_idx[:50]:
+        ax2.axvline(x=zi, color='purple', linewidth=0.3, alpha=0.5)
+    for xl in x_lines:
+        ax2.axvline(x=xl, color='red', linewidth=0.8, alpha=0.7)
+    ax2.set_title('col projection', fontsize=12)
+    ax2.set_xlabel('col')
+    ax2.legend(fontsize=8)
+    fig2.savefig(os.path.join(OUTPUT_DIR, '02_col_projection.png'), dpi=120, bbox_inches='tight')
+    plt.close(fig2)

-    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}")
+    # 图3：行投影曲线
+    fig3, ax3 = plt.subplots(figsize=(10, 4))
+    ys = np.arange(len(row_prof))
+    ax3.plot(row_prof, ys, 'b-', linewidth=0.6, label='row profile')
+    ax3.axvline(x=row_T_val, color='orange', linestyle='--', linewidth=1,
+                label=f'threshold X={row_T_val:.0f}')
+    ax3.plot(row_shifted, ys, 'g-', linewidth=0.6, alpha=0.5, label='after -X')
+    ax3.fill_betweenx(ys, 0, row_shifted, where=(row_shifted > 0), color='green', alpha=0.1)
+    ax3.fill_betweenx(ys, 0, row_shifted, where=(row_shifted < 0), color='red', alpha=0.1)
+    zero_idx_r = np.where(np.diff(row_shifted > 0) != 0)[0]
+    for zi in zero_idx_r[:50]:
+        ax3.axhline(y=zi, color='purple', linewidth=0.3, alpha=0.5)
+    for yl in y_lines:
+        ax3.axhline(y=yl, color='red', linewidth=0.8, alpha=0.7)
+    ax3.set_title('row projection', fontsize=12)
+    ax3.set_ylabel('row')
+    ax3.legend(fontsize=8)
+    fig3.savefig(os.path.join(OUTPUT_DIR, '03_row_projection.png'), dpi=120, bbox_inches='tight')
+    plt.close(fig3)
+
+    # 图4：灰度直方图 + Otsu 阈值
+    fig4, ax4 = plt.subplots(figsize=(8, 5))
+    ax4.hist(gray.ravel(), bins=50, color='gray', edgecolor='black', linewidth=0.3)
+    ax4.axvline(x=T_otsu, color='red', linestyle='--', linewidth=2,
+                label=f'Otsu T={T_otsu} (pct={pct*100:.1f}%)')
+    ax4.set_title('histogram + Otsu threshold', fontsize=12)
+    ax4.set_xlabel('gray value')
+    ax4.set_ylabel('pixel count')
+    ax4.legend()
+    fig4.savefig(os.path.join(OUTPUT_DIR, '04_histogram.png'), dpi=120, bbox_inches='tight')
+    plt.close(fig4)
+
+    # 图5：逐格 Otsu 分割（后处理前）
+    fig5, ax5 = plt.subplots(figsize=(8, 8))
+    ax5.imshow(bw_full, cmap='gray')
+    ax5.set_title('per-cell Otsu (before post-processing)', fontsize=13)
+    ax5.axis('off')
+    fig5.savefig(os.path.join(OUTPUT_DIR, '05_segmentation_raw.png'), dpi=150, bbox_inches='tight')
+    plt.close(fig5)
+
+    # 图6：后处理结果（最终二值图）
+    fig6, ax6 = plt.subplots(figsize=(8, 8))
+    ax6.imshow(bw_clean, cmap='gray')
+    ax6.set_title(f'post-processed ({len(valid)} spots)', fontsize=13)
+    ax6.axis('off')
+    fig6.savefig(os.path.join(OUTPUT_DIR, '06_post_processed.png'), dpi=150, bbox_inches='tight')
+    plt.close(fig6)
+
+    print(f"共保存 6 张图到: {OUTPUT_DIR}")


 if __name__ == '__main__':
@@ -203,25 +203,48 @@ def gridding(gray: np.ndarray) -> tuple:
 # 第四部分：后处理（参考choice.m, choosemaxobj.m）
 # ============================================================

-def remove_small_objects(binary: np.ndarray, min_size: int = 20) -> np.ndarray:
-    """去除面积小于min_size的连通域"""
+def remove_small_objects(binary: np.ndarray) -> np.ndarray:
+    """
+    自动去除小连通域。
+
+    对连通域面积分布做 Otsu 阈值检测——面积天然双峰，
+    Otsu 自动找到噪声峰和真斑点峰之间的最佳分界，零人工参数。
+    """
    labeled, num = ndimage.label(binary)
+    if num == 0:
+        return binary
+
+    areas = np.array([int(np.sum(labeled == i)) for i in range(1, num + 1)])
+    if len(areas) < 2:
+        return binary
+
+    best_T, best_cost, n_total = 0, float('inf'), len(areas)
+    for T_val in np.unique(areas):
+        small = areas[areas <= T_val]
+        large = areas[areas > T_val]
+        w_s = len(small) / n_total
+        w_l = len(large) / n_total
+        if w_s == 0 or w_l == 0:
+            continue
+        cost = w_s * np.var(small) + w_l * np.var(large)
+        if cost < best_cost:
+            best_cost = cost
+            best_T = T_val
+
    result = binary.copy()
    for i in range(1, num + 1):
-        if np.sum(labeled == i) < min_size:
+        if int(np.sum(labeled == i)) < best_T:
            result[labeled == i] = 0
    return result


-def keep_largest_object(binary: np.ndarray, min_size: int = 20) -> np.ndarray:
-    """只保留最大连通域"""
+def keep_largest_object(binary: np.ndarray) -> np.ndarray:
+    """每个格子里只保留面积最大的连通域（无需设定阈值）"""
    labeled, num = ndimage.label(binary)
    if num == 0:
-        return binary
-    areas = [int(np.sum(labeled == i)) for i in range(1, num + 1)]
-    max_area = max(areas)
-    if max_area < min_size:
        return np.zeros_like(binary)
+
+    areas = [int(np.sum(labeled == i)) for i in range(1, num + 1)]
    max_idx = int(np.argmax(areas)) + 1
    return (labeled == max_idx).astype(np.uint8)

@@ -396,11 +419,12 @@ def main() -> None:
                    bw_blk = (blk_denoised > T).astype(np.uint8)
                except ValueError:
                    bw_blk = np.zeros(blk.shape, dtype=np.uint8)
-                # 后处理：保留最大连通域
-                bw_blk = keep_largest_object(bw_blk, min_size=8)
+                # 后处理：保留最大连通域（无需阈值）
+                bw_blk = keep_largest_object(bw_blk)
                bw_full[r1:r2, c1:c2] = bw_blk

-    bw_full = remove_small_objects(bw_full, min_size=20)
+    # 全局去除小连通域（中位数的25%以下自动判为噪声）
+    bw_full = remove_small_objects(bw_full)

    fig_full = plot_full_segmentation(gray, bw_full, "全图逐块Otsu分割结果")
    fig_full.savefig(os.path.join(OUTPUT_DIR, 'result_full_segmentation.png'), dpi=150, bbox_inches='tight')
@@ -410,7 +434,23 @@ def main() -> None:
    bw_img.save(os.path.join(OUTPUT_DIR, 'result_I_bw.png'))
    print("  保存: result_I_bw.png")

-    # ---- 步骤4: 网格叠加图 ----
+    # ---- 步骤4: 统计点数 ----
+    print("\n[步骤4] 统计斑点数量...")
+    labeled_spots, num_spots = ndimage.label(bw_full)
+    # 统计每个斑点的面积
+    spot_sizes = []
+    for i in range(1, num_spots + 1):
+        size = int(np.sum(labeled_spots == i))
+        spot_sizes.append(size)
+    spot_sizes = np.array(spot_sizes)
+    # 过滤极小噪声
+    valid_spots = spot_sizes[spot_sizes >= 10]
+    print(f"  检测到 {len(valid_spots)} 个斑点 (面积≥10像素)")
+    print(f"  斑点面积: 最小 {valid_spots.min()}, 最大 {valid_spots.max()}, "
+          f"均值 {valid_spots.mean():.1f}, 中位数 {np.median(valid_spots):.0f}")
+    print(f"  网格子块数 (理论值): {(len(x_grid)-1) * (len(y_grid)-1)}")
+
+    # ---- 步骤5: 网格叠加图 ----
    if img.ndim == 3:
        overlay = img[:, :, :3].copy()
    else:
@@ -0,0 +1,232 @@
+"""
+cDNA微阵列图像处理 - Web UI (Flask)
+=====================================
+启动：python web/app.py
+打包：python build_exe.py
+打开：http://localhost:5000
+"""
+
+import os, sys, io, base64
+from flask import Flask, render_template, request, jsonify
+import matplotlib
+matplotlib.use('Agg')
+import matplotlib.pyplot as plt
+import numpy as np
+from PIL import Image
+from skimage import color
+from scipy import ndimage
+
+# 项目根目录加到 sys.path
+BASE_DIR = os.path.dirname(os.path.dirname(os.path.abspath(__file__)))
+sys.path.insert(0, os.path.join(BASE_DIR, 'src'))
+
+# PyInstaller 打包后资源路径
+if getattr(sys, 'frozen', False):
+    bundle_dir = sys._MEIPASS
+    template_dir = os.path.join(bundle_dir, 'templates')
+    static_dir = os.path.join(bundle_dir, 'static')
+else:
+    template_dir = os.path.join(os.path.dirname(os.path.abspath(__file__)), 'templates')
+    static_dir = os.path.join(os.path.dirname(os.path.abspath(__file__)), 'static')
+
+app = Flask(__name__, template_folder=template_dir, static_folder=static_dir)
+app.config['MAX_CONTENT_LENGTH'] = 50 * 1024 * 1024  # 50MB
+UPLOAD_DIR = os.path.join(os.path.dirname(os.path.abspath(__file__)), 'uploads')
+os.makedirs(UPLOAD_DIR, exist_ok=True)
+
+plt.rcParams['font.sans-serif'] = ['SimHei', 'Microsoft YaHei']
+plt.rcParams['axes.unicode_minus'] = False
+
+
+# ================================================================
+# 图像处理函数（同简化版逻辑）
+# ================================================================
+def otsu_threshold_pixels(gray):
+    best_T, best_cost, total = 0, float('inf'), gray.size
+    for T in range(1, 255):
+        bg, fg = gray[gray <= T], gray[gray > T]
+        if len(bg) == 0 or len(fg) == 0:
+            continue
+        cost = len(bg)/total*np.var(bg) + len(fg)/total*np.var(fg)
+        if cost < best_cost:
+            best_cost, best_T = cost, T
+    return best_T
+
+def draw_grid_lines(gray):
+    T = otsu_threshold_pixels(gray)
+    pct = T / 255.0
+    H, W = gray.shape
+    col_prof = np.sum(gray, axis=0).astype(float)
+    row_prof = np.sum(gray, axis=1).astype(float)
+    col_T = (np.max(col_prof)-np.min(col_prof))*pct
+    row_T = (np.max(row_prof)-np.min(row_prof))*pct
+    col_s, row_s = col_prof-col_T, row_prof-row_T
+
+    def find_gap_lines(prof):
+        is_pos = prof > 0
+        crossings = [i for i in range(1, len(is_pos)) if is_pos[i] != is_pos[i-1]]
+        if len(crossings) < 2:
+            return np.array([])
+        start = 1 if not is_pos[0] else 0
+        return np.array([int((crossings[k]+crossings[k+1])/2) for k in range(start, len(crossings)-1, 2)])
+
+    xl = find_gap_lines(col_s)
+    yl = find_gap_lines(row_s)
+    return xl, yl, T, pct, col_prof, row_prof, col_s, row_s, col_T, row_T
+
+def keep_largest_object(binary):
+    L, n = ndimage.label(binary)
+    if n == 0: return np.zeros_like(binary)
+    return (L == (np.argmax([int(np.sum(L==i)) for i in range(1,n+1)])+1)).astype(np.uint8)
+
+def remove_small_objects(binary):
+    L, n = ndimage.label(binary)
+    if n == 0: return binary
+    areas = np.array([int(np.sum(L==i)) for i in range(1,n+1)])
+    if len(areas) < 2: return binary
+    best_T, best_cost, n_total = 0, float('inf'), len(areas)
+    for T in np.unique(areas):
+        s, l = areas[areas<=T], areas[areas>T]
+        w_s, w_l = len(s)/n_total, len(l)/n_total
+        if w_s==0 or w_l==0: continue
+        cost = w_s*np.var(s) + w_l*np.var(l)
+        if cost < best_cost: best_cost, best_T = cost, T
+    r = binary.copy()
+    for i in range(1, n+1):
+        if int(np.sum(L==i)) < best_T: r[L==i] = 0
+    return r
+
+
+def fig_to_base64(fig):
+    """matplotlib figure → base64 PNG"""
+    buf = io.BytesIO()
+    fig.savefig(buf, format='png', dpi=120, bbox_inches='tight')
+    buf.seek(0)
+    b64 = base64.b64encode(buf.read()).decode()
+    plt.close(fig)
+    return f'data:image/png;base64,{b64}'
+
+
+def process_image(img_array):
+    """对上传的图像运行完整处理流程，返回 dict"""
+    # 转灰度
+    if img_array.ndim == 3 and img_array.shape[2] >= 3:
+        gray = (color.rgb2gray(img_array[:,:,:3])*255).astype(np.uint8)
+    else:
+        gray = img_array.astype(np.uint8)
+
+    # 网格划线
+    xl, yl, T, pct, cp, rp, cs, rs, cT, rT = draw_grid_lines(gray)
+
+    # 逐格分割
+    bw = np.zeros_like(gray)
+    for i in range(len(yl)-1):
+        for j in range(len(xl)-1):
+            r1, r2 = yl[i], yl[i+1]
+            c1, c2 = xl[j], xl[j+1]
+            blk = gray[r1:r2, c1:c2]
+            if blk.size == 0: continue
+            bt = otsu_threshold_pixels(blk)
+            bb = keep_largest_object((blk > bt).astype(np.uint8))
+            bw[r1:r2, c1:c2] = bb
+    bw_clean = remove_small_objects(bw)
+
+    # 统计
+    L, n = ndimage.label(bw_clean)
+    spots = [int(np.sum(L==i)) for i in range(1,n+1)]
+    valid = [s for s in spots if s >= 10]
+
+    # ---- 生成6张图 ----
+    images = {}
+
+    # 1: grid overlay
+    fig, ax = plt.subplots(figsize=(6,6))
+    ax.imshow(gray, cmap='gray')
+    for x in xl: ax.axvline(x=x, color='lime', linewidth=0.5)
+    for y in yl: ax.axhline(y=y, color='lime', linewidth=0.5)
+    ax.set_title(f'Grid ({len(xl)}x{len(yl)})', fontsize=12); ax.axis('off')
+    images['grid_overlay'] = fig_to_base64(fig)
+
+    # 2: col projection
+    fig, ax = plt.subplots(figsize=(10,4))
+    xs = np.arange(len(cp)); ax.plot(xs,cp,'b-',lw=0.6); ax.axhline(y=cT,color='orange',ls='--',lw=1)
+    ax.plot(xs,cs,'g-',lw=0.6,alpha=0.5)
+    ax.fill_between(xs,0,cs,where=(cs>0),color='green',alpha=0.1)
+    ax.fill_between(xs,0,cs,where=(cs<0),color='red',alpha=0.1)
+    for x in xl: ax.axvline(x=x,color='red',lw=0.5,alpha=0.5)
+    ax.set_title('Column Projection', fontsize=12); ax.set_xlabel('column')
+    images['col_projection'] = fig_to_base64(fig)
+
+    # 3: row projection
+    fig, ax = plt.subplots(figsize=(10,4))
+    ys = np.arange(len(rp)); ax.plot(rp,ys,'b-',lw=0.6); ax.axvline(x=rT,color='orange',ls='--',lw=1)
+    ax.plot(rs,ys,'g-',lw=0.6,alpha=0.5)
+    for y in yl: ax.axhline(y=y,color='red',lw=0.5,alpha=0.5)
+    ax.set_title('Row Projection', fontsize=12); ax.set_ylabel('row')
+    images['row_projection'] = fig_to_base64(fig)
+
+    # 4: histogram
+    fig, ax = plt.subplots(figsize=(7,4))
+    ax.hist(gray.ravel(),bins=50,color='#2d8a4e',edgecolor='white',linewidth=0.3)
+    ax.axvline(x=T,color='#ff4444',ls='--',lw=2,label=f'Otsu T={T} ({pct*100:.1f}%)')
+    ax.set_title('Histogram + Otsu', fontsize=12); ax.legend()
+    images['histogram'] = fig_to_base64(fig)
+
+    # 5: segmentation raw
+    fig, ax = plt.subplots(figsize=(6,6))
+    ax.imshow(bw, cmap='gray'); ax.set_title('Segmentation (raw)', fontsize=12); ax.axis('off')
+    images['segmentation_raw'] = fig_to_base64(fig)
+
+    # 6: post processed
+    fig, ax = plt.subplots(figsize=(6,6))
+    ax.imshow(bw_clean, cmap='gray')
+    ax.set_title(f'Post-processed ({len(valid)} spots)', fontsize=12); ax.axis('off')
+    images['post_processed'] = fig_to_base64(fig)
+
+    stats = {
+        'spots': len(valid),
+        'T_otsu': int(T),
+        'pct': round(pct*100, 1),
+        'lines_x': int(len(xl)),
+        'lines_y': int(len(yl)),
+        'width': int(gray.shape[1]),
+        'height': int(gray.shape[0])
+    }
+
+    return {'images': images, 'stats': stats}
+
+
+# ================================================================
+# Flask 路由
+# ================================================================
+@app.route('/')
+def index():
+    return render_template('index.html')
+
+@app.route('/process', methods=['POST'])
+def process():
+    if 'file' not in request.files:
+        return jsonify({'error': '未找到文件'}), 400
+    file = request.files['file']
+    if file.filename == '':
+        return jsonify({'error': '文件名为空'}), 400
+
+    # 读取图像
+    img_bytes = file.read()
+    img = Image.open(io.BytesIO(img_bytes))
+    img_array = np.array(img)
+
+    # 处理
+    try:
+        result = process_image(img_array)
+        return jsonify(result)
+    except Exception as e:
+        return jsonify({'error': f'处理失败: {str(e)}'}), 500
+
+
+if __name__ == '__main__':
+    import threading
+    def open_browser():
+        os.startfile('http://localhost:5000')
+    threading.Timer(1.5, open_browser).start()
+    app.run(debug=True, port=5000)
@@ -0,0 +1,22 @@
+"""cDNA Analyzer 启动器 — 供 PyInstaller 打包"""
+import os, sys, threading
+
+# PyInstaller 打包后资源路径
+if getattr(sys, 'frozen', False):
+    base = sys._MEIPASS
+else:
+    base = os.path.dirname(os.path.dirname(os.path.abspath(__file__)))
+
+# 设置模板和静态文件目录
+os.environ['TEMPLATE_DIR'] = os.path.join(base, 'templates')
+os.environ['STATIC_DIR'] = os.path.join(base, 'static')
+
+# 导入 Flask app
+from app import app
+
+def open_browser():
+    os.startfile('http://localhost:5000')
+
+if __name__ == '__main__':
+    threading.Timer(1.5, open_browser).start()
+    app.run(debug=False, port=5000)
@@ -0,0 +1,202 @@
+/* ============================================================
+   cDNA Lab Console — Clean Academic Theme
+   Deep navy + white panels + subtle blue accents
+   ============================================================ */
+
+@import url('https://fonts.googleapis.com/css2?family=IBM+Plex+Mono:wght@400;500&family=Inter:wght@400;500;600;700&display=swap');
+
+:root {
+  --bg: #0c1524;
+  --bg-panel: #14233a;
+  --bg-card: #1a2d4a;
+  --border: #1e3354;
+  --border-light: #2a4570;
+  --accent: #4d8ef7;
+  --accent-dim: #2b5db8;
+  --accent-soft: rgba(77, 142, 247, 0.12);
+  --text: #8899b4;
+  --text-dim: #4e6280;
+  --text-bright: #d0ddf0;
+  --white: #f0f4fc;
+  --red: #f55050;
+  --red-soft: rgba(245, 80, 80, 0.12);
+  --green: #52c97d;
+  --font-mono: 'IBM Plex Mono', 'Courier New', monospace;
+  --font-ui: 'Inter', 'Segoe UI', sans-serif;
+}
+
+* { margin: 0; padding: 0; box-sizing: border-box; }
+
+body {
+  background: var(--bg);
+  color: var(--text);
+  font-family: var(--font-ui);
+  min-height: 100vh;
+  -webkit-font-smoothing: antialiased;
+}
+
+/* ---- Header ---- */
+.header {
+  display: flex; justify-content: space-between; align-items: center;
+  padding: 20px 36px; border-bottom: 1px solid var(--border);
+  background: var(--bg-panel);
+}
+.header-left { display: flex; align-items: center; gap: 10px; }
+.logo-bracket { color: var(--text-dim); font-size: 1.3rem; font-family: var(--font-mono); }
+.logo-text {
+  font-family: var(--font-mono); font-size: 1.25rem; font-weight: 500;
+  color: var(--white); letter-spacing: 0.12em;
+}
+.logo-accent { color: var(--accent); font-weight: 600; }
+.header-right { display: flex; align-items: center; gap: 10px; }
+.status-dot {
+  width: 7px; height: 7px; border-radius: 50%; background: var(--green);
+  box-shadow: 0 0 0 3px rgba(82, 201, 125, 0.2);
+}
+.status-label { font-family: var(--font-mono); font-size: 0.75rem; color: var(--text-dim); letter-spacing: 0.15em; }
+
+/* ---- Container ---- */
+.container { max-width: 1120px; margin: 0 auto; padding: 36px 28px; }
+
+/* ---- Upload Zone ---- */
+.upload-section { margin-bottom: 32px; }
+.upload-zone-wrapper { display: flex; flex-direction: column; gap: 16px; }
+.upload-zone {
+  border: 2px dashed var(--border); border-radius: 10px;
+  padding: 52px 24px; text-align: center; cursor: pointer;
+  transition: all 0.25s ease; background: var(--bg-panel);
+}
+.upload-zone:hover {
+  border-color: var(--accent); background: var(--accent-soft);
+}
+.upload-zone.dragover { border-color: var(--accent); border-style: solid; background: var(--accent-soft); }
+.upload-svg { color: var(--text-dim); margin-bottom: 14px; transition: color 0.25s; }
+.upload-zone:hover .upload-svg { color: var(--accent); }
+.upload-text {
+  font-family: var(--font-mono); font-size: 1.05rem; color: var(--white);
+  letter-spacing: 0.08em; margin-bottom: 6px;
+}
+.upload-cursor { display: inline-block; color: var(--accent); animation: blink 1s step-end infinite; }
+@keyframes blink { 50% { opacity: 0; } }
+.upload-sub { font-size: 0.85rem; color: var(--text-dim); }
+
+.upload-preview { display: flex; flex-direction: column; align-items: center; gap: 16px; }
+.upload-preview img {
+  max-width: 100%; max-height: 320px; border-radius: 8px;
+  border: 1px solid var(--border); object-fit: contain; background: #000;
+}
+.btn-process {
+  display: flex; align-items: center; gap: 8px;
+  padding: 12px 36px; border: none; border-radius: 6px;
+  background: var(--accent); color: #fff;
+  font-family: var(--font-mono); font-size: 0.9rem; font-weight: 500; letter-spacing: 0.1em;
+  cursor: pointer; transition: all 0.2s;
+}
+.btn-process:hover { background: var(--accent-dim); transform: translateY(-1px); }
+
+/* ---- Status Bar ---- */
+.status-bar {
+  display: flex; align-items: center; gap: 14px;
+  padding: 10px 18px; background: var(--bg-panel); border: 1px solid var(--border);
+  border-radius: 6px; margin-bottom: 28px;
+}
+.status-track { flex: 1; height: 4px; background: var(--border); border-radius: 2px; overflow: hidden; }
+.status-fill { height: 100%; width: 0%; background: var(--accent); transition: width 0.1s; }
+.status-text { font-family: var(--font-mono); font-size: 0.75rem; color: var(--accent); letter-spacing: 0.12em; }
+
+/* ---- Error ---- */
+.error-msg {
+  background: var(--red-soft); border: 1px solid var(--red); color: var(--red);
+  padding: 14px 20px; border-radius: 6px; margin-bottom: 24px;
+  font-family: var(--font-mono); font-size: 0.85rem;
+}
+
+/* ---- Stats Panel ---- */
+.stats-panel { display: flex; gap: 14px; flex-wrap: wrap; margin-bottom: 32px; }
+.stat-card {
+  flex: 1; min-width: 150px; padding: 20px 24px;
+  background: var(--bg-panel); border: 1px solid var(--border); border-radius: 8px;
+  text-align: center; transition: border-color 0.25s;
+}
+.stat-card:hover { border-color: var(--border-light); }
+.stat-card.spot { border-color: var(--accent-dim); background: var(--accent-soft); }
+.stat-label {
+  display: block; font-family: var(--font-mono); font-size: 0.68rem;
+  color: var(--text-dim); letter-spacing: 0.18em; margin-bottom: 8px; font-weight: 500;
+}
+.stat-value {
+  display: block; font-family: var(--font-mono); font-size: 1.5rem;
+  color: var(--white); font-weight: 500;
+}
+.stat-card.spot .stat-value { color: var(--accent); font-size: 2rem; font-weight: 600; }
+
+/* ---- Gallery ---- */
+.gallery { margin-bottom: 48px; }
+.gallery-header {
+  display: flex; justify-content: space-between; align-items: center; margin-bottom: 22px;
+}
+.gallery-title {
+  font-family: var(--font-mono); font-size: 1rem; font-weight: 500;
+  color: var(--white); letter-spacing: 0.16em;
+}
+.btn-dl-all {
+  display: flex; align-items: center; gap: 6px;
+  padding: 9px 22px; border: 1px solid var(--border-light); border-radius: 6px;
+  background: transparent; color: var(--text);
+  font-family: var(--font-mono); font-size: 0.78rem; letter-spacing: 0.1em;
+  cursor: pointer; transition: all 0.2s;
+}
+.btn-dl-all:hover { background: var(--accent-soft); border-color: var(--accent); color: var(--accent); }
+.btn-dl-all span { font-size: 1rem; }
+
+.gallery-grid { display: grid; grid-template-columns: repeat(3, 1fr); gap: 16px; }
+@media (max-width: 800px) { .gallery-grid { grid-template-columns: repeat(2, 1fr); } }
+@media (max-width: 500px) { .gallery-grid { grid-template-columns: 1fr; } }
+
+.gallery-card {
+  border-radius: 8px; overflow: hidden; background: var(--bg-card);
+  border: 1px solid var(--border);
+  transition: border-color 0.25s, transform 0.2s;
+}
+.gallery-card:hover { border-color: var(--border-light); transform: translateY(-2px); }
+.gallery-card-inner {
+  aspect-ratio: 1; overflow: hidden; display: flex; align-items: center; justify-content: center;
+  background: #060c18; cursor: pointer;
+}
+.gallery-card-inner img {
+  width: 100%; height: 100%; object-fit: contain; transition: transform 0.3s;
+}
+.gallery-card-inner:hover img { transform: scale(1.04); }
+.gallery-card-label {
+  padding: 10px 14px; font-family: var(--font-mono); font-size: 0.65rem;
+  color: var(--text-dim); letter-spacing: 0.1em; text-align: center;
+  border-top: 1px solid var(--border); font-weight: 500;
+}
+
+/* ---- Lightbox ---- */
+.lightbox {
+  display: none; position: fixed; inset: 0; z-index: 1000;
+  background: rgba(4, 10, 20, 0.95); flex-direction: column; align-items: center; justify-content: center;
+}
+.lightbox img {
+  max-width: 92vw; max-height: 88vh; object-fit: contain;
+  border-radius: 4px; border: 1px solid var(--border-light); background: #000;
+}
+.lightbox-close {
+  position: absolute; top: 24px; right: 36px;
+  font-size: 2rem; color: var(--text-dim); cursor: pointer; transition: color 0.2s;
+  line-height: 1;
+}
+.lightbox-close:hover { color: var(--white); }
+.lightbox-dl {
+  margin-top: 18px; padding: 10px 28px; border: 1px solid var(--accent); border-radius: 6px;
+  color: var(--accent); text-decoration: none; font-family: var(--font-mono); font-size: 0.85rem;
+  transition: all 0.2s;
+}
+.lightbox-dl:hover { background: var(--accent); color: #fff; }
+
+/* ---- Scrollbar ---- */
+::-webkit-scrollbar { width: 5px; }
+::-webkit-scrollbar-track { background: var(--bg); }
+::-webkit-scrollbar-thumb { background: var(--border); border-radius: 3px; }
+::-webkit-scrollbar-thumb:hover { background: var(--border-light); }
@@ -0,0 +1,176 @@
+<!DOCTYPE html>
+<html lang="zh">
+<head>
+<meta charset="UTF-8">
+<meta name="viewport" content="width=device-width, initial-scale=1.0">
+<title>cDNA Microarray Processing - Lab Console</title>
+<link rel="stylesheet" href="/static/style.css">
+</head>
+<body>
+
+<div class="noise-overlay"></div>
+
+<header class="header">
+  <div class="header-left">
+    <span class="logo-bracket">[</span>
+    <h1 class="logo-text">cDNA<span class="logo-accent">//</span>PROCESS</h1>
+    <span class="logo-bracket">]</span>
+  </div>
+  <div class="header-right">
+    <span class="status-dot"></span>
+    <span class="status-label">SYSTEM READY</span>
+  </div>
+</header>
+
+<main class="container">
+  <section class="upload-section" id="uploadSection">
+    <div class="upload-zone-wrapper">
+      <div class="upload-zone" id="dropZone">
+        <svg class="upload-svg" width="52" height="52" viewBox="0 0 52 52">
+          <circle cx="26" cy="20" r="8" stroke="currentColor" stroke-width="1.5" fill="none"/>
+          <path d="M13 42c-5 0-8-1.5-8-6s3.5-9 8-9c0-6 6-10 13-10s13 4 13 10c4.5 0 8 4.5 8 9s-3.5 6-8 6H13z" stroke="currentColor" stroke-width="1.5" fill="none"/>
+          <circle cx="22" cy="16" r="2.2" fill="currentColor"/>
+          <circle cx="26" cy="11" r="2.8" fill="currentColor"/>
+        </svg>
+        <p class="upload-text">Drop image here<span class="upload-cursor">_</span></p>
+        <p class="upload-sub">click to browse &middot; TIFF / PNG / JPEG</p>
+        <input type="file" id="fileInput" accept="image/*" hidden>
+      </div>
+      <div class="upload-preview" id="uploadPreview" style="display:none">
+        <img id="previewImg" alt="Preview">
+        <button class="btn-process" id="btnProcess">
+          <svg width="16" height="16" viewBox="0 0 16 16"><polygon points="3,1 16,8 3,15" fill="currentColor"/></svg>
+          START ANALYSIS
+        </button>
+      </div>
+    </div>
+  </section>
+
+  <div class="status-bar" id="statusBar" style="display:none">
+    <div class="status-track">
+      <div class="status-fill" id="statusFill"></div>
+    </div>
+    <span class="status-text" id="statusText">PROCESSING...</span>
+  </div>
+
+  <div class="error-msg" id="errorMsg" style="display:none"></div>
+
+  <section class="stats-panel" id="statsPanel" style="display:none">
+    <div class="stat-card"><span class="stat-label">THRESHOLD</span><span class="stat-value" id="statT">--</span></div>
+    <div class="stat-card"><span class="stat-label">ADAPTIVE %</span><span class="stat-value" id="statPct">--</span></div>
+    <div class="stat-card"><span class="stat-label">GRID</span><span class="stat-value" id="statGrid">--</span></div>
+    <div class="stat-card spot"><span class="stat-label">SPOTS FOUND</span><span class="stat-value" id="statSpots">--</span></div>
+    <div class="stat-card"><span class="stat-label">DIMENSIONS</span><span class="stat-value" id="statSize">--</span></div>
+  </section>
+
+  <section class="gallery" id="gallery" style="display:none">
+    <div class="gallery-header">
+      <h2 class="gallery-title">RESULTS</h2>
+      <button class="btn-dl-all" id="btnDownloadAll"><span>&#8595;</span> DOWNLOAD ALL</button>
+    </div>
+    <div class="gallery-grid" id="galleryGrid"></div>
+  </section>
+</main>
+
+<div class="lightbox" id="lightbox">
+  <span class="lightbox-close" id="lightboxClose">&times;</span>
+  <img id="lightboxImg" src="" alt="Full size">
+  <a id="lightboxDownload" class="lightbox-dl" download>&#8595;</a>
+</div>
+
+<script>
+(function(){
+var dz=document.getElementById('dropZone');
+var fi=document.getElementById('fileInput');
+var up=document.getElementById('uploadPreview');
+var pi=document.getElementById('previewImg');
+var bp=document.getElementById('btnProcess');
+var sb=document.getElementById('statusBar');
+var sf=document.getElementById('statusFill');
+var st=document.getElementById('statusText');
+var er=document.getElementById('errorMsg');
+var sp=document.getElementById('statsPanel');
+var ga=document.getElementById('gallery');
+var gg=document.getElementById('galleryGrid');
+var lb=document.getElementById('lightbox');
+var li=document.getElementById('lightboxImg');
+var lc=document.getElementById('lightboxClose');
+var ld=document.getElementById('lightboxDownload');
+var file=null;
+
+dz.addEventListener('dragover',function(e){e.preventDefault();dz.classList.add('dragover')});
+dz.addEventListener('dragleave',function(){dz.classList.remove('dragover')});
+dz.addEventListener('drop',function(e){e.preventDefault();dz.classList.remove('dragover');if(e.dataTransfer.files.length)h(e.dataTransfer.files[0])});
+dz.addEventListener('click',function(){fi.click()});
+fi.addEventListener('change',function(e){if(e.target.files.length)h(e.target.files[0])});
+
+function h(f){
+  file=f;
+  var r=new FileReader();
+  r.onload=function(e){
+    pi.src=e.target.result;
+    up.style.display='flex';
+    er.style.display='none';
+    sp.style.display='none';
+    ga.style.display='none';
+  };
+  r.readAsDataURL(f);
+}
+
+bp.addEventListener('click',function(){
+  if(!file) return;
+  var fd=new FormData(); fd.append('file',file);
+  sb.style.display='block'; sf.style.width='0%'; st.textContent='UPLOADING...'; er.style.display='none';
+  var w=0; var iv=setInterval(function(){w=Math.min(w+2,85);sf.style.width=w+'%'},50);
+  fetch('/process',{method:'POST',body:fd}).then(function(r){
+    clearInterval(iv); sf.style.width='100%'; st.textContent='COMPLETE';
+    if(!r.ok) throw new Error('Server error');
+    return r.json();
+  }).then(function(d){
+    if(d.error) throw new Error(d.error);
+    render(d);
+    setTimeout(function(){sb.style.display='none'},1500);
+  }).catch(function(e){
+    clearInterval(iv); sb.style.display='none';
+    er.textContent='ERROR: '+e.message; er.style.display='block';
+  });
+});
+
+function render(d){
+  var s=d.stats;
+  document.getElementById('statT').textContent=s.T_otsu;
+  document.getElementById('statPct').textContent=s.pct+'%';
+  document.getElementById('statGrid').textContent=s.lines_x+' x '+s.lines_y;
+  document.getElementById('statSpots').textContent=s.spots;
+  document.getElementById('statSize').textContent=s.width+' x '+s.height;
+  sp.style.display='flex';
+  var names=['grid_overlay','col_projection','row_projection','histogram','segmentation_raw','post_processed'];
+  var labels=['GRID OVERLAY','COLUMN PROJECTION','ROW PROJECTION','HISTOGRAM + OTSU','SEGMENTATION','POST-PROCESSED'];
+  gg.innerHTML='';
+  names.forEach(function(n,i){
+    var c=document.createElement('div'); c.className='gallery-card';
+    c.innerHTML='<div class="gallery-card-inner"><img src="'+d.images[n]+'" onclick="zoom(\''+n+'.png\',\''+d.images[n]+'\')"></div><div class="gallery-card-label">'+labels[i]+'</div>';
+    gg.appendChild(c);
+  });
+  ga.style.display='block';
+  document.getElementById('btnDownloadAll').onclick=function(){
+    names.forEach(function(n,i){
+      setTimeout(function(){
+        var a=document.createElement('a'); a.href=d.images[n]; a.download=n+'.png';
+        document.body.appendChild(a); a.click(); document.body.removeChild(a);
+      },i*200);
+    });
+  };
+}
+
+window.zoom=function(name,src){
+  lb.style.display='flex'; li.src=src; ld.href=src; ld.download=name;
+};
+
+lc.addEventListener('click',function(){lb.style.display='none'});
+lb.addEventListener('click',function(e){if(e.target===lb) lb.style.display='none'});
+document.addEventListener('keydown',function(e){if(e.key==='Escape') lb.style.display='none'});
+})();
+</script>
+</body>
+</html>
Author	SHA1	Message	Date
Serendipity	e21595e72c	docs: 更新README，新增Web应用和打包说明 - 新增Flask Web应用介绍和三种运行方式 - 新增PyInstaller打包流程 - 更新项目结构，包含web/、build_exe.py等 - 精简两版实现描述，突出各自特点 Co-Authored-By: Claude Opus 4.7 <noreply@anthropic.com>	2026-05-08 21:41:03 +08:00
Serendipity	dd145d7651	docs: 依赖库清单	2026-05-08 16:30:32 +08:00
Serendipity	8d81c20032	chore: .gitignore增加PyInstaller产物，移除已提交的spec	2026-05-08 16:28:40 +08:00
Serendipity	187068f6cc	build: 优化PyInstaller打包，排除无关包，exe缩小到68MB	2026-05-08 16:23:44 +08:00
Serendipity	a5f4275e19	build: PyInstaller打包配置+启动器	2026-05-08 16:15:45 +08:00
Serendipity	c7ba14a81a	Revert: pct改回T/255，T/2550会破坏暗图处理	2026-05-08 16:08:47 +08:00
Serendipity	4dab42e932	fix: pct计算改为T/2550	2026-05-08 15:54:12 +08:00
Serendipity	06159eba19	style: 深蓝+白色学术风格重设计替代荧光绿实验室主题，更干净专业	2026-05-08 15:49:39 +08:00
Serendipity	8657937214	fix: 用os.startfile替代webbrowser打开浏览器	2026-05-08 15:42:36 +08:00
Serendipity	d180ec5e56	feat: 启动Flask时自动打开Edge浏览器	2026-05-08 15:38:32 +08:00
Serendipity	1041a66270	refactor: remove_small_objects用Otsu替代中位数25% 对连通域面积分布做Otsu自动找分界，不再拍脑袋定百分比	2026-05-08 15:31:47 +08:00
Serendipity	b07e7a1182	feat: Flask Web UI — 在线cDNA图像处理平台 - 上传图像 + 实时处理 + 6张结果可视化 - 实验室仪器风格深色主题 - 参数统计面板（T/pct/网格/斑点数） - 图片点击放大 + 单张/全部下载	2026-05-08 11:26:02 +08:00
Serendipity	862d02dce6	fix: 移动flowchart.drawio到项目根目录	2026-05-08 10:47:16 +08:00
Serendipity	34889647f8	docs: 更新流程图，补充分割/后处理/统计/可视化步骤	2026-05-08 10:33:04 +08:00
Serendipity	99c9d0263a	feat: 简化版可视化拆分为6张独立图片 01_grid_overlay.png - 网格线叠加 02_col_projection.png - 列投影曲线 03_row_projection.png - 行投影曲线 04_histogram.png - 直方图+Otsu阈值 05_segmentation_raw.png - 逐格分割(后处理前) 06_post_processed.png - 最终二值图	2026-05-08 10:08:00 +08:00
Serendipity	70790c1d3e	refactor: 用户调整注释格式	2026-05-08 09:58:57 +08:00
Serendipity	f95e3de5bd	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	2026-05-08 09:55:38 +08:00
Serendipity	dae90a8de0	feat: 简化版增加逐格分割+后处理+斑点统计现在简化版也具备完整处理链：网格划线 → 逐格Otsu → keep_largest_object → remove_small_objects → 统计输出三栏图：网格/分割/后处理结果	2026-05-08 09:40:37 +08:00
Serendipity	085c27c050	refactor: 后处理阈值完全自动化，零人工参数 - keep_largest_object: 每格仅留最大块，不设最低门槛 - remove_small_objects: 统计全局面积中位数，<25%自动判定为噪声	2026-05-08 08:57:48 +08:00
Serendipity	efc6704b14	refactor: 后处理min_size改为格子面积百分比，自适应不同分辨率 keep_largest_object: 格子面积的1% remove_small_objects: 格子面积的2%	2026-05-08 08:54:47 +08:00
Serendipity	00836cd302	refactor: 重写注释，统一风格 - 顶部docstring改为算法流程总览+各步骤详解 - 两个函数各配职责明确的注释 - 主流程三个步骤注释简洁	2026-05-08 08:44:34 +08:00
Serendipity	e726e62c44	refactor: 简化版用Otsu自适应百分比替代写死的10% 百分比 = T/255，自动根据图像数据推导，无需人为设定	2026-05-08 08:40:45 +08:00
Serendipity	52a6e1b244	docs: CLAUDE.md更新仓库地址（SSH优先，HTTPS备选）	2026-05-08 08:27:56 +08:00
Serendipity	8e30fd585b	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）	2026-05-08 08:23:16 +08:00
Serendipity	bad3635f0a	feat: 原版增加斑点数量统计输出检测到的有效斑点数、面积统计（最小/最大/均值/中位数）	2026-05-07 22:09:13 +08:00
Serendipity	09d8b9d8fe	docs: 添加两版差异说明文档	2026-05-07 21:49:01 +08:00
Serendipity	d273d45a5b	删除	2026-05-07 19:19:12 +08:00
Serendipity	ad14755405	测试	2026-05-07 19:16:26 +08:00
Serendipity	918bdbf939	docs: 更新教程文档，去除不必要的路径信息	2026-05-07 08:28:43 +08:00
Serendipity	5a23b16a59	docs: 更新算法步骤说明，去除不必要的路径信息	2026-05-07 08:17:10 +08:00