cDNA 微阵列图像处理作业

刘航宇 | 河南理工大学计算机学院 | 2026

---

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

cDNA微阵列图像处理作业/
├── src/
│   ├── segmentation.py              # 原版：网格划分 + 三种阈值分割 + TV去噪
│   └── gridding_simple.py           # 简化版：仅网格划分，用于课堂讲解
│
├── app/                              # Flask Web 应用
│   ├── main.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
│
├── scripts/
│   └── build.py                      # PyInstaller 打包脚本
│
├── data/
│   ├── input/                        # 输入图像
│   │   └── cDNA.png
│   └── output/                       # 生成结果
│       ├── simple/                   # 简化版输出（6张图）
│       └── full/                     # 原版输出（6张图）
│
├── examples/                         # 课程示例数据（含 pptx + MATLAB demo）
├── references/                       # 参考资料
│   ├── papers/                       # 论文 PDF
│   └── matlab/                       # MATLAB 参考代码（NewGridAndCV）
│
├── docs/                             # 技术文档
│   ├── cDNA 微阵列网格划分.md
│   ├── 两版差异说明.md
│   └── 依赖库清单.md
│
├── flowchart.drawio                   # 算法流程图
├── README.md
└── CLAUDE.md

---

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

# 首次使用需创建虚拟环境
uv venv .venv --python <你的Python路径>
uv pip install numpy scipy scikit-image matplotlib Pillow flask --python .venv/Scripts/python.exe

# 启动
cd app
python main.py
# 浏览器自动打开 http://localhost:5000

方式三：命令行脚本

# 简化版（课堂主讲，约370行）
python src/gridding_simple.py
# 输出：data/output/simple/ 下 6 张图

# 原版（完整实现，约470行）
python src/segmentation.py
# 输出：data/output/full/ 下 6 张图

---

两种 Python 实现

简化版 src/gridding_simple.py（课堂主讲）

算法思路（初中学历即可理解）：

1. 灰度图 → 每列/行灰度值求和 → 投影曲线
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：

• 约 370 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
• 完全自动化，无需人工设定参数

原版 src/segmentation.py（完整实现）

模块	算法	参照
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

---

Web 应用功能

• 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

---

输入数据

• 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：

python scripts/build.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: 3.13（uv 虚拟环境 .venv/）
• 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