OptCNT 是一个基于 Python、Tkinter 和 OpenCV 的 CNT SEM 图像桌面分析工具，面向单图分析、ROI 分析和多图对比分析场景。
- 当前版本：
v2026.04.21 - 更新时间：
2026-04-21 - 当前分支：
main
- 对比分析界面切换时不再重排主三栏布局，减少标签切换跳变
comparison页收敛为单次延迟布局刷新，降低图表与摘要区连跳- 结果面板内部 sash 仅在高度明显变化时重算，减少联动抖动
- 分散比例统计口径回退到
2026-04-10版本，同时保留新版团聚面积占比与P90宽度 - 已完成 Windows
slim打包，生成dist\\OptCNT.exe
当前版本重点能力包括：
- 自动或手动比例尺标定
- 支持实时预览的预处理参数调节
- CNT 检测与长度 / 宽度 / 长宽比测量
- 分散 CNT / 团聚 CNT 分类统计
- 骨架、轮廓和检测结果可视化
- 空间分布、热点区域和均匀度分析
- 双图对比、组图对比与摘要报告
- Windows 轻量打包流程
python -m venv venv
.\venv\Scripts\activate
pip install -r requirements.txt
python main.py可用启动方式：
python main.py：推荐，从仓库根目录启动python src/main.py：直接使用源码入口，适合本地调试
根目录下的 main.py 是轻量入口，会转发到 src.main。
- 支持 CNT 检测、长度 / 宽度 / 长宽比测量
- 支持分散 CNT / 团聚 CNT 统计
- 支持骨架、轮廓、检测结果和空间分布可视化
- 结果表格默认一行对应一根 CNT，包含 ID、Length (μm)、Dispersed CNT、Agglomerated CNT
- 结果面板显示长度统计、空间分布、均匀度和评判框架摘要
- 双图对比和组图对比都会沿用当前界面的预处理参数和识别参数
- 默认分析图像中部
75%区域，尽量减小比例尺区域干扰 - 对比分析在后台执行，适合连续多次调参与复核
- 对比摘要会显示本次分析实际使用的参数快照
- 组图对比会显式区分
base组（基准参考）与实验组（实验候选），并在摘要、图表、代表图中保持一致命名和固定配色 - 组图对比的主结论只围绕固定
5项主指标展开：总CNT数量、分散比例、网格CV、团聚面积占比、P90宽度 平均骨架长度与综合均匀性得分作为补充展示项保留，但不作为组间主结论的核心判定依据- 对比逻辑明确区分"数量"和"空间"两个维度：数量多不等于分布均匀，分散比例用于评价分散程度，网格CV用于评价空间均匀性
骨架化 (Skeletonization)：基于形态学细化算法（Zhang-Suen 算法），提取 CNT 连通域的单像素中心轴。
物理长度 (Physical Length)：将骨架像素转化为无向图 G(V, E)，利用图遍历算法寻找图的直径（Diameter，即图中最长简单路径）作为 CNT 的实际物理长度，避免了简单周长法对复杂拓扑的高估。
系统采用多维度特征融合，并通过 Sigmoid 函数映射统一方向（0-100分，分数越高越均匀）：
S_base = w_NN · S_sig(CV_NN) + w_Grid · S_sig(CV_Grid) + w_Moran · S_moran(I)
其中：
CV_NN：最近邻距离 CV，反映个体间的局部排斥程度CV_Grid：网格密度 CV，反映宏观上的空间占据均匀度I：Moran's I 莫兰指数，反映空间自相关性（聚集或离散）
映射函数：
- 对于"越小越好"的 CV 类指标：
S_sig(x) = 100 / (1 + exp(k · (x - m) / m))，其中 k=4.0, m=0.6 - 对于 Moran's I：
S_moran(I) = 100 / (1 + exp(5.0 · (I - 0.1)))
长管非线性惩罚：大量超长 CNT（>40μm）的存在会破坏宏观均匀性，引入幂次放大惩罚：Penalty = P_max · min(1.0, r)^0.6，最高扣减 25 分。
最终均匀度：Score_uniformity = max(0, S_base - Penalty)
系统构建了四个独立维度的评价框架，合成最终的混合评分（0-100分）：
Score_hybrid = 0.30 × Score_A + 0.20 × Score_B + 0.30 × Score_C + 0.20 × Score_D
| 维度 | 指标 | 权重 | 说明 |
|---|---|---|---|
| A | 均匀性主指标 | 30% | 直接采用综合均匀度得分 |
| B | 粗管/束化指标 | 20% | 基于平均宽度和 P90 宽度评估团束现象 |
| C | 长管指标 | 30% | 评估 CNT 的长度优势 |
| D | 团聚指标 | 20% | 评估团聚程度，团聚面积占比越低越好 |
- 基于预处理、骨架和轮廓结果完成 CNT 检测与长度 / 宽度测量
- 提供分散 / 团聚统计、空间分布和热点区域分析
- 支持双图对比和组图对比，并输出摘要与图表
- 组图对比会显式区分
base组（基准参考）与实验组（实验候选） - 当前组间主结论围绕固定
5项指标：总CNT数量、分散比例、网格CV、团聚面积占比、P90宽度 - 对比解读遵循"数量维度"和"空间维度"分开看的原则：数量多，不等于分布均匀
OptCNT/
|-- main.py # 轻量入口，转发到 src.main
|-- src/
| |-- main.py # 主程序入口
| |-- core/ # 核心分析模块
| | |-- analyzer_core.py # CNTAnalyzer 类，图像处理核心
| | |-- models.py # 数据模型（ROIRegion, CNTMeasurement）
| | |-- utils.py # 工具函数和常量
| | |-- stats_compat.py # 统计兼容性模块
| `-- gui/ # GUI 模块
| |-- gui.py # 主 GUI 控制器
| |-- panels.py # 面板组件
| |-- widgets.py # 自定义控件
| |-- comparison_view.py # 对比视图
| |-- chart_manager.py # 图表管理
| |-- gui_layout.py # 布局辅助
| |-- gui_tasking.py # 任务处理
| `-- gui_styles.py # 样式定义
|-- tests/ # 测试用例
|-- package_windows.ps1 # Windows 打包脚本
|-- build_minimal.py # 最小化构建脚本
`-- PACKAGING.md # 打包详细说明
| 文件 | 说明 |
|---|---|
requirements.txt |
桌面程序运行依赖 |
requirements-dev.txt |
运行依赖 + pytest |
requirements-build.txt |
运行依赖 + PyInstaller 打包依赖 |
requirements-optional.txt |
可选扩展依赖，例如 scikit-learn |
打包版本使用 opencv-contrib-python-headless，确保 cv2.ximgproc.thinning 细化路径在最终 exe 中可用。
核心依赖：
opencv-contrib-python-headless>=4.5.0- 图像处理核心numpy>=1.20.0- 数值计算Pillow>=8.0.0- 图像显示matplotlib>=3.3.0- 图表绘制numba>=0.60.0- JIT 加速（可选，性能模式保留）
pip install -r requirements-dev.txt
pytest -qpowershell -ExecutionPolicy Bypass -File .\package_windows.ps1默认使用 slim 配置（最小体积，排除 numba/llvmlite）。如需保留 JIT 加速：
powershell -ExecutionPolicy Bypass -File .\package_windows.ps1 -Profile performance脚本会自动：
- 创建
.venv-build虚拟环境 - 安装
requirements-build.txt依赖 - 复用或自动下载 UPX 压缩工具
- 构建
dist\OptCNT.exe - 运行 UPX
--best压缩
| 配置 | 说明 | 体积 | 性能 |
|---|---|---|---|
slim |
最小体积，排除 numba/llvmlite | 较小 | 标准 |
performance |
保留 numba/llvmlite，仅裁剪测试模块 | 较大 | JIT 加速 |
更多打包细节见 PACKAGING.md。