重构程序文件目录结构并更新相关路径引用

- 创建新的目录结构：research/、tools/（含子目录）和apps/
- 移动核心理论文件到research/core-theory/
- 移动天山理论文件到research/specialized/
- 重组tools/目录为多个子目录：content-generation/、data-processing/等
- 更新所有文档中的路径引用，包括README.md、项目结构说明.md等
- 更新工作流文件和脚本中的路径引用
- 更新文档索引文件中的路径引用

tools/data-processing/image-processing/analyze_large_image.py

@@ -0,0 +1,173 @@
+#!/usr/bin/env python3
+"""
+大型图像分析工具
+用于分析《三体》项目的复杂图表结构
+"""
+
+import os
+import sys
+from PIL import Image, ImageDraw, ImageFont
+import numpy as np
+from collections import Counter
+import json
+
+def analyze_image_basic_info(image_path):
+    """分析图像基本信息"""
+    print(f"正在分析图像: {image_path}")
+    
+    try:
+        # 使用更节省内存的方式打开图像
+        Image.MAX_IMAGE_PIXELS = None  # 移除像素数量限制
+        
+        with Image.open(image_path) as img:
+            print(f"图像格式: {img.format}")
+            print(f"图像模式: {img.mode}")
+            print(f"图像尺寸: {img.size} (宽 x 高)")
+            print(f"总像素数: {img.size[0] * img.size[1]:,}")
+            
+            # 计算文件大小
+            file_size = os.path.getsize(image_path)
+            print(f"文件大小: {file_size / (1024*1024):.1f} MB")
+            
+            return img
+    except Exception as e:
+        print(f"打开图像时出错: {e}")
+        return None
+
+def analyze_image_colors(img, sample_size=1000):
+    """分析图像颜色分布"""
+    print("\n=== 颜色分析 ===")
+    
+    # 将图像转换为RGB模式（如果不是的话）
+    if img.mode != 'RGB':
+        img = img.convert('RGB')
+    
+    # 采样分析（对于大图像，采样会更快）
+    pixels = list(img.getdata())
+    if len(pixels) > sample_size * sample_size:
+        # 均匀采样
+        step = len(pixels) // (sample_size * sample_size)
+        pixels = pixels[::step]
+    
+    # 统计主要颜色
+    color_counter = Counter(pixels)
+    print(f"采样像素数: {len(pixels):,}")
+    print("主要颜色 (RGB值, 出现次数):")
+    
+    for color, count in color_counter.most_common(10):
+        percentage = (count / len(pixels)) * 100
+        print(f"  RGB{color}: {count:,} 次 ({percentage:.1f}%)")
+
+def detect_content_regions(img, threshold=240):
+    """检测图像中的内容区域"""
+    print("\n=== 内容区域检测 ===")
+    
+    # 转换为灰度图
+    gray = img.convert('L')
+    pixels = np.array(gray)
+    
+    # 找到非白色区域（假设白色背景）
+    non_white = pixels < threshold
+    
+    # 找到边界
+    rows, cols = np.where(non_white)
+    if len(rows) > 0:
+        min_row, max_row = rows.min(), rows.max()
+        min_col, max_col = cols.min(), cols.max()
+        
+        print(f"内容区域边界:")
+        print(f"  行范围: {min_row} - {max_row} (高度: {max_row - min_row + 1})")
+        print(f"  列范围: {min_col} - {max_col} (宽度: {max_col - min_col + 1})")
+        
+        return (min_row, max_row, min_col, max_col)
+    else:
+        print("未检测到明显的内容区域")
+        return None
+
+def extract_text_regions(img, region_bounds=None):
+    """提取可能的文本区域"""
+    print("\n=== 文本区域分析 ===")
+    
+    # 如果指定了区域边界，只分析该区域
+    if region_bounds:
+        min_row, max_row, min_col, max_col = region_bounds
+        img_cropped = img.crop((min_col, min_row, max_col, max_row))
+    else:
+        img_cropped = img
+    
+    # 转换为灰度图
+    gray = img_cropped.convert('L')
+    pixels = np.array(gray)
+    
+    # 简单的文本检测：寻找高对比度区域
+    # 计算局部方差
+    from scipy import ndimage
+    
+    # 使用sobel算子检测边缘
+    sobel_x = ndimage.sobel(pixels, axis=1)
+    sobel_y = ndimage.sobel(pixels, axis=0)
+    edges = np.sqrt(sobel_x**2 + sobel_y**2)
+    
+    # 找到高边缘密度的区域
+    edge_threshold = np.percentile(edges, 90)
+    high_edge_regions = edges > edge_threshold
+    
+    # 统计高边缘区域
+    high_edge_pixels = np.sum(high_edge_regions)
+    total_pixels = pixels.size
+    
+    print(f"高边缘密度像素: {high_edge_pixels:,} / {total_pixels:,} ({high_edge_pixels/total_pixels*100:.1f}%)")
+    
+    return high_edge_regions
+
+def create_overview_image(img, output_path="overview.png", max_dimension=2000):
+    """创建图像概览（缩略图）"""
+    print(f"\n=== 创建概览图像 ===")
+    
+    # 计算缩放比例
+    scale = min(max_dimension / img.size[0], max_dimension / img.size[1], 1.0)
+    
+    if scale < 1.0:
+        new_size = (int(img.size[0] * scale), int(img.size[1] * scale))
+        print(f"缩放到: {new_size}")
+        overview = img.resize(new_size, Image.Resampling.LANCZOS)
+    else:
+        overview = img.copy()
+    
+    # 保存概览图
+    overview.save(output_path)
+    print(f"概览图已保存: {output_path}")
+    
+    return overview
+
+def main():
+    """主函数"""
+    image_path = "/home/ben/code/huhan3000/3body/三体结构3.drawio.png"
+    
+    print("=" * 50)
+    print("《三体》项目大型图像分析工具")
+    print("=" * 50)
+    
+    # 分析基本信息
+    img = analyze_image_basic_info(image_path)
+    if img is None:
+        return
+    
+    # 分析颜色分布
+    analyze_image_colors(img)
+    
+    # 检测内容区域
+    regions = detect_content_regions(img)
+    
+    # 提取文本区域
+    extract_text_regions(img, regions)
+    
+    # 创建概览图
+    create_overview_image(img, "/home/ben/code/huhan3000/3body/overview.png")
+    
+    print("\n" + "=" * 50)
+    print("分析完成！")
+    print("=" * 50)
+
+if __name__ == "__main__":
+    main()