## 项目定位

豆瓣滑块验证码检测器使用 Node.js + Sharp，对静态截图中的滑块缺口进行自动定位。当前版本聚焦豆瓣样式的双滑块图片，要求识别 1~2 个滑块并输出带标注的结果图。

## 数据输入

- `images/douban/`：待检测图片，命令行默认扫描该目录。
- `images/douban-target/`：对应图片的人工红框标注，用于准确性验证。
- `images/output/`：检测结果输出目录（自动生成，蓝框标注）。
- 自定义目录可通过 `npm run detect -- --pic-dir=<relative-path>` 指定。

## 检测要求

1. 支持 1~2 个滑块的定位，允许图片存在缺失或额外背景元素。
2. 输出的边界框应与人工标注的中心点偏差 ≤ 10 px，IoU ≥ 0.1 视为可接受匹配。
3. 允许算法返回多个候选框；验证阶段会进行一对一匹配并统计准确率、召回率。
4. 结果需在原图上以蓝色矩形绘制并写入 `images/output/`。

## 算法概览

1. **预处理**：同时读取原始图与归一化图，生成原始 `RawImage`、增强版图像。
2. **候选生成**（`src/detection/candidate-search.ts`）：
   - 多阈值暗/亮区域扫描 → 连通域过滤
   - Sobel 边缘图 → 形态学闭运算补全边界
   - 颜色量化 + LAB 色差检测 → 识别低对比度候选
   - IoU 去重后，依据正方形程度、颜色一致性、内部边缘稀疏度、外部梯度平滑度重新评分。
3. **框体精炼**：使用边缘投影收紧候选框边界。
4. **自学习扩展**（`src/detector-self-learning.ts`）：将最佳候选作为模板，在同一水平带上搜索第二个滑块。
5. **结果绘制**：`SliderDetector.annotate` 在输出图片上渲染所有有效框体。

## 验证流程

- CLI (`src/cli.ts`) 会加载 `ground-truth.json`，对默认目录进行逐图检测。
- 使用 `SliderValidator` 计算匹配情况，终端输出每张图与总体的准确率、召回率。
- 若指定 `--pic-dir`，仍会先运行 ground-truth 评估（若文件存在），再处理目标目录。

## 开发约定

- 代码组织遵循模块划分：`detector.ts`（主检测器）、`detection/`（候选策略）、`utils/`（基础工具）、`validator.ts`（验证）。
- 新增检测策略时建议在 `candidate-search.ts` 中扩展，对应评分指标需保持可调节权重。
- 所有新增图像应放入 `images/douban` / `images/douban-target` 并更新 `ground-truth.json`。
- 运行 `npm run build` 进行类型检查；`npm run detect` 验收算法表现。