refactor(classify): 重构图片明暗分类逻辑

- 移除固定的明暗阈值等级数组，改用动态分档机制
- 引入 neutralMargin 常量，当两分差幅小于 0.15 时视为中性图
- 修改 BrightnessName 函数，实现三分法分类：bright_N、dark_N、mid
- 新增 brightnessTier 辅助函数，将占比分档到最接近的 10%
- 完全透明的像素(alpha=0)不再参与明暗统计计算
- 更新错误提示信息，明暗分析失败时按中性 mid 归类
- 调整 README 文档描述，同步更新明暗分类规则说明

internal/probe/brightness.go

@@ -30,7 +30,8 @@ func AnalyzeBrightness(filePath string) (darkScore float64, lightScore float64,
 	return dark, light, nil
 }
 
-// analyzeBrightness 统计暗色/亮色像素占比（ITU-R BT.601 亮度公式），大图自动采样加速
+// analyzeBrightness 统计暗色/亮色像素占比（ITU-R BT.601 亮度公式），大图自动采样加速。
+// 完全透明的像素（alpha=0）不计入统计。
 func analyzeBrightness(img image.Image) (darkScore float64, lightScore float64) {
 	bounds := img.Bounds()
 	totalPixels := bounds.Dx() * bounds.Dy()
@@ -46,7 +47,10 @@ func analyzeBrightness(img image.Image) (darkScore float64, lightScore float64)
 
 	for y := bounds.Min.Y; y < bounds.Max.Y; y += sampleStep {
 		for x := bounds.Min.X; x < bounds.Max.X; x += sampleStep {
-			r, g, b, _ := img.At(x, y).RGBA()
+			r, g, b, a := img.At(x, y).RGBA()
+			if a == 0 {
+				continue
+			}
 			r8 := uint8(r >> 8)
 			g8 := uint8(g >> 8)
 			b8 := uint8(b >> 8)