feat(boxes): 新增传统 CV 定位方法（--method cv），不依赖分类模型

背景差分：大半径方框均值估背景 → 残差（可选极性）→ 平滑 → 有无判定 → 按峰值归一化，
再交给与 gradcam / shap 同一套 cam_to_boxes 出框。只依赖 numpy。

与归因方法的差别：不需要 --checkpoint，分类器还没训练出来就能先跑一版框，也不受分类
精度影响；类别只能来自目录（--target label）；找的是偏离局部背景的区域，而不是模型
据以判断类别的区域，所以对局部目标好、对铺满整图的纹理类给不出有意义的框。

有无缺陷是显式判定的：残差峰值要同时高于绝对对比度下限与噪声水平（MAD 估计）的 15 倍，
否则返回全零图。这条是必需的——实测纯噪声图的"峰值/MAD"稳定在 9 附近（最大 10.9，
几乎与噪声大小无关），有 0.25 对比度黑点时是 25~330；若只按峰值归一化，正常图的噪声
会被拉到 1，满图假框。阈值 15 取在两者之间。

顺带把积分图方框均值从 shap_explain.smooth 提到 engine/classical.box_mean 共用，
避免两处实现各自漂移。

实测：单张 0.011 秒（全量 11k 约 2 分钟）；真实薄膜图上框能套住黑点、虫状物与划痕。
已知局限：背景估计在图像边界处对明暗阶跃有响应，贴边的交界可能出假框。

Co-Authored-By: Claude Opus 5 <noreply@anthropic.com>

engine/shap_explain.py

@@ -65,19 +65,10 @@ def smooth(attribution: np.ndarray, radius: int = 2) -> np.ndarray:
     轻微平滑后再阈值化，框更完整。radius=0 表示不平滑。"""
     if radius <= 0:
         return attribution
-    size = 2 * radius + 1
-    padded = np.pad(attribution, radius, mode="edge")
-    # 用积分图做 O(1) 的方框均值，避免逐像素卷积
-    integral = padded.cumsum(axis=0).cumsum(axis=1)
-    integral = np.pad(integral, ((1, 0), (1, 0)), mode="constant")
-    height, width = attribution.shape
-    total = (
-        integral[size:size + height, size:size + width]
-        - integral[0:height, size:size + width]
-        - integral[size:size + height, 0:width]
-        + integral[0:height, 0:width]
-    )
-    smoothed = total / (size * size)
+    # 与 engine/classical.py 共用同一份积分图实现，免得两处各自漂移
+    from engine.classical import box_mean
+
+    smoothed = box_mean(attribution, radius)
     peak = smoothed.max()
     return smoothed / peak if peak > 0 else smoothed