基于Python+OpenCV實現自動掃雷功能

更新時間：2023年12月05日 09:22:32 作者：吃貓貓的魚干

相信許多人很早就知道有掃雷這么一款經典的游（顯卡測試）戲（軟件）,掃雷作為一款在Windows9x時代就已經誕生的經典游戲,從過去到現在依然都有著它獨特的魅力,所以本文小編給大家介紹了如何使用Python+OpenCV實現自動掃雷效果,感興趣的朋友可以參考下

相信許多人很早就知道有掃雷這么一款經典的游（顯卡測試）戲（軟件），更是有不少人曾聽說過中國雷圣，也是中國掃雷第一、世界綜合排名第二的郭蔚嘉的頂頂大名。掃雷作為一款在Windows9x時代就已經誕生的經典游戲，從過去到現在依然都有著它獨特的魅力：快節(jié)奏高精準的鼠標操作要求、快速的反應能力、刷新紀錄的快感，這些都是掃雷給雷友們帶來的、只屬于掃雷的獨一無二的興奮點。

準備

準備動手制作一套掃雷自動化軟件之前，你需要準備如下一些工具/軟件/環(huán)境

- 開發(fā)環(huán)境

Python3 環(huán)境 - 推薦3.6或者以上 [更加推薦Anaconda3，以下很多依賴庫無需安裝]
numpy依賴庫 [如有Anaconda則無需安裝]
PIL依賴庫 [如有Anaconda則無需安裝]
opencv-python
win32gui、win32api依賴庫
支持Python的IDE [可選，如果你能忍受用文本編輯器寫程序也可以]

- 掃雷軟件

· Minesweeper Arbiter（必須使用MS-Arbiter來進行掃雷?。?/p>

好啦，那么我們的準備工作已經全部完成了！讓我們開始吧~

實現思路

在去做一件事情之前最重要的是什么？是將要做的這件事情在心中搭建一個步驟框架。只有這樣，才能保證在去做這件事的過程中，盡可能的做到深思熟慮，使得最終有個好的結果。我們寫程序也要盡可能做到在正式開始開發(fā)之前，在心中有個大致的思路。

對于本項目而言，大致的開發(fā)過程是這樣的：

完成窗體內容截取部分
完成雷塊分割部分
完成雷塊類型識別部分
完成掃雷算法

好啦，既然我們有了個思路，那就擼起袖子大力干！

窗體截取

其實對于本項目而言，窗體截取是一個邏輯上簡單，實現起來卻相當麻煩的部分，而且還是必不可少的部分。我們通過Spy++得到了以下兩點信息：

class\_name = "TMain"
title\_name = "Minesweeper Arbiter "

ms_arbiter.exe的主窗體類別為"TMain"
ms_arbiter.exe的主窗體名稱為"Minesweeper Arbiter "

注意到了么？主窗體的名稱后面有個空格。正是這個空格讓筆者困擾了一會兒，只有加上這個空格，win32gui才能夠正常的獲取到窗體的句柄。

本項目采用了win32gui來獲取窗體的位置信息，具體代碼如下：

hwnd = win32gui.FindWindow(class\_name, title\_name)
if hwnd:
left, top, right, bottom = win32gui.GetWindowRect(hwnd)

通過以上代碼，我們得到了窗體相對于整塊屏幕的位置。之后我們需要通過PIL來進行掃雷界面的棋盤截取。

我們需要先導入PIL庫

from PIL import ImageGrab

然后進行具體的操作。

left += 15
top += 101
right -= 15
bottom -= 43
 
 
rect = (left, top, right, bottom)
img = ImageGrab.grab().crop(rect)

聰明的你肯定一眼就發(fā)現了那些奇奇怪怪的Magic Numbers，沒錯，這的確是Magic Numbers，是我們通過一點點細微調節(jié)得到的整個棋盤相對于窗體的位置。

注意：這些數據僅在Windows10下測試通過，如果在別的Windows系統下，不保證相對位置的正確性，因為老版本的系統可能有不同寬度的窗體邊框。

橙色的區(qū)域是我們所需要的

好啦，棋盤的圖像我們有了，下一步就是對各個雷塊進行圖像分割了~

雷塊分割

在進行雷塊分割之前，我們事先需要了解雷塊的尺寸以及它的邊框大小。經過筆者的測量，在ms_arbiter下，每一個雷塊的尺寸為16px*16px。

知道了雷塊的尺寸，我們就可以進行每一個雷塊的裁剪了。首先我們需要知道在橫和豎兩個方向上雷塊的數量。

block\_width, block\_height = 16, 16
  blocks\_x = int((right - left) / block\_width)
  blocks\_y = int((bottom - top) / block\_height)

之后，我們建立一個二維數組用于存儲每一個雷塊的圖像，并且進行圖像分割，保存在之前建立的數組中。

def crop\_block(hole\_img, x, y):
        x1, y1 = x \* block\_width, y \* block\_height
        x2, y2 = x1 + block\_width, y1 + block\_height
return hole\_img.crop((x1, y1, x2, y2))
 
 
blocks\_img = \[\[0 for i in range(blocks\_y)\] for i in range(blocks\_x)\]
 
 
for y in range(blocks\_y):
for x in range(blocks\_x):
        blocks\_img\[x\]\[y\] = crop\_block(img, x, y)

將整個圖像獲取、分割的部分封裝成一個庫，隨時調用就OK啦~在筆者的實現中，我們將這一部分封裝成了imageProcess.py，其中函數get_frame()用于完成上述的圖像獲取、分割過程。

雷塊識別

這一部分可能是整個項目里除了掃雷算法本身之外最重要的部分了。筆者在進行雷塊檢測的時候采用了比較簡單的特征，高效并且可以滿足要求。

def analyze\_block(self, block, location):
    block = imageProcess.pil\_to\_cv(block)
 
 
    block\_color = block\[8, 8\]
    x, y = location\[0\], location\[1\]
 
 
    # -1:Not opened
    # -2:Opened but blank
    # -3:Un initialized
 
 
    # Opened
if self.equal(block\_color, self.rgb\_to\_bgr((192, 192, 192))):
if not self.equal(block\[8, 1\], self.rgb\_to\_bgr((255, 255, 255))):
self.blocks\_num\[x\]\[y\] = -2
self.is\_started = True
else:
self.blocks\_num\[x\]\[y\] = -1
 
 
    elif self.equal(block\_color, self.rgb\_to\_bgr((0, 0, 255))):
self.blocks\_num\[x\]\[y\] = 1
 
 
    elif self.equal(block\_color, self.rgb\_to\_bgr((0, 128, 0))):
self.blocks\_num\[x\]\[y\] = 2
 
 
    elif self.equal(block\_color, self.rgb\_to\_bgr((255, 0, 0))):
self.blocks\_num\[x\]\[y\] = 3
 
 
    elif self.equal(block\_color, self.rgb\_to\_bgr((0, 0, 128))):
self.blocks\_num\[x\]\[y\] = 4
 
 
    elif self.equal(block\_color, self.rgb\_to\_bgr((128, 0, 0))):
self.blocks\_num\[x\]\[y\] = 5
 
 
    elif self.equal(block\_color, self.rgb\_to\_bgr((0, 128, 128))):
self.blocks\_num\[x\]\[y\] = 6
 
 
    elif self.equal(block\_color, self.rgb\_to\_bgr((0, 0, 0))):
if self.equal(block\[6, 6\], self.rgb\_to\_bgr((255, 255, 255))):
            # Is mine
self.blocks\_num\[x\]\[y\] = 9
        elif self.equal(block\[5, 8\], self.rgb\_to\_bgr((255, 0, 0))):
            # Is flag
self.blocks\_num\[x\]\[y\] = 0
else:
self.blocks\_num\[x\]\[y\] = 7
 
 
    elif self.equal(block\_color, self.rgb\_to\_bgr((128, 128, 128))):
self.blocks\_num\[x\]\[y\] = 8
else:
self.blocks\_num\[x\]\[y\] = -3
self.is\_mine\_form = False
 
 
if self.blocks\_num\[x\]\[y\] == -3 or not self.blocks\_num\[x\]\[y\] == -1:
self.is\_new\_start = False

可以看到，我們采用了讀取每個雷塊的中心點像素的方式來判斷雷塊的類別，并且針對插旗、未點開、已點開但是空白等情況進行了進一步判斷。具體色值是筆者直接取色得到的，并且屏幕截圖的色彩也沒有經過壓縮，所以通過中心像素結合其他特征點來判斷類別已經足夠了，并且做到了高效率。

在本項目中，我們實現的時候采用了如下標注方式：

1-8：表示數字1到8
9：表示是地雷
0：表示插旗
-1：表示未打開
-2：表示打開但是空白
-3：表示不是掃雷游戲中的任何方塊類型

通過這種簡單快速又有效的方式，我們成功實現了高效率的圖像識別。

掃雷算法實現

這可能是本篇文章最激動人心的部分了。在這里我們需要先說明一下具體的掃雷算法思路：

遍歷每一個已經有數字的雷塊，判斷在它周圍的九宮格內未被打開的雷塊數量是否和本身數字相同，如果相同則表明周圍九宮格內全部都是地雷，進行標記。
再次遍歷每一個有數字的雷塊，取九宮格范圍內所有未被打開的雷塊，去除已經被上一次遍歷標記為地雷的雷塊，記錄并且點開。
如果以上方式無法繼續(xù)進行，那么說明遇到了死局，選擇在當前所有未打開的雷塊中隨機點擊。（當然這個方法不是最優(yōu)的，有更加優(yōu)秀的解決方案，但是實現相對麻煩）

基本的掃雷流程就是這樣，那么讓我們來親手實現它吧~

首先我們需要一個能夠找出一個雷塊的九宮格范圍的所有方塊位置的方法。因為掃雷游戲的特殊性，在棋盤的四邊是沒有九宮格的邊緣部分的，所以我們需要篩選來排除掉可能超過邊界的訪問。

def generate\_kernel(k, k\_width, k\_height, block\_location):
 
 
     ls = \[\]
     loc\_x, loc\_y = block\_location\[0\], block\_location\[1\]
 
 
for now\_y in range(k\_height):
for now\_x in range(k\_width):
if k\[now\_y\]\[now\_x\]:
                 rel\_x, rel\_y = now\_x - 1, now\_y - 1
                 ls.append((loc\_y + rel\_y, loc\_x + rel\_x))
return ls
 
 
 kernel\_width, kernel\_height = 3, 3
 
 
# Kernel mode:\[Row\]\[Col\]
 kernel = \[\[1, 1, 1\], \[1, 1, 1\], \[1, 1, 1\]\]
 
 
# Left border
if x == 0:
for i in range(kernel\_height):
         kernel\[i\]\[0\] = 0
 
 
# Right border
if x == self.blocks\_x - 1:
for i in range(kernel\_height):
         kernel\[i\]\[kernel\_width - 1\] = 0
 
 
# Top border
if y == 0:
for i in range(kernel\_width):
         kernel\[0\]\[i\] = 0
 
 
# Bottom border
if y == self.blocks\_y - 1:
for i in range(kernel\_width):
         kernel\[kernel\_height - 1\]\[i\] = 0
 
 
# Generate the search map
 to\_visit = generate\_kernel(kernel, kernel\_width, kernel\_height, location)

我們在這一部分通過檢測當前雷塊是否在棋盤的各個邊緣來進行核的刪除（在核中，1為保留，0為舍棄），之后通過generate_kernel函數來進行最終坐標的生成。

def count\_unopen\_blocks(blocks):
    count = 0
for single\_block in blocks:
if self.blocks\_num\[single\_block\[1\]\]\[single\_block\[0\]\] == -1:
            count += 1
return count
 
 
def mark\_as\_mine(blocks):
for single\_block in blocks:
if self.blocks\_num\[single\_block\[1\]\]\[single\_block\[0\]\] == -1:
self.blocks\_is\_mine\[single\_block\[1\]\]\[single\_block\[0\]\] = 1
 
 
unopen\_blocks = count\_unopen\_blocks(to\_visit)
if unopen\_blocks == self.blocks\_num\[x\]\[y\]:
     mark\_as\_mine(to\_visit)

在完成核的生成之后，我們有了一個需要去檢測的雷塊“地址簿”：to_visit。之后，我們通過count_unopen_blocks函數來統計周圍九宮格范圍的未打開數量，并且和當前雷塊的數字進行比對，如果相等則將所有九宮格內雷塊通過mark_as_mine函數來標注為地雷。

def mark\_to\_click\_block(blocks):
for single\_block in blocks:
 
 
# Not Mine
if not self.blocks\_is\_mine\[single\_block\[1\]\]\[single\_block\[0\]\] == 1:
# Click-able
if self.blocks\_num\[single\_block\[1\]\]\[single\_block\[0\]\] == -1:
 
 
# Source Syntax: \[y\]\[x\] - Converted
if not (single\_block\[1\], single\_block\[0\]) in self.next\_steps:
self.next\_steps.append((single\_block\[1\], single\_block\[0\]))
 
 
def count\_mines(blocks):
    count = 0
for single\_block in blocks:
if self.blocks\_is\_mine\[single\_block\[1\]\]\[single\_block\[0\]\] == 1:
            count += 1
return count
 
 
mines\_count = count\_mines(to\_visit)
 
 
if mines\_count == block:
    mark\_to\_click\_block(to\_visit)

掃雷流程中的第二步我們也采用了和第一步相近的方法來實現。先用和第一步完全一樣的方法來生成需要訪問的雷塊的核，之后生成具體的雷塊位置，通過count_mines函數來獲取九宮格范圍內所有雷塊的數量，并且判斷當前九宮格內所有雷塊是否已經被檢測出來。

如果是，則通過mark_to_click_block函數來排除九宮格內已經被標記為地雷的雷塊，并且將剩余的安全雷塊加入next_steps數組內。

\# Analyze the number of blocks
self.iterate\_blocks\_image(BoomMine.analyze\_block)
 
 
# Mark all mines
self.iterate\_blocks\_number(BoomMine.detect\_mine)
 
 
# Calculate where to click
self.iterate\_blocks\_number(BoomMine.detect\_to\_click\_block)
 
 
if self.is\_in\_form(mouseOperation.get\_mouse\_point()):
for to\_click in self.next\_steps:
         on\_screen\_location = self.rel\_loc\_to\_real(to\_click)
         mouseOperation.mouse\_move(on\_screen\_location\[0\], on\_screen\_location\[1\])
         mouseOperation.mouse\_click()

在最終的實現內，筆者將幾個過程都封裝成為了函數，并且可以通過iterate_blocks_number方法來對所有雷塊都使用傳入的函數來進行處理，這有點類似Python中Filter的作用。

之后筆者做的工作就是判斷當前鼠標位置是否在棋盤之內，如果是，就會自動開始識別并且點擊。具體的點擊部分，筆者采用了作者為"wp"的一份代碼（從互聯網搜集而得），里面實現了基于win32api的窗體消息發(fā)送工作，進而完成了鼠標移動和點擊的操作。具體實現封裝在mouseOperation.py中，有興趣可以在文末的Github Repo中查看。

以上就是基于Python+OpenCV實現自動掃雷效果的詳細內容，更多關于Python+OpenCV自動掃雷的資料請關注腳本之家其它相關文章！

您可能感興趣的文章:

python中format函數如何使用
在本篇內容里小編給大家整理的是一篇關于python的format函數用法以及相關實例，需要的朋友們學習下。
2020-06-06
解決ImportError:DLL load failed while impo
在安裝pywin32后,可能會出現無法導入win32api的錯誤,一個有效的解決方案是運行pywin32_postinstall.py腳本,首先,打開cmd并切換到環(huán)境的Scripts文件夾,確保存在pywin32_postinstall.py文件
2024-09-09
Python文件操作和異常處理的方法和技巧
本文介紹了Python文件操作和異常處理的方法和技巧，包括讀寫文本文件、讀寫二進制文件、文件指針、異常類型和處理、try-except語句、異常處理程序等內容，幫助讀者更好地掌握Python在文件操作和異常處理方面的應用
2023-05-05
Python爬取騰訊疫情實時數據并存儲到mysql數據庫的示例代碼
這篇文章主要介紹了Python爬取騰訊疫情實時數據并存儲到mysql數據庫的示例代碼,本文給大家介紹的非常詳細，對大家的學習或工作具有一定的參考借鑒價值，需要的朋友可以參考下
2021-03-03
python3 將階乘改成函數形式進行調用的操作
這篇文章主要介紹了python3 將階乘改成函數形式進行調用的操作，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧
2021-03-03
mac下給python3安裝requests庫和scrapy庫的實例
今天小編就為大家分享一篇mac下給python3安裝requests庫和scrapy庫的實例，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧
2018-06-06
python中的sys模塊和os模塊
這篇文章主要介紹了python中的sys模塊和os模塊，sys模塊提供對解釋器使用或維護的一些變量的訪問，以及與解釋器強烈交互的函數，os模塊提供了多數操作系統的功能接口函數，下文更多相關內容需要的小伙伴可以參考一下
2022-03-03
python matplotlib畫盒圖、子圖解決坐標軸標簽重疊的問題
今天小編就為大家分享一篇python matplotlib畫盒圖、子圖解決坐標軸標簽重疊的問題，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧
2020-01-01
python畫微信表情符的實例代碼
這篇文章主要介紹了python畫微信表情的實例代碼，代碼簡單易懂，非常不錯，具有一定的參考借鑒價值,需要的朋友可以參考下
2019-10-10
淺談在django中使用filter()(即對QuerySet操作)時踩的坑
這篇文章主要介紹了淺談在django中使用filter()(即對QuerySet操作)時踩的坑，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧
2020-03-03