最近小编实现一个微信小程序「跳一跳」的自动化。

主要涉及到了OpenCV的模板匹配和边缘检测技术，以及Android开发调试工具ADB。

如果放在一起说，感觉内容有些多。

所以，分三期来讲，也能多了解一些东西。

首先介绍模板匹配，然后边缘检测，最后结合ADB实现「跳一跳」自动化。

游戏虽然过时了，但是拿来练练手还是不错的。

编程就该是快乐的，哈哈。

/ 01 / 模板匹配

模板匹配，就是在整个图像区域里发现与给定子图像相匹配的小块区域。

这里需要一个模板图像(给定的子图像)和一个待检测的图像(原图像)。

在待检测图像上，从左向右，从上向下计算模板图像与重叠子图像的匹配度，匹配度越大，两者相同的可能性越大。

这里主要涉及OpenCV的cv2.matchTemplate()和cv2.minMaxLoc()函数。

第一个函数作用是在模板和输入图像之间寻找匹配，获得匹配结果图像。

第二个函数的作用则是在给定的矩阵中寻找最大和最小值(包括它们的位置)。

其中模板匹配算法有以下六种。

# 第一类,利用平方差来进行匹配,最好匹配为0.匹配越差,匹配值越大# 平方差匹配method=CV_TM_SQDIFF# 标准平方差匹配method=CV_TM_SQDIFF_NORMED# 第二类,采用模板和图像间的乘法操作,所以较大的数表示匹配程度较高,0标识最坏的匹配效果# 相关匹配method=CV_TM_CCORR# 标准相关匹配method=CV_TM_CCORR_NORMED# 第三类,将模版对其均值的相对值与图像对其均值的相关值进行匹配,1表示完美匹配,-1表示糟糕的匹配,0表示没有任何相关性(随机序列)# 相关系数匹配method=CV_TM_CCOEFF# 标准相关系数匹配method=CV_TM_CCOEFF_NORMED

标准化意味着将数值统一到0~1。

除了平方差类型的是值越小越好，其他的都是值越大越好。

/ 02 / 图像检索

首先来看一下两张图像，都为灰度图。

import cv2# 读取待检测图像img = cv2.imread('game.png', 0)# 读取模板图像temple = cv2.imread('temple.png', 0)# 显示灰度处理后的待检测图像cv2.namedWindow('sample', 0)cv2.resizeWindow('sample', 400, 600)cv2.imshow('sample', img)# 显示灰度处理后的模板图像cv2.namedWindow('target', 0)cv2.resizeWindow('target', 400, 600)cv2.imshow('target', temple)

输出结果如下。

第一张为模板图像，第二张为待检测图像。

下面使用OpenCV的两个函数，来实现模板匹配。

# 获取模板图像的高和宽th, tw = temple.shape[:2]print(th, tw)# 使用标准相关系数匹配,1表示完美匹配,-1表示糟糕的匹配,0表示没有任何相关性result = cv2.matchTemplate(img, temple, cv2.TM_CCOEFF_NORMED)# result为匹配结果矩阵# print(result)# TM_CCOEFF_NORMED方法处理后的结果图像cv2.namedWindow('match_r', 0)cv2.resizeWindow('match_r', 400, 600)# 显示窗口cv2.imshow('match_r', result)# 使用函数minMaxLoc,确定匹配结果矩阵的最大值和最小值(val)，以及它们的位置(loc)min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(result)# 此处选取最大值的位置,为图像的左上角tl = max_loc# 获取图像的右下角br = (tl[0]+tw, tl[1]+th)# 绘制矩形框cv2.rectangle(img, tl, br, (0, 0, 255), 2)# 设置显示窗口cv2.namedWindow('match', 0)cv2.resizeWindow('match', 400, 600)# 显示窗口cv2.imshow('match', img)# 结束cv2.waitKey(0)cv2.destroyAllWindows()

输出结果如下。

第一张图中最白的位置，即代表着最高的匹配。

第二张图中，矩形框则代表着匹配到的结果。

通过矩形框的位置参数，结合模板图像的大小，便可得到小跳棋中心点位置(底部)。

/ 03 / 总结

现在既然能检测到「跳一跳」小跳棋的位置，那么下一步就是方块的位置啦。