前言前面文章提到过有可以获取玩家在大地图上的相对坐标和方位了那么如果让机器驱使玩家前往某一个点需要获取目标点的位置根据点的位置计算出相应的欧式距离然后以玩家当前位置为中心展开平面直角坐标系以Y轴为0°计算目标点的绝对的角度然后再计算玩家角度到这个目标点的夹角到最后执行玩家旋转和移动。那现在有个问题精确的角度转向机器要如何做到需要获取最好的转向DPI用到的技术cv2 处理画面airScript 执行旋转360°numpy 算法涉及距离计算staticmethod def calculate_euclidean_distance( point1: Tuple[float, float], point2: Tuple[float, float] ) - float: 计算两点之间的欧几里得距离 Args: point1: 第一个点的坐标 (x, y) point2: 第二个点的坐标 (x, y) Returns: float: 两点之间的欧几里得距离 x1, y1 point1 x2, y2 point2 return math.sqrt((x2 - x1) ** 2 (y2 - y1) ** 2)角度计算staticmethod def calculate_angle_between_points( point1: Tuple[float, float], point2: Tuple[float, float] ) - float: 计算两点之间的角度相对于正y轴屏幕坐标系 Args: point1: 第一个点的坐标 (x, y) point2: 第二个点的坐标 (x, y) Returns: float: 两点之间的角度 x1, y1 point1 x2, y2 point2 delta_x x2 - x1 delta_y y1 - y2 # 屏幕坐标系中y轴向下为正 angle math.degrees(math.atan2(delta_x, delta_y)) return angle使用前提/使用范围1.默认转向灵敏度为固定模式即你滑动像素值与玩家所旋转角度呈直线关系2.确保转向时候不会发生位置变化且周遭环境保持相对不变3.截取的屏幕中心无遮挡代码简述核心原理 在游戏场景中玩家执行 360° × DPI 的旋转操作。理想情况下当 DPI 值准确时旋转360度后画面应与旋转前完全一致。代码算法将分为得分算法和搜索算法核心代码得分算法# 标准库导入 import time import hashlib # 第三方库导入 import cv2 class ImageMatcher: 图像匹配器类用于计算输入图像与参考图像的匹配度 该类使用SIFT特征提取和FLANN匹配算法通过优化参数和缓存机制提高匹配速度 # 类级缓存用于存储所有实例的匹配结果 _global_cache {} _cache_hits 0 _cache_misses 0 def __init__(self, reference_image): 初始化图像匹配器 Args: reference_image: 参考图像用于与输入图像进行匹配 Raises: ImportError: 无法找到SIFT实现 ValueError: 参考图像特征点不足 # 兼容不同版本的OpenCV try: # OpenCV 4.0 版本 self.SIFT_create cv2.SIFT_create except AttributeError: try: # OpenCV 3.x 版本 self.SIFT_create cv2.xfeatures2d.SIFT_create except AttributeError: # 其他版本 raise ImportError(无法找到SIFT实现请确保OpenCV版本正确) # 初始化SIFT检测器 - 优化参数以提高速度和精度 self.detector self.SIFT_create( nfeatures800, # 减少特征点数量提高速度 contrastThreshold0.04, # 提高对比度阈值减少噪声特征点 edgeThreshold12, # 提高边缘阈值减少边缘特征点 sigma1.6, # 高斯模糊参数 ) # 初始化FLANN匹配器 - 优化参数 FLANN_INDEX_KDTREE 1 index_params dict( algorithmFLANN_INDEX_KDTREE, trees4 ) # 增加树数量提高匹配质量 search_params dict(checks15) # 平衡速度和精度 self.flann cv2.FlannBasedMatcher(index_params, search_params) # 加载并预处理参考图像 self.reference_image reference_image self.reference_gray self._preprocess_image(self.reference_image) # 提取参考图像特征 start_time time.time() self.reference_kp, self.reference_des self.detector.detectAndCompute( self.reference_gray, None ) extract_time time.time() - start_time # 检查参考图像是否有足够的特征点 if len(self.reference_kp) 15: raise ValueError(参考图像特征点不足无法进行匹配) # 初始化实例缓存 self._match_cache {} # 打印初始化信息 print( f|MATCHER|✔ 参考图像加载完成特征点数量: {len(self.reference_kp)}, 提取时间: {extract_time:.3f}s ) def _preprocess_image(self, image): 预处理图像为特征提取做准备 Args: image: OpenCV 格式的图像 Returns: numpy.ndarray: 预处理后的灰度图像 # 转换为灰度图像 if len(image.shape) 3: image cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) # 应用直方图均衡化增强对比度提高特征点质量 image cv2.equalizeHist(image) # 应用轻度高斯模糊减少噪声 image cv2.GaussianBlur(image, (3, 3), 0) return image def _compute_image_hash(self, image): 计算图像的哈希值用于缓存键 Args: image: OpenCV 格式的图像 Returns: str: 图像的MD5哈希值 # 缩小图像尺寸加快哈希计算 resized cv2.resize(image, (64, 64)) # 计算MD5哈希 hash_obj hashlib.md5(resized.tobytes()) return hash_obj.hexdigest() def get_match_score(self, input_image): 计算输入图像与参考图像的匹配度 Args: input_image: OpenCV 格式的输入图像 Returns: float: 匹配度分数范围0-1值越高表示匹配度越好 Raises: ValueError: 输入图像为空 if input_image is None: raise ValueError(输入图像为空) # 计算图像哈希 image_hash self._compute_image_hash(input_image) # 检查缓存先检查全局缓存再检查实例缓存 if image_hash in ImageMatcher._global_cache: ImageMatcher._cache_hits 1 return ImageMatcher._global_cache[image_hash] if image_hash in self._match_cache: ImageMatcher._cache_hits 1 return self._match_cache[image_hash] ImageMatcher._cache_misses 1 # 预处理输入图像 input_gray self._preprocess_image(input_image) # 提取输入图像特征 start_time time.time() input_kp, input_des self.detector.detectAndCompute(input_gray, None) extract_time time.time() - start_time # 检查输入图像是否有足够的特征点 if len(input_kp) 8: match_score 0.0 self._match_cache[image_hash] match_score ImageMatcher._global_cache[image_hash] match_score return match_score # 限制特征点数量 if len(input_kp) 400: # 按响应值排序保留质量高的特征点 input_kp sorted(input_kp, keylambda x: x.response, reverseTrue)[:400] input_kp, input_des self.detector.compute(input_gray, input_kp) # 特征匹配 match_time time.time() matches self.flann.knnMatch(input_des, self.reference_des, k2) match_time time.time() - match_time # 筛选良好的匹配点 good_matches [] for match_pair in matches: if len(match_pair) 2: best_match, second_best_match match_pair # 调整阈值提高匹配质量 if best_match.distance 0.7 * second_best_match.distance: good_matches.append(best_match) # 计算匹配度分数 if len(matches) 0: match_score 0.0 else: # 计算匹配比例 match_ratio len(good_matches) / len(matches) # 结合特征点数量和匹配比例计算分数 # 特征点数量越多匹配比例的权重越高 feature_weight min(len(input_kp) / 200, 1.0) match_score match_ratio * (0.7 0.3 * feature_weight) # 确保分数在0-1范围内 match_score max(0.0, min(1.0, match_score)) # 缓存结果 match_score round(match_score, 4) self._match_cache[image_hash] match_score ImageMatcher._global_cache[image_hash] match_score # 定期清理缓存防止内存占用过大 if len(self._match_cache) 100: # 只保留最近使用的50个 self._match_cache dict(list(self._match_cache.items())[-50:]) if len(ImageMatcher._global_cache) 500: # 清理全局缓存 ImageMatcher._global_cache dict( list(ImageMatcher._global_cache.items())[-200:] ) # 打印性能统计每10次匹配 if (ImageMatcher._cache_hits ImageMatcher._cache_misses) % 10 0: total ImageMatcher._cache_hits ImageMatcher._cache_misses hit_rate (ImageMatcher._cache_hits / total) * 100 if total 0 else 0 print(f|MATCHER| 缓存命中率: {hit_rate:.1f}%, 总匹配次数: {total}) return match_score classmethod def clear_global_cache(cls): 清理全局缓存 cls._global_cache.clear() cls._cache_hits 0 cls._cache_misses 0 print(|MATCHER|✔ 全局缓存已清理) def clear_cache(self): 清理实例缓存 self._match_cache.clear() print(|MATCHER|✔ 实例缓存已清理)功能介绍特征提取SIFT算法- 对旋转、缩放、亮度变化具有鲁棒性- 适合游戏场景中的图像匹配FLANN算法- 比暴力匹配快10倍以上- 适合大规模特征点匹配处理流程输入图像 → 预处理 → 特征提取 → 特征匹配 → 分数计算 → 缓存结果搜索算法三分法staticmethod def get_optimal_turn_dpi(player) - Optional[float]: 获取最佳转向DPI 通过智能搜索算法调整转向DPI值使得玩家旋转360度后屏幕中心图像匹配度最高 匹配度越高说明旋转越精准DPI值越合适 Returns: float: 最佳DPI值精确到0.00001 try: print(|DPI|✔ 正在获取最佳转向DPI...) # 目标匹配度阈值 TARGET_MATCH_SCORE 0.9 # DPI搜索配置 DPI_RANGE (6.0, 12.0) # DPI搜索范围 # 快速搜索配置 FAST_SCAN_STEPS 50 # 全局快速扫描步数 # 精细搜索配置 PRECISION 0.0000001 # 目标精度 MAX_BINARY_ITERATIONS 50 # 二分查找最大迭代次数 # 测试配置 FINAL_TESTS 3 # 最终验证测试次数 # 初始化变量 best_dpi: Optional[float] None best_match_score: float 0 # 1. 全局快速扫描 - 找到大致最佳范围 print(|DPI| 执行全局快速扫描...) fast_scan_results: List[Tuple[float, float]] [] range_min, range_max DPI_RANGE step (range_max - range_min) / FAST_SCAN_STEPS for i in range(FAST_SCAN_STEPS 1): current_dpi range_min i * step # 保存当前DPI值 Store.save(turn_dpi, current_dpi) # 执行测试只转一圈360度 score TurnDPI._calculate_match_score(player) fast_scan_results.append((current_dpi, score)) print(f|DPI|⚡ 快速扫描: DPI{current_dpi:.2f}, 匹配度{score:.2f}) # 早期终止条件 if score TARGET_MATCH_SCORE: print( f|DPI| 快速扫描找到高匹配度DPI: {current_dpi:.2f}, 匹配度{score:.2f} ) best_dpi current_dpi best_match_score score break # 2. 分析快速扫描结果找到最佳区域 if not best_dpi: if not fast_scan_results: print(|DPI|⚠ 快速扫描无结果) return None # 按匹配度排序 fast_scan_results.sort(keylambda x: x[1], reverseTrue) best_dpi, best_match_score fast_scan_results[0] print( f|DPI| 快速扫描最佳结果: DPI{best_dpi:.2f}, 匹配度{best_match_score:.2f} ) # 3. 确定精细搜索范围 # 基于最佳DPI值动态调整搜索范围 search_range 0.5 # 初始搜索范围 fine_min max(range_min, best_dpi - search_range) fine_max min(range_max, best_dpi search_range) print(f|DPI| 精细搜索范围: {fine_min:.4f} - {fine_max:.4f}) # 4. 使用三分法搜索找到最优值 print(|DPI| 执行高精度三分搜索...) left fine_min right fine_max for i in range(MAX_BINARY_ITERATIONS): if right - left PRECISION: break # 计算两个测试点 mid1 left (right - left) / 3 mid2 right - (right - left) / 3 # 测试第一个点 Store.save(turn_dpi, mid1) score1 TurnDPI._calculate_match_score(player) # 测试第二个点 Store.save(turn_dpi, mid2) score2 TurnDPI._calculate_match_score(player) print( f|DPI| 三分搜索迭代 {i 1}: DPI1{mid1:.6f}, 匹配度1{score1:.4f}, DPI2{mid2:.6f}, 匹配度2{score2:.4f} ) # 根据测试结果调整搜索范围 if score1 score2: right mid2 if score1 best_match_score: best_dpi mid1 best_match_score score1 else: left mid1 if score2 best_match_score: best_dpi mid2 best_match_score score2 # 5. 最终精细调整 print(|DPI| 执行最终精细调整...) final_best_dpi best_dpi final_best_score best_match_score # 在最佳点周围进行更精细的搜索 fine_steps [ -0.0001, -0.00005, -0.00001, -0.000005, 0.000005, 0.00001, 0.00005, 0.0001, ] for step in fine_steps: test_dpi final_best_dpi step # 确保在有效范围内 if test_dpi range_min or test_dpi range_max: continue Store.save(turn_dpi, test_dpi) score TurnDPI._calculate_match_score(player) print(f|DPI| 精细调整: DPI{test_dpi:.6f}, 匹配度{score:.4f}) if score final_best_score: final_best_dpi test_dpi final_best_score score # 6. 对最佳点进行最终验证 print(|DPI| 执行最终验证测试...) validation_scores [] for i in range(FINAL_TESTS): Store.save(turn_dpi, final_best_dpi) score TurnDPI._calculate_match_score(player) validation_scores.append(score) print(f|DPI| 验证测试 {i 1}/{FINAL_TESTS}: 匹配度{score:.4f}) # 计算验证平均分 validation_avg sum(validation_scores) / len(validation_scores) print(f|DPI| 验证平均匹配度: {validation_avg:.4f}) # 更新最佳值 if validation_avg final_best_score: final_best_score validation_avg print(f|DPI| 验证后更新匹配度: {final_best_score:.4f}) # 保存结果 best_dpi round(final_best_dpi, 5) # 精确到0.00001 Store.save(turn_dpi, best_dpi) if best_match_score TARGET_MATCH_SCORE: print( f|DPI| 成功找到最优转向DPI: {best_dpi:.5f}匹配度: {final_best_score:.4f}已保存 ) else: print( f|DPI|⚠ 已保存最佳可用转向DPI: {best_dpi:.5f}匹配度: {final_best_score:.4f} ) if final_best_score 0.8: print(|DPI| 匹配度较高可考虑使用此值) elif final_best_score 0.6: print(|DPI| 匹配度中等基本可用) else: print(|DPI|⚠ 匹配度较低建议调整游戏设置或硬件配置) return best_dpi except Exception as e: raise Exception(f|TURNDPI|❌ 获取最佳转向DPI失败: {str(e)})功能介绍全局扫描- 在 6.0 ~ 12.0 DPI范围内均匀采样 50个点- 快速定位大致最佳得分区域三分法精细搜索- 在最佳值 ±0.5 范围内进行高精度搜索- 最多迭代 50次 精度达到 0.0000001最终微调- 在最佳点周围以 ±0.0001 级别进行8档微调- 进一步逼近最优解效果展示快速扫描转一圈的大致DPI开始三分法搜索最终微调最终测试转动360°前转动360°后前后基本画面基本吻合