python开局托儿所自动点击脚本
屏幕截图
python 屏幕截图可以使用pyautogui或者PIL。我使用的是PIL中的ImageGrab(要授权)。
python
image = ImageGrab.grab(bbox=(0, 0, tool.static_window_width, tool.static_window_height))
image = np.array(image.getdata(), np.uint8).reshape(image.size[1], image.size[0], 4)
image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)先上连接：开局托儿所
将截取的图片转成灰度图后就是下面这个样子。
接下来将每个数字截取出来。16行10列，共有160个数字。
python
for i in range(16):
x_start = self.x_start
x_end = x_start + self.num_width
imgelist = list()
center_pos = []
for j in range(10):
every_num = image[y_start:y_end,x_start:x_end]
every_num = cv2.resize(every_num, (28, 28), interpolation=cv2.INTER_AREA)
_, every_num = cv2.threshold(every_num, 127, 255, cv2.THRESH_BINARY)
center_pos.append((x_start + self.num_width/2,y_start + self.num_width/2))
imgelist.append(every_num)
x_start += x_dis
x_end += x_dis
self.imagelists.append(imgelist)
self.center_pos.append(center_pos)
y_start += y_dis
y_end += y_dis图片数字识别
裁剪好图片就可以使用深度学习模型进行数字识别，这里也是使用经典的LeNet模型。首先要手动标注一部分数字作为训练集进行训练。（github链接包含我手动标注的训练集，可以直接使用）
有了训练集就可以开始训练模型。LeNet 网络结构：
python
def buildModel(self):
self.model.add(Conv2D(input_shape=(28,28,1),filters=6, kernel_size=(5,5), strides=(1,1), padding='same', activation='relu'))
self.model.add(MaxPool2D(pool_size=(2,2), strides=(2,2),padding='same'))
self.model.add(Conv2D(filters=16, kernel_size=(5,5), strides=(1,1), padding='valid', activation='relu'))
self.model.add(MaxPool2D(pool_size=(2,2), strides=(2,2),padding='same'))
self.model.add(Conv2D(filters=120, kernel_size=(5,5), strides=(1,1), padding='valid', activation='relu'))
self.model.add(MaxPool2D(pool_size=(2,2), strides=(2,2),padding='same'))
self.model.add(Flatten())
self.model.add(Dense(84, activation='relu'))
self.model.add(Dense(9, activation='softmax'))
# 形成网络（同时添加优化器）
self.model.compile(loss='categorical_crossentropy',
optimizer=RMSprop(),
metrics=['accuracy'])
self.load_model()
# 查看网络结构，输出形状，参数个数
print(self.model.summary())训练好模型就可以对数字图片进行识别，
python
def predict(self,imgs):
predict = self.model.predict(imgs)
index = np.argmax(predict,axis = 1)
index=index.reshape(16,10)
index += 1
print(index)
return index消除算法
识别好图片后接下来就是消除了，算法思路是从左上角开始优先列遍历，贪心思想，只要遇到相加为10的就消除。step是一各栈结构，记录每一步，循环遍历，直到找不到解时候在回退。这里采用的固定回溯，每次回溯当前步数的4/5。在20s的时间内如果没有搜索完所有可能也要退出。
python
def comput_ij(self,i,j):
yend = i
xend = j
res = []
while yend < len(self.map):
sum = 0
xend = j
while xend < len(self.map[0]):
for k in range(i,yend+1):
sum += self.map[k][xend]
if sum == 10:
res.append((yend,xend))
elif sum >10:
if yend != i and xend == j :
return res
else:
break
xend += 1
yend += 1
return res
python
def kjtes(self):
time_start = time.time()
time_end = time.time()
while (time_end - time_start) <20:
if not self.setps.is_empty():
for t in range(int(self.setps.size() / 5 * 4)):
self.backup()
isfind = True
while isfind:
isfind = False
i = 0
while i < len(self.map):
j = 0
while j < len(self.map[0]):
results = self.comput_ij(i,j)
if len(results) >0 :
for res in results:
if(self.set_steps(i,j,res[0],res[1]) == True):
isfind = True
break
j += 1
i += 1
new_map = np.array(self.map)
cnt_array = np.where(new_map,0,1)
score = np.sum(cnt_array)
if score > self.score:
print("------",score)
self.score = score
self.result = copy.deepcopy(self.current_result.items)
time_end = time.time()
if int(time_end- time_start ) % 10 == 0:
print("耗时....",(time_end- time_start),self.score,self.max_size,self.min_size)
print("------",self.score)未完。。。明天继续