python 根据图片特征识别点击

复制代码
import cv2
import numpy as np
import pyautogui
import time

class ImageClicker:
    def __init__(self, target_image_path, retry_count=3, retry_interval=1, match_threshold=0.75):
        self.target_image_path = target_image_path
        self.retry_count = retry_count
        self.retry_interval = retry_interval
        self.match_threshold = match_threshold

        # 加载目标图片
        self.target_image = cv2.imread(self.target_image_path)

        # 提取目标图片的 SIFT 特征
        self.sift = cv2.SIFT_create()
        self.kp1, self.des1 = self.sift.detectAndCompute(self.target_image, None)

    def click_image(self):
        for i in range(self.retry_count):
            try:
                # 获取浏览器窗口截图
                screenshot = pyautogui.screenshot()
                screenshot = cv2.cvtColor(np.array(screenshot), cv2.COLOR_RGB2BGR)

                # 提取截图的 SIFT 特征
                kp2, des2 = self.sift.detectAndCompute(screenshot, None)

                # 进行特征匹配
                bf = cv2.BFMatcher()
                matches = bf.knnMatch(self.des1, des2, k=2)

                # 使用 Lowe's Ratio Test 筛选匹配结果
                good = []
                for m, n in matches:
                    if m.distance < self.match_threshold * n.distance:  # 使用 match_threshold 阈值
                        good.append([m])

                # 计算目标元素的位置
                if len(good) > 0:
                    src_pts = np.float32([self.kp1[m[0].queryIdx].pt for m in good]).reshape(-1, 1, 2)
                    dst_pts = np.float32([kp2[m[0].trainIdx].pt for m in good]).reshape(-1, 1, 2)
                    M, mask = cv2.findHomography(src_pts, dst_pts, cv2.RANSAC, 5.0)
                    h, w = self.target_image.shape[:2]
                    pts = np.float32([[0, 0], [0, h - 1], [w - 1, h - 1], [w - 1, 0]]).reshape(-1, 1, 2)
                    dst = cv2.perspectiveTransform(pts, M)

                    # 计算点击坐标
                    x = int((dst[0][0][0] + dst[2][0][0]) / 2)  # 计算水平方向的中间位置
                    y = int((dst[0][0][1] + dst[2][0][1]) / 2)  # 计算垂直方向的中间位置

                    # 点击目标元素
                    pyautogui.click(x, y)
                    return True  # 点击成功

            except Exception as e:
                print(f"点击失败:{e}")
                time.sleep(self.retry_interval)

        return False  # 点击失败

# 使用示例
image_clicker = ImageClicker('4.png', retry_count=5,
                             retry_interval=2,
                             match_threshold=0.8)  # 设置 match_threshold 为 0.8
if image_clicker.click_image():
    print("点击成功!")
else:
    print("点击失败!")

代码结构:

  1. 导入库:

    • cv2 (OpenCV):用于图像处理、特征提取和匹配的库。
    • numpy:用于处理图像数据所需的数值运算。
    • pyautogui:用于控制鼠标和键盘,模拟点击操作。
    • time:用于控制代码执行的暂停时间。
  2. ImageClicker 类:

    • __init__(self, target_image_path, retry_count=3, retry_interval=1, match_threshold=0.75)

      • 初始化类,设置一些参数:
        • target_image_path:目标图像的路径。
        • retry_count:如果点击失败,重试的次数。
        • retry_interval:两次重试之间的间隔时间(秒)。
        • match_threshold:匹配阈值,用于判断目标图像与屏幕截图的匹配程度。值越高,匹配要求越严格。
      • 加载目标图像 self.target_image
      • 创建 SIFT (尺度不变特征变换) 对象 self.sift,用于提取图像特征。
      • 计算目标图像的 SIFT 特征 self.kp1, self.des1
    • click_image(self)

      • 循环尝试 retry_count 次:
        • 获取屏幕截图 screenshot
        • 将截图转换为 OpenCV 格式。
        • 提取截图的 SIFT 特征 kp2, des2
        • 使用 cv2.BFMatcher 进行特征匹配,得到匹配结果 matches
        • 使用 Lowe's Ratio Test 筛选匹配结果,得到 good 匹配列表。
        • 如果找到匹配结果:
          • 计算目标元素的位置(点击坐标)。
          • 使用 pyautogui.click() 模拟点击操作。
          • 返回 True,表示点击成功。
        • 如果没有找到匹配结果,则等待 retry_interval 秒后继续尝试。
      • 如果所有尝试都失败,则返回 False,表示点击失败。

使用方法:

  • 创建 ImageClicker 对象,传入目标图像路径和其他参数。
  • 调用 click_image() 方法尝试点击目标图像。

代码示例:

复制代码
image_clicker = ImageClicker('4.png', retry_count=5, retry_interval=2, match_threshold=0.8)
if image_clicker.click_image():
    print("点击成功!")
else:
    print("点击失败!")

代码主要流程:

  1. 加载目标图像并提取其 SIFT 特征。
  2. 获取屏幕截图并提取其 SIFT 特征。
  3. 将目标图像的特征与截图的特征进行匹配。
  4. 使用 Lowe's Ratio Test 筛选匹配结果。
  5. 计算目标元素的位置(点击坐标)。
  6. 模拟点击目标元素。

注意:

  • 为了使代码正常运行,需要安装必要的库:opencv-python, pyautogui
  • 确保目标图像 4.png 存在于代码所在的目录中。
  • 调整 match_threshold 值可以改变匹配的严格程度。
  • 为了避免误点击,可以根据实际情况调整 retry_countretry_interval

python OpenCV 库中的 cv2.Canny() 函数来对图像进行边缘检测,并显示检测到的边缘特征-CSDN博客

相关推荐
咖啡Beans12 分钟前
Python工具DrissionPage推荐
后端·python
Nicole-----17 分钟前
PySpark数据输入
python
扑克中的黑桃A27 分钟前
Python学习的自我理解和想法(27)
python
蓝倾9762 小时前
小红书获取用户作品列表API接口操作指南
java·服务器·前端·python·电商开放平台·开放api接口
yBmZlQzJ2 小时前
PyQt5 修改标签字体和颜色的程序
开发语言·python·qt
胖达不服输2 小时前
「日拱一码」081 机器学习——梯度增强特征选择GBFS
人工智能·python·算法·机器学习·梯度增强特征选择·gbfs
float_六七2 小时前
Java Stream流:从入门到精通
java·windows·python
星空的资源小屋3 小时前
PPTist,一个完全免费的 AI 生成 PPT 在线网站
人工智能·python·电脑·excel
程序员的世界你不懂3 小时前
【Flask】测试平台开发,工具模块开发 第二十二篇
android·python·flask
薰衣草23334 小时前
滑动窗口(2)——不定长
python·算法·leetcode