基于Python實(shí)現(xiàn)自動(dòng)掃雷詳解

更新時(shí)間：2022年01月14日 15:08:18 作者：python2021_

這篇文章主要介紹了如何利用Python+OpenCV實(shí)現(xiàn)了自動(dòng)掃雷，文中的示例代碼講解詳細(xì)，對我們學(xué)習(xí)Python有一定的幫助，需要的可以參考一下

相信許多人很早就知道有掃雷這么一款經(jīng)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(shí)代就已經(jīng)誕生的經(jīng)典游戲，從過去到現(xiàn)在依然都有著它獨(dú)特的魅力：快節(jié)奏高精準(zhǔn)的鼠標(biāo)操作要求、快速的反應(yīng)能力、刷新紀(jì)錄的快感，這些都是掃雷給雷友們帶來的、只屬于掃雷的獨(dú)一無二的興奮點(diǎn)。

準(zhǔn)備

準(zhǔn)備動(dòng)手制作一套掃雷自動(dòng)化軟件之前，你需要準(zhǔn)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(jìn)行掃雷！）

好啦，那么我們的準(zhǔn)備工作已經(jīng)全部完成了！讓我們開始吧~

實(shí)現(xiàn)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(gè)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(gè)好的結(jié)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(gè)大致的思路。

對于本項(xiàng)目而言，大致的開發(fā)過程是這樣的：

完成窗體內(nèi)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(gè)思路，那就擼起袖子大力干！

窗體截取

其實(shí)對于本項(xiàng)目而言，窗體截取是一個(gè)邏輯上簡單，實(shí)現(xiàn)起來卻相當(dāng)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(diǎn)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(gè)空格。正是這個(gè)空格讓筆者困擾了一會(huì)兒，只有加上這個(gè)空格，win32gui才能夠正常的獲取到窗體的句柄。

本項(xiàng)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(jìn)行掃雷界面的棋盤截取。

我們需要先導(dǎo)入PIL庫

from PIL import ImageGrab

然后進(jìn)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(xiàn)了那些奇奇怪怪的Magic Numbers，沒錯(cuò)，這的確是Magic Numbers，是我們通過一點(diǎn)點(diǎn)細(xì)微調(diào)節(jié)得到的整個(gè)棋盤相對于窗體的位置。

注意：這些數(shù)據(jù)僅在Windows10下測試通過，如果在別的Windows系統(tǒng)下，不保證相對位置的正確性，因?yàn)槔习姹镜南到y(tǒng)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(gè)雷塊進(jìn)行圖像分割了~

雷塊分割

在進(jìn)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(jīng)過筆者的測量，在ms_arbiter下，每一個(gè)雷塊的尺寸為16px*16px。

知道了雷塊的尺寸，我們就可以進(jìn)行每一個(gè)雷塊的裁剪了。首先我們需要知道在橫和豎兩個(gè)方向上雷塊的數(shù)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(gè)二維數(shù)組用于存儲(chǔ)每一個(gè)雷塊的圖像，并且進(jìn)行圖像分割，保存在之前建立的數(shù)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(gè)圖像獲取、分割的部分封裝成一個(gè)庫，隨時(shí)調(diào)用就OK啦~在筆者的實(shí)現(xiàn)中，我們將這一部分封裝成了imageProcess.py，其中函數(shù)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(gè)項(xiàng)目里除了掃雷算法本身之外最重要的部分了。筆者在進(jìn)行雷塊檢測的時(shí)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(gè)雷塊的中心點(diǎn)像素的方式來判斷雷塊的類別，并且針對插旗、未點(diǎn)開、已點(diǎn)開但是空白等情況進(jìn)行了進(jìn)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(jīng)過壓縮，所以通過中心像素結(jié)合其他特征點(diǎn)來判斷類別已經(jīng)足夠了，并且做到了高效率。

在本項(xiàng)目中，我們實(shí)現(xiàn)的時(shí)候采用了如下標(biāo)注方式：

1-8：表示數(shù)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(shí)現(xiàn)了高效率的圖像識別。

掃雷算法實(shí)現(xiàn)

這可能是本篇文章最激動(dòng)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(gè)已經(jīng)有數(shù)字的雷塊，判斷在它周圍的九宮格內(nèi)未被打開的雷塊數(shù)量是否和本身數(shù)字相同，如果相同則表明周圍九宮格內(nèi)全部都是地雷，進(jìn)行標(biāo)記。
再次遍歷每一個(gè)有數(shù)字的雷塊，取九宮格范圍內(nèi)所有未被打開的雷塊，去除已經(jīng)被上一次遍歷標(biāo)記為地雷的雷塊，記錄并且點(diǎn)開。
如果以上方式無法繼續(xù)進(jìn)行，那么說明遇到了死局，選擇在當(dāng)前所有未打開的雷塊中隨機(jī)點(diǎn)擊。（當(dāng)然這個(gè)方法不是最優(yōu)的，有更加優(yōu)秀的解決方案，但是實(shí)現(xiàn)相對麻煩）

基本的掃雷流程就是這樣，那么讓我們來親手實(shí)現(xiàn)它吧~

首先我們需要一個(gè)能夠找出一個(gè)雷塊的九宮格范圍的所有方塊位置的方法。因?yàn)閽呃子螒虻奶厥庑?，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(dāng)前雷塊是否在棋盤的各個(gè)邊緣來進(jìn)行核的刪除（在核中，1為保留，0為舍棄），之后通過generate_kernel函數(shù)來進(jìn)行最終坐標(biāo)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(gè)需要去檢測的雷塊“地址簿”：to_visit。之后，我們通過count_unopen_blocks函數(shù)來統(tǒng)計(jì)周圍九宮格范圍的未打開數(shù)量，并且和當(dāng)前雷塊的數(shù)字進(jìn)行比對，如果相等則將所有九宮格內(nèi)雷塊通過mark_as_mine函數(shù)來標(biāo)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(shí)現(xiàn)。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(shù)來獲取九宮格范圍內(nèi)所有雷塊的數(shù)量，并且判斷當(dāng)前九宮格內(nèi)所有雷塊是否已經(jīng)被檢測出來。

如果是，則通過mark_to_click_block函數(shù)來排除九宮格內(nèi)已經(jīng)被標(biāo)記為地雷的雷塊，并且將剩余的安全雷塊加入next_steps數(shù)組內(nèi)。

# 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(shí)現(xiàn)內(nèi)，筆者將幾個(gè)過程都封裝成為了函數(shù)，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(shù)來進(jìn)行處理，這有點(diǎn)類似Python中Filter的作用。

之后筆者做的工作就是判斷當(dāng)前鼠標(biāo)位置是否在棋盤之內(nèi)，如果是，就會(huì)自動(dòng)開始識別并且點(diǎn)擊。具體的點(diǎn)擊部分，筆者采用了作者為"wp"的一份代碼（從互聯(lián)網(wǎng)搜集而得），里面實(shí)現(xiàn)了基于win32api的窗體消息發(fā)送工作，進(jìn)而完成了鼠標(biāo)移動(dòng)和點(diǎn)擊的操作。具體實(shí)現(xiàn)封裝在mouseOperation.py中，有興趣可以在文末的Github Repo中查看。