微信跳一跳好像火了很久了，我才开始接触，作为一个手残党, 玩了几次不到20分，打算直接放弃了。但作为一个技术宅，下一反应肯定是“上脚本”。最初想法是用arduino（不会可以学啊）+树梅派，树梅派用OpenCV处理摄像头，读取手机屏幕，判断跳跃距离，发命令给arduino控制机械手臂（触控笔），任务完成。但问题来了

• 不会arduino，也没有arduino和触控笔。
• 没有树梅派用的摄像头。
• 不会OpenCV

arduino控制触控笔，估计很麻烦，但同时肯定很有意思。就算入手arduino，学会控制机械手臂，难度好像是整个程序中最难的。然后退一步，用adb给屏幕发送模拟触屏命令，暂时解决第一部分。树梅派的摄像头也要买，暂时用笔记本摄像头代替（把手机举在摄像头前真的很二），再退一步，用adb截屏读取图像，处理图像比视频流要简单些。然后开始作，哎，我肯定不是第一个想到这些的，去搜搜，果然就找到了这里³。具体做法是：

1. 用adb读取游戏截屏
2. 根据颜色差判断棋子和下一跳棋盘的位置。计算两点之间的距离
3. 找到合适的参数，得到屏幕按压时间，用adb把命令发过去。

这里最关键的地方是判断棋子和下一跳棋盘的位置，因为最初就是要用上OpenCV，他人处理颜色的代码看了两眼觉得太麻烦就直接放弃了。所以这篇日志的最主要的地方就是怎么用OpenCV找到这两个点。

从最开始写这个脚本到开始写个记录，不断搜索到新的方法来找这两个点。最近的发现², 这里用了Tensorflow，对此代码我还理解不能。我打算放弃写这篇记录，认真看看TF。 转念一想，我的方法虽然没有其他人的高大上，也没什么效率，但总算是一种解决方式，所以还是记下来吧。

OpenCV的全称是Open Source Computer Vision Library，是一个跨平台的计算机视觉库，可用于开发实时的图像处理、计算机视觉以及模式识别程序¹。听介绍就知道用在这里很合适。根据OpenCV的官方教程⁴， 初步确定寻找所需的两个点的方法：

1. 将图像的色彩空间由RGB转换HSV
2. 确定图形边缘及轮廓
3. 假定其中一个轮廓的中心就是所需的点。

找到所需点的步骤图

为什么要把色彩空间转化为HSV，而不是使用原始的RGB或者灰度？ 据说HSV比RGB能更好的处理颜色，处理一个值H比三个RGB要简单，饱和度S和明度V能帮助处理光照和阴影。下图可以看出，只有转成HSV色彩空间的在后面的处理中可以正确的检测到方块的顶面边缘，同样的阈值条件下，RGB模式对顶面和右侧面的边缘检测能力较弱，灰度模式下顶面和两个侧面都分不清楚。而降噪处理在这张图没什么明显的变化，但对于有些图像--比如有木头纹理的桌子--还是有帮助的，所以需要保留，高斯模糊应该就足够了，Bilateral Filtering is highly effective in noise removal while keeping edges sharp. But the operation is slower compared to other filters， 所以没必要。

不同色彩空间对边缘检测处理的影响对比

根据上面的图，即便有了边缘点，得到很多个轮廓的中心，仍然无法确定哪个中心点是棋子。根据经验，发现棋子总是某种黑紫色，而不论是下一跳的棋盘或者背景都不会跟这种颜色相近，所以根据颜色特征找到棋子更简单。所以接下来就是找到这个颜色值的上下限，面向Google编程，我找到了别人的一个方法，自己修改后放gist。

def get_start_point(image):
    chess = image.copy()
    blurred = cv2.GaussianBlur(chess, (3, 3), 1)
    mask = cv2.inRange(blurred, lower_purple, upper_purple)
    mask_1 = cv2.inRange(blurred, lower_purple_1, upper_purple_1)
    masked = cv2.bitwise_and(blurred, blurred, mask=mask+mask_1)
    chess_edges = cv2.Canny(masked, 100, 200)
    thresh = cv2.adaptiveThreshold(
        chess_edges,
        255,
        cv2.ADAPTIVE_THRESH_GAUSSIAN_C,
        cv2.THRESH_BINARY,
        7,
        1)
    _, cnts, _ = cv2.findContours(
        thresh, cv2.RETR_CCOMP, cv2.CHAIN_APPROX_SIMPLE)

    cs = list()
    for cnt in cnts:
        (x, y), r = cv2.minEnclosingCircle(cnt)
        r = int(r)
        # print(r)
        if 25 < r < 40:
            cs.append((int(x), int(y)))
    mx = min(cs, key=operator.itemgetter(1))
    return mx

边缘检测函数就是上面的Canny()，该方法的参数有三个，第一个是要处理的图像，后两个是阈值的上下限。Canny之前的是标准的选取颜色方法。有了边缘值再用adaptiveThreshold函数进行二值化处理，然后用findContours寻找棋子的轮廓, 轮廓（Contour）在这里其实就是一系列边缘点的列表，根据这些点就可以计算轮廓的很多特性，比如形状，面积等，OpenCV有很多函数帮助处理这些特性， 在这里可以用boundingRect（包括了所有轮廓点的长方形），minEnclosingCircle（包括了所有轮廓点的圆）或 moments(轮廓的几何重心),。因为棋盘顶了个球，并且minEnclosingCircle同时返回圆心坐标和半径，在这里最合适不过了。由于findContours是返回的所有轮廓，很是杂乱，如图右下里的红圈，所以要过滤下，根据半径过滤是最直接的想法，因为球的半径可以测出来，在1080p的屏幕上大概为30个像素。这样就能得到球心坐标了，如同左下的绿圈，注意：1. 即使过滤后也可能有多个坐标，这里取最上面的，就是mx = min(cs, key=operator.itemgetter(1))。2.这个坐标不是起始点的坐标，起始点应该为棋子底部圆心，y坐标应加上120px（图的左上为坐标原点）。

寻找棋子.png

有了棋子的位置坐标，接下来就是找到下一跳的棋盘的顶部中心坐标了，方法大概是这样的：如果前一跳正好落在了当前棋盘的中心，下一跳棋盘的中心会有个白点（这样每一跳的分数也会递增，朋友圈排行上数k的分数都是外挂刷来的），只要找到这个白点就ok了。寻找这个白点跟找棋子一样也是通过颜色特征white_dot = np.array([0, 0, 245])。但没有这个白点之前还是要用检测边缘的办法，然后计算棋盘的顶面中心，如果没有噪音，这个方法和直接找到白点坐标应该是一样的，如果没有噪音。处理图像的步骤还是一样，有个细节可以减少计算量：棋子和下一跳的棋盘总是在屏幕中心的两侧，利用这点可以把棋盘从图上挖出来

def get_end_point(image, start_point):
    global half_width
    global cutted

    cutted = image.copy()
    if start_point[0] < half_width:
        #棋子在屏幕左侧，取棋子坐标右侧的图
        cutted = cutted[0:start_point[1] +
                        chess_height, start_point[0]+chess_width:]
    else:
        cutted = cutted[0:start_point[1] +
                        chess_height, :start_point[0]-chess_width]

    w_dot = _get_end_dot(cutted)

    if w_dot is None:
        print("get by edges")
        w_dot = _get_end_by_edges(cutted)

    x, y = w_dot
    ### 最后得到坐标要还原回去
    if start_point[0] < half_width:
        x += start_point[0]+chess_width

    return (x, y)

上面_get_end_dot()跟get_start_point类似，_get_end_by_edges是在没找到白点的情况下的笨方法，_get_ul方法来自这里。findContours方法也和前面不太一样，返回轮廓的同时还返回了轮廓的层次结构，因为只需要内侧的轮廓，用ch[2] < 0过滤出来。关于这个的 解释。 最后还要处理一部分噪音造成的太小的轮廓圆及整个棋盘+阴影造成的太大的圆。

def _get_ul(c, sigma=0.15):
    l = int(max(0, (1.0 - sigma) * c))
    u = int(min(255, (1.0 + sigma) * c))
    return (l, u)


def _get_end_by_edges(image):
    image = cv2.GaussianBlur(image, (1, 1), 0)
    bg = image[:20, :]
    mid = np.median(bg)
    l, u = _get_ul(mid)
    end_edges = cv2.Canny(image, l, u)
    end_thresh = cv2.adaptiveThreshold(
        end_edges,
        255,
        cv2.ADAPTIVE_THRESH_GAUSSIAN_C,
        cv2.THRESH_BINARY,
        5,
        1)
    _, cnts, hierarchy = cv2.findContours(
        end_thresh, cv2.RETR_CCOMP, cv2.CHAIN_APPROX_SIMPLE)

    hierarchy = hierarchy[0]
    ms = list()
    for cpnt in zip(cnts, hierarchy):
        cnt = cpnt[0]
        ch = cpnt[1]
        if ch[2] < 0:
            (x, y), r = cv2.minEnclosingCircle(cnt)
            r = int(r)
            # print(r)
            if 25 < r < 230:
                ms.append((int(x), int(y)))
    mx = min(ms, key=operator.itemgetter(1))
    return mx

利用检测边缘的方法寻找中心点的效果如下：单色且形状规则些的可以找到正中心或偏差不大。奇形怪状的连能不能跳到上面都不保证。

Figure_1-5.png

Figure_1-7.png

sa.png

如果有兴趣，我可能会增加点关于python的环境配置。