47 lines
1.5 KiB
Python
47 lines
1.5 KiB
Python
import cv2
|
|
import numpy as np
|
|
|
|
# 加载游戏截图图像
|
|
image = cv2.imread('detect_tigers/MuMu12-20240922-131314.png')
|
|
|
|
# 转换为灰度图
|
|
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
|
|
|
|
# 加载大力虎的模板图像（你需要准备一个小的模板图像，含有大力虎的外观）
|
|
template = cv2.imread('detect_tigers/dalihu1.png', 0) # 模板应该是灰度图
|
|
w, h = template.shape[::-1]
|
|
|
|
# 进行模板匹配
|
|
result = cv2.matchTemplate(gray_image, template, cv2.TM_CCOEFF_NORMED)
|
|
|
|
# 设置匹配阈值，值越高匹配越严格
|
|
threshold = 0.5
|
|
locations = np.where(result >= threshold)
|
|
|
|
# 容差值：合并相近的坐标时使用
|
|
tolerance = 5
|
|
|
|
# 初始的 Y 和 X 坐标数组
|
|
y_coords = locations[0]
|
|
x_coords = locations[1]
|
|
|
|
# 存储过滤后的 Y 和 X 坐标
|
|
filtered_coords = []
|
|
|
|
# 遍历坐标，去重并合并相近的值
|
|
for i in range(len(y_coords)):
|
|
# 如果过滤后的列表为空，或者当前坐标和最后一个存储的坐标相差大于容差值，则将其加入
|
|
if not filtered_coords or (abs(y_coords[i] - filtered_coords[-1][1]) > tolerance or abs(x_coords[i] - filtered_coords[-1][0]) > tolerance):
|
|
filtered_coords.append((x_coords[i], y_coords[i]))
|
|
|
|
# 打印过滤后的坐标
|
|
for coord in filtered_coords:
|
|
print(f"X: {coord[0]}, Y: {coord[1]}")
|
|
# 在原图上标出匹配的位置
|
|
cv2.rectangle(image, coord, (coord[0] + w, coord[1] + h), (0, 255, 0), 2)
|
|
|
|
# 显示匹配结果
|
|
cv2.imshow('Detected Tigers', image)
|
|
cv2.waitKey(0)
|
|
cv2.destroyAllWindows()
|
|
# python detect_tigers.py |