♚
作者：Yiutto，编程浪子
GitHub：github.com/Yiutto
之前有看到有人用python实现自动运行微信小程序《跳一跳》，后来看到别人用hash码实现《加减大师》的自动答题领取娃娃，最近一直在研究深度学习，为啥不用机器学习实现呢？不就是一个分类问题吗！
如何实现自动答题微信小游戏《加减大师》？
思考：
如何获取手机游戏上的图片？
实验结果： 三种截屏方式花费的时间差异很大，第一种每次截屏需要0.7s左右，第二种0.3s左右，第三种0.04s左右。
当然选择第3种咯，下载地址[https://www.apowersoft.cn/phone-mirror]，一个好的软件是成功的关键（够清晰）。
相关步骤：
1.
util.py中的shotByWinAPI函数：首先利用window自带api获取全屏图片，然后自定义config.py的相关参数。
# 从PC端截屏时，截取区域左上角相对桌面的x坐标'projection_x': 32,# 从PC端截屏时，截取区域左上角相对桌面的y坐标'projection_y': 278,# 从PC端截屏时，截取区域的宽度'projection_width': 482,# 从PC端截屏时，截取区域的高度'projection_height': 854,
可以用window命令键 PrtScSysRq(F12的右边)，然后复制到画图中（1920x1080）。
用画图的放大镜放大，图中红色框的小方块位置（32x278） projection_x即32， projection_y即278。
在画图中计算出截图的宽度和高度，即 projection_width和 projection_height（482x854）
2.
img_tool.py函数介绍：主要是通过all(img,filename)函数进行图片分割
srcImg = cv2.imread(os.path.join("ScreenShotForTrain", f), 0)上述代码是为了将彩色图片灰度模式加载
def all(img, filename): """封装对图片的所有操作""" img = cropImg(img) img = binaryImg(img) img1, img2 = cropAgain(img) imgs = cutImg(img1, filename + '_1') + cutImg(img2, filename + '_2') return imgsdef cropImg(img): """裁剪原始截图""" height = img.shape[0] img2 = img[int(config.config['exp_area_top_rate'] * height):int(config.config['exp_area_bottom_rate'] * height),:] #print('裁剪完毕') return img2cropImg(img)函数主要是为了裁剪含有数字的区域，通过设置参数
#表达式区域的顶部处于整张图片的位置(307/854=0.359)'exp_area_top_rate': 0.36,#表达式区域的底部处于整张图片的位置(478/854=0.559)'exp_area_bottom_rate': 0.56,
如果觉得设置比例太麻烦，可以直接写死位置( img2=img[int(307):int(478),:])。得到如下图：
def binaryImg(img): """二值化图片""" ret, thresh1 = cv2.threshold(img, config.config['binary_threshold'], 255, cv2.THRESH_BINARY) # ret, thresh1 = cv2.threshold(img, config.config['binary_threshold'], 255, cv2.THRESH_BINARY_INV) #print('二值化完毕') return thresh1binaryImg(img)函数主要是为了将图片二值化，可以参考 Python+OpenCV教程6：阈值分割。得到的图片如下图：
def cropAgain(img): """再次裁剪""" height = img.shape[0] img1 = img[0:int(0.5 * height), :] img2 = img[int(0.5 * height):height, :] #print('再次裁剪完毕') return img1, img2cropAgain(img)函数主要是为了将图片分成上下两部分
def cutImg(img, filename): """水平分割图片""" sb = np.array(img) print(sb.shape) sum_list = np.array(img).sum(axis=0) start_index = -1 res = [] names = [] index = 0 for sum in sum_list: if sum > 255 * 4: if start_index == -1: start_index = index else: if start_index != -1: if config.config['type'] == 0: sigleCharWidth = config.config['abd_single_char_width'] else: sigleCharWidth = config.config['pc_single_char_width'] #为了防止字符粘连,需要在此处宽度进行判断 if index - start_index > sigleCharWidth * 2: res.append((start_index,start_index + (index - start_index) // 2)) res.append((start_index + (index - start_index) // 2, index)) else: res.append((start_index, index)) start_index = -1 index += 1 imgs = [] count = 0 for single_char in res: start = single_char[0] end = single_char[1] sub_img = img[:, start:end] sub_img = cv2.resize(sub_img, (120, 240), interpolation=cv2.INTER_CUBIC) #cv2.imwrite('SingleChar/%s_%d.png' % (filename, count), sub_img) #names.append('%s_%d.png' % (filename, count)) # cv2.imshow(str(count), sub_img) imgs.append(sub_img) count += 1 # cv2.waitKey() #print('分割，重新设置大小 %s 完毕' %filename) return imgs设置 pc_single_char_width参数值，得到如下图：
c = 0def v_cut(img): global c """竖直方向切割图片""" sb1 = np.array(img) print(sb1.shape) sum_list = np.array(img).sum(axis=1) start_index = -1 end = -1 index = 0 for sum in sum_list: if sum > 255 * 2: start_index = index break index += 1 for i in range(1, len(sum_list) + 1): if sum_list[-i] > 255 * 2: end = len(sum_list) + 1 - i break img = img[start_index:end, :] img = cv2.resize(img, (30, 60), interpolation=cv2.INTER_CUBIC) #cv2.imwrite('SingleChar/%d.png' %c, img) c += 1 return img重新固定图片的大小（30x60），得到如下图：
相关代码请看 ml.py，这里不过多介绍，直接利用python包 fromsklearn.linear_modelimportLogisticRegression
LogisticRegression(class_weight='balanced')
sklearn逻辑回归(Logistic Regression,LR)类库使用小结
1.借用投屏软件，利用画图工具配置相关参数
config.py，可以参考上面的“图像特征工程”2.对于新的手机(我用的是honor8)，必须重新训练模型，设置config.py中的debug参数为True，打开“加减大师”，然后运行main.py,这里必须手动答题，尽可能多答对一些题，目的为了扩充训练样本。3.步骤2会产生一个SingleCharForTrain文件夹，剔除重复样本和无关样本。4.运行img_tool.py文件，会生成一个SingleCharForTrain文件夹。5.将步骤4得到的文件夹中的字符进行人工分类，保存至TrainChar文件夹。6.运行ml.py文件，生成分类器模型lr.pickle。
注意桌面上不要有东西遮挡到手机的投影区域
1.修改
config.py中的debug参数为False及其他相关参数。
#使用PC进行截图时点击手机屏幕正确区域的x坐标'pc_tap_true_x':117,#使用PC进行截图时点击手机屏幕错误区域的x坐标'pc_tap_false_x':365,#使用PC进行截图时点击手机屏幕正确和区域的y坐标'pc_tap_y':760,
配置正确和错误选择的横纵坐标，横坐标不一样，纵坐标相同（在同一高度）
2.打开加减大师，直接运行
main.py即可。
Q1: 跑到200步左右就停了？A1: 如果是误判的话，把出错的那张图重新截图，将得到的字符添加到
TrainChar文件夹中，重新训练模型A1: 如果是上一张图和这张图相同，再跑一次呗，不相信你运气会那么差Q2: 刷到1000分，结果小程序上不了分A2: 刚开始以为是答题时间没有设置随机的问题，设置main.py中
one_tap(res)# 设置随机睡眠时间，随机性防止微信后台检测if (count < 100): time.sleep(0.1 * (random.randint(0, 9)))elif (count <200): time.sleep(0.05 * (random.randint(0, 9)))elif (count <300): time.sleep(0.01 * (random.randint(0, 9)))elif (count < 400): time.sleep(0.01 * (random.randint(0, 9)))elif (count < 500): # 可以控制到这一关gg if (count == 455): time.sleep(3)
然而并没有软用，估计是后台设置（个人认为，当天的分数不能超过第一名太多），反正是前500都能获得小卡片，你可以尝试设置比第一名多个几分或少几分。
记得给哥们的github打♥啊，上代码：
https://github.com/Yiutto/WechatGame_jjds
最后放出我的娃娃来，手机上显示的是这样的
到手的时候却是这样的（本来以为没戏了，等了将近一个星期）
最后，祝大家都能拿到娃娃！！！
Python中文社区作为一个去中心化的全球技术社区，以成为全球20万Python中文开发者的精神部落为愿景，目前覆盖各大主流媒体和协作平台，与阿里、腾讯、百度、微软、亚马逊、开源中国、CSDN等业界知名公司和技术社区建立了广泛的联系，拥有来自十多个国家和地区数万名登记会员，会员来自以公安部、工信部、清华大学、北京大学、北京邮电大学、中国人民银行、中科院、中金、华为、BAT、谷歌、微软等为代表的政府机关、科研单位、金融机构以及海内外知名公司，全平台近20万开发者关注。
联系客服
