【奇像巡展】画像玩法全自动拼豆脚本图片像素化 批量任务 接口化这套流程可以直接照搬先说明这个项目是干什么的。它是一套针对“奇像巡展”画像玩法设计的自动拼豆脚本核心工作流是选一张图片脚本自动把它像素化成拼豆网格再按网格把每一颗豆/方块放到对应位置最终还原出目标图案。最近版本新增的图片像素化功能解决了以前最大的痛点——手动对格子、手动选色、一张图折腾半小时。这套脚本真正值得关注的是三个点图片像素化内置化不再依赖第三方工具人工处理、全自动放置流程识别区域后按方案逐格执行、可批量可接口化多张图排队处理也能封装成 HTTP 服务接入自己的工具链。对喜欢研究图像处理算法和游戏自动化的读者来说本文会从像素化原理、放置流程、批量队列、接口设计到排查清单完整过一遍。整体对硬件没有特殊要求普通 Windows 电脑 Python 环境即可运行。不过要提前说清楚游戏内自动化存在账号风险请先确认你的使用场景是否合规不要在明确禁止脚本的服务器或活动中使用否则后果自负。这篇文章重点放在算法思路和工程实现上给出一套可复用的通用方案。1. 核心能力速览能力项说明项目类型图片像素化 游戏画像玩法自动拼豆脚本核心功能图片转拼豆网格、自动按网格放置豆/方块、批量任务、API 集成图片像素化任意图片缩放到指定网格宽度颜色映射到游戏可用调色板自动化执行读取方案 JSON按行列逐格放置带校验和重试机制批量任务输入目录多张图片排队处理输出独立结果目录接口能力可封装为本地 HTTP 服务POST 图片返回拼豆方案硬件门槛普通 CPU 即可无明显显存要求支持平台Windows 10/11 优先Python 3.9启动方式命令行启动先像素化生成方案再执行放置适合人群喜欢拼豆玩法、想批量出图、对图像量化算法感兴趣的开发者从能力项能看出来这个脚本本质上分成两段离线像素化和在线自动放置。离线部分不依赖游戏可以单独当做一个图片转像素网格的小工具来用在线部分才需要接游戏窗口也是风险最高的部分后面会单独讲合规边界。2. 适用场景与使用边界先回答“适合谁”。如果你玩奇像巡展画像玩法时经常需要把一张现成的动漫图、表情包截图、甚至游戏内风景图变成拼豆底稿那么这个脚本的像素化功能可以帮你把“看图挑色”变成“自动映射”。流程上你只需要准备一张图设置目标宽度比如 32 格还是 48 格脚本会输出一个带调色板索引的 JSON 方案和一张放大预览图。人工确认预览图没问题后再交给自动化部分执行。适合的批量场景也很明确活动期间每天都要做新的画像手动对格子太慢用脚本把一批图片全部转成方案再逐张执行能省下大量重复劳动。如果你想把像素化能力接到自己的工具里比如做一个网页上传入口或者给群里小伙伴提供“图片转拼豆方案”的服务也可以按第 7 章的接口方式封装。不适合什么场景第一不适合用于明确禁止第三方脚本的线上活动或比赛脚本一旦被检测到轻则警告重则封禁账号。第二不适合做涉及复杂渐变、超高精度还原的图因为拼豆网格本身决定了很多细节会丢失想 100% 还原原图是不现实的。第三不适合拿来做商业化的“代练/代做画像”业务一方面有账号安全和版权风险另一方面很容易被平台判定为违规。这里必须重点强调安全与合规边界游戏自动化操作可能违反游戏用户协议使用前务必查看相关规则。只在个人可控、已获授权、或离线测试环境中使用。涉及他人图片、头像、肖像时需要先获得授权不要拿来做任何形式的公开传播。不要用脚本做抢购、刷量、外挂等任何违反法律法规和平台规则的事情。3. 环境准备与前置条件先用一张表说明环境要求再给具体命令。依赖说明操作系统Windows 10/11 体验最好macOS/Linux 也可以跑像素化部分Python3.9 或更高版本图像处理库Pillow、NumPy可选 OpenCV自动化库mss截图、pyautogui鼠标控制、pynput键盘监听游戏区域坐标需要手动标定拼豆网格在屏幕上的位置开一个终端先创建虚拟环境python -m venv venvWindows 激活虚拟环境venv\Scripts\activate安装图像处理相关依赖pip install pillow numpy opencv-python如果要做自动化放置再安装pip install mss pyautogui pynput这几个库非常通用mss 负责快速截屏pyautogui 负责模拟鼠标移动和点击pynput 可以用来做热键监听比如按 F9 暂停、F10 继续。磁盘空间方面脚本本体只有几 MB但如果你要处理大量高清图片并保存所有预览图建议留出至少 1GB 空间。端口方面如果启动 HTTP 服务默认用 8000 节点冲突时可以用--port改掉。分辨率方面高分屏和 Windows DPI 缩放会影响坐标计算后面会专门讲这个坑。4. 图片像素化功能核心算法与代码实现图片像素化是整个脚本的地基。它把一张普通图片转换为“宽度 x 高度”的网格每个格子记录一个颜色索引。这里的关键点是不能直接用双线性缩放再做普通颜色量化那样边缘会发虚、色块不干净。拼豆需要的是硬边缘色块。4.1 像素化流程标准流程分四步读取图片并转为 RGB。按目标宽度等比缩放插值算法用最近邻NEAREST这样每个像素仍然对应原图的一个采样点边缘保持锐利。把缩放后的每个像素颜色在游戏可用调色板中做最近邻匹配。输出网格数据到 JSON并生成放大预览图方便人工确认。4.2 调色板准备先准备一个调色板文件palette.json。注意这里的颜色必须和游戏内实际可用的豆/方块颜色保持一致否则像素化方案再准确执行时也对不上。{ colors: [ { name: black, rgb: [0, 0, 0] }, { name: white, rgb: [255, 255, 255] }, { name: red, rgb: [255, 0, 0] }, { name: green, rgb: [0, 255, 0] }, { name: blue, rgb: [0, 0, 255] }, { name: yellow, rgb: [255, 255, 0] } ] }如果游戏内有更多颜色直接往colors数组里加即可。颜色越多还原度越高但颜色之间的区分也会更模糊建议控制在 50 色以内。4.3 像素化核心代码新建pixelize.pyfrom PIL import Image import numpy as np import json def load_palette(palette_path): with open(palette_path, r, encodingutf-8) as f: data json.load(f) return data[colors] def pixelize(image_path, target_width, palette, output_json): img Image.open(image_path).convert(RGB) # 等比缩放固定宽度高度自适应 target_height max(1, round(img.height * target_width / img.width)) img img.resize((target_width, target_height), Image.NEAREST) arr np.array(img) palette_rgb np.array([c[rgb] for c in palette], dtypenp.float64) grid [] for row in arr: grid_row [] for px in row: # 最近邻距离匹配 dist np.sum((palette_rgb - px) ** 2, axis1) idx int(np.argmin(dist)) grid_row.append(idx) grid.append(grid_row) result { width: target_width, height: target_height, grid: grid, palette: palette, source: image_path } with open(output_json, w, encodingutf-8) as f: json.dump(result, f, ensure_asciiFalse, indent2) return result if __name__ __main__: result pixelize( image_pathtest.png, target_width32, paletteload_palette(palette.json), output_jsonoutput/test_scheme.json ) print(f生成完成: {result[width]}x{result[height]})这段代码用两层循环遍历每个像素对小尺寸缩放结果如 32x32完全够用。如果目标宽度超过 64或者处理大量图片可以改成 NumPy 向量化计算速度会快很多。向量化版本的核心思路是用广播机制一次性计算所有像素到所有调色板颜色的距离然后取最小值索引def pixelize_vectorized(image_path, target_width, palette): img Image.open(image_path).convert(RGB) target_height max(1, round(img.height * target_width / img.width)) img img.resize((target_width, target_height), Image.NEAREST) arr np.array(img).astype(np.float64) colors np.array([c[rgb] for c in palette], dtypenp.float64) # arr: (H, W, 3) - (H, W, 1, 3) - colors: (P, 3) - broadcast diff arr[:, :, None, :] - colors[None, None, :, :] dist np.sum(diff ** 2, axis-1) grid dist.argmin(axis-1).tolist() return grid这个版本处理 128x128 的网格也只在一秒内完成批量出方案时建议用这个。4.4 预览图生成光有 JSON 不方便人工判断还需要生成一张把每个格子放大后的预览图def save_preview(result, preview_path, cell20): grid result[grid] h len(grid) w len(grid[0]) palette_rgb {i: tuple(c[rgb]) for i, c in enumerate(result[palette])} preview Image.new(RGB, (w * cell, h * cell)) px preview.load() for y in range(h): for x in range(w): color palette_rgb[grid[y][x]] for dy in range(cell): for dx in range(cell): px[x * cell dx, y * cell dy] color preview.save(preview_path)生成的预览图是马赛克风格每个色块边界清晰直接用图片查看器放大看就能提前知道还原效果大概什么样。这一步非常建议保留尤其是批量跑多张图的时候先看预览再执行能避免浪费大量时间。5. 自动拼豆脚本从方案到执行像素化只解决“怎么生成方案”自动拼豆要解决的是“怎么把方案变成游戏里的真实格子”。5.1 自动执行整体流程自动执行部分推荐拆成四个模块区域标定模块用户手动指定拼豆网格在屏幕上的区域保存为配置文件。方案读取模块读取上一步生成的 JSON 方案。放置执行模块根据格子坐标把对应颜色的豆/方块放到指定格子。校验重试模块放置后再次截图和方案比对颜色不一致则重试。从外部看完整链路是这样的输入图片 - 像素化 - 生成方案 预览图 - 人工确认 - 脚本自动放置 - 完成后再次截图校验5.2 区域标定第一次使用必须先标定网格区域。最简单的方式是在游戏画面里找到拼豆网格的四个边界记录成region.json{ region: [100, 200, 960, 960] }四个数字分别表示left、top、width、height。需要注意的是这个坐标是屏幕像素坐标如果你的显示器是高分屏且开了 DPI 缩放那么pyautogui拿到的坐标可能和肉眼看到的位置有偏差需要在代码里做一次缩放换算。5.3 放置逻辑放置逻辑可以先用通用伪代码描述def run_scheme(scheme, region, place_func, delay0.03): grid scheme[grid] rows len(grid) cols len(grid[0]) cell_w region[2] / cols cell_h region[3] / rows for y in range(rows): for x in range(cols): color_idx grid[y][x] cx region[0] x * cell_w cell_w / 2 cy region[1] y * cell_h cell_h / 2 place_func(cx, cy, color_idx) time.sleep(delay)这里的place_func是真正的游戏交互函数。不同游戏的交互方式差别很大可能是“先点左侧颜色面板再点网格格子”也可能是“当前选中的颜色直接放到格子”。所以place_func需要你按实际游戏调整比如def place_func(cx, cy, color_idx): # 1. 点击颜色面板中对应颜色 color_button COLOR_BUTTONS[color_idx] pyautogui.click(color_button) time.sleep(0.02) # 2. 点击目标格子 pyautogui.click(cx, cy) time.sleep(0.02)这里不写死任何按钮坐标因为不同分辨率、不同主题皮肤、不同窗口大小都会影响坐标。正确做法是把这些坐标也抽到配置文件里脚本只负责逻辑。5.4 放置策略优化如果逐格放置效率会比较低尤其是大面积同色区域。优化策略是按行扫描连续同色段把“移动到起点连续放置 n 个”作为一条指令减少鼠标移动次数。def build_moves(result): moves [] grid result[grid] for y, row in enumerate(grid): x 0 while x len(row): color_idx row[x] length 1 while x length len(row) and row[x length] color_idx: length 1 moves.append({ row: y, col: x, color: color_idx, count: length }) x length return moves执行时只需要遍历moves一次性把连续同色格子放完比逐格循环少很多次鼠标移动定位实测体感会流畅很多。6. 批量任务设计拼豆玩法最容易遇到的情况是一天想做很多张图。手动一张一张处理太慢批量任务模块就是为了解决这个问题。6.1 目录规划建议的目录结构images/ # 放所有输入图片 outputs/ # 每个图片独立结果目录 task_001/ scheme.json preview.png result.png task_002/ scheme.json preview.png result.png logs/ # 运行日志每张图片独立目录避免多张图的输出文件互相覆盖。result.png是自动化执行完成后从游戏区域截图保存的最终结果用于人工校验。6.2 批量像素化批量像素化脚本可以这样设计python batch_pixelize.py \ --input_dir ./images \ --output_dir ./outputs \ --width 32 \ --palette palette.json代码里的核心逻辑是遍历输入目录对每张图片执行pixelize并把异常图片单独记录到error.log避免一张图出错导致整个队列中断。6.3 批处理队列与错误恢复更稳妥的批处理方式是用一个任务队列每个任务包含图片路径、目标宽度、状态字段{ task_id: task_001, image: images/demo.png, width: 32, status: pending, retry_count: 0 }处理流程是读取任务 - 状态改为 running - 执行像素化 - 生成方案和预览图 - 状态改为 done失败则重试最多重试 3 次超过次数标记为 failed 并写入 error.log。这样做的好处是任务可以断点续跑脚本中途崩溃后重新启动让队列管理器跳过已经 done 的任务继续执行。自动化放置阶段也建议做成同样的队列模式先批量生成所有方案人工确认预览后再批量执行放置。不要“生成一张就立刻执行一张”否则遇到预览效果很差的图你根本来不及取消。7. 接口 API 与外部集成像素化部分不依赖游戏画面完全可以封装成 HTTP 服务方便接入网页、命令行工具或其他应用。这里用 FastAPI 写一个最小示例。先安装依赖pip install fastapi uvicorn python-multipart创建api_server.pyfrom fastapi import FastAPI from pydantic import BaseModel import pixelize app FastAPI() class PixelizeRequest(BaseModel): image: str # 本地图片路径或 base64 编码 width: int 32 palette_path: str palette.json app.post(/pixelize) def pixelize_api(req: PixelizeRequest): palette pixelize.load_palette(req.palette_path) result pixelize.pixelize( image_pathreq.image, target_widthreq.width, palettepalette, output_jsonoutputs/api_scheme.json ) return {message: ok, width: result[width], height: result[height]}启动服务uvicorn api_server:app --host 127.0.0.1 --port 8000调用示例curl -X POST http://127.0.0.1:8000/pixelize \ -H Content-Type: application/json \ -d {image: test.png, width: 24, palette_path: palette.json}Python 调用示例import requests url http://127.0.0.1:8000/pixelize payload { image: test.png, width: 32, palette_path: palette.json } resp requests.post(url, jsonpayload, timeout60) print(resp.json())接口返回的是方案 JSON 的路径和网格尺寸。如果你希望接口直接返回完整方案数据而不是路径可以在服务端把scheme.json读成字典再返回这里不展开按实际需求调整即可。需要提醒的是接口服务本机测试可以用127.0.0.1如果局域网内其他设备访问要确认网络环境可信不要暴露在公网。自动化执行部分涉及鼠标控制不要做成公网服务风险太高。8. 资源占用与性能观察像素化阶段的资源占用很低主要是 CPU 和内存。以一张 1920x1080 图片为例缩放成 32x32 网格后需要匹配的像素只有 1024 个即使是最朴素的 Python 双层循环耗时也是在毫秒到百毫秒级别。目标宽度提升到 128 后计算量会明显上升建议使用 4.3 节给出的向量化版本。批处理时主要瓶颈在图片解码和磁盘读写可以限制同时处理的图片数量避免一次性把几百张图全部塞进内存。自动化放置阶段的资源占用取决于两个因素一是截图频率二是鼠标点击频率。截图用mss比Pillow.ImageGrab更快建议优先用mss。放置过程中不要开太多无关软件尤其是会抢占鼠标焦点的弹窗很容易导致点击位置跑偏。性能观察方面建议在脚本里加上耗时统计记录每张图从开始到完成放置的时间。拼豆网格总格子数通过“宽度 x 高度”就能预估比如 32x32 是 1024 个格子48x32 是 1536 个格子。放置速度受游戏响应速度影响很大如果发现放置太快导致漏格子就把delay调大如果游戏响应快可以适当调小。这里不要追求极限速度稳定优先。显存方面这个脚本完全不涉及 GPU 推理没有显存压力。如果你只是想用像素化功能老旧电脑甚至单核 CPU 都能跑。9. 常见问题与排查方法问题现象可能原因排查方式解决方案像素化结果颜色明显偏色调色板颜色和游戏内实际颜色不一致对比方案 JSON 与实际游戏色板修正 palette.json 中的 RGB 值生成的预览图轮廓模糊缩放时使用了平滑插值检查代码确认使用 NEAREST改用Image.NEAREST重新生成脚本点击位置偏了高分屏 DPI 缩放导致坐标偏移用截图标记实际点击位置在代码中乘上 DPI 缩放系数点击后格子没有被填充颜色面板选择失败或点击速度过快放慢延时观察日志调大放置 delay检查颜色切换逻辑某张图片在处理时让整个队列中断图片损坏或格式不支持检查 error.log单张图片 try-catch失败后跳过并记录批量任务卡住不再继续某一步等待用户操作或死循环查看控制台/日志是否停在某个坐标增加超时机制超过设定时长自动重试或跳过启动 HTTP 服务时端口被占用8000 端口已被其他服务占用运行 netstat -anofindstr 8000安全软件提示脚本异常pyautogui 或截图行为被判为敏感操作查看拦截日志确认脚本来源可信后再决定是否加白名单注意来源不明脚本不要运行这以上是最常见的问题。补充一个容易踩的坑游戏窗口改变了分辨率或者从窗口化切换到全屏区域标定数据全部失效。所以建议把区域标定配置文件独立保存并在脚本启动时校验窗口大小和配置中的期望大小不一致时立即提示重新标定。像素化配色方面如果发现大面积色块颜色和理想效果差异很大可以考虑在调色板匹配前增加“颜色区间限定”逻辑但会增加参数复杂度。第一版建议先用简单的 RGB 最近邻跑通后再迭代。10. 最佳实践与使用建议把这套脚本当做一个小型自动化工程来维护而不是一次性的临时脚本。第一先小图验证全链路。第一次使用不要直接上一张复杂的 64x64 图先用 12x12 或 16x16 的小网格跑通“图片 - 方案 - 预览 - 放置 - 截图校验”的完整链路。小图格子少出问题容易定位。第二调色板文件统一管理。把游戏内可用颜色整理成一份palette.json放在固定目录不要每次运行都重新手输颜色。同一份调色板才能保证多张图之间的色彩风格统一。第三保存每次运行的任务队列和结果目录。批量任务跑完后简单看一眼error.log和每张图的result.png确认没有大面积错误。手动删掉错误任务后可以重新加入队列继续跑不用重新生成所有图。第四自动化执行阶段不要同时操作鼠标。pyautogui会接管鼠标控制如果你在脚本执行过程中手动移动鼠标很可能导致点击位置错乱。建议执行期间不要碰鼠标键盘或者用pynput监听一个紧急暂停热键比如 F9 暂停、F10 终止。第五合规和风险控制。再次强调脚本涉及模拟鼠标键盘操作使用前务必确认所在游戏/平台是否允许账号安全永远是第一优先级。不要用脚本去做任何涉及他人权益的违规操作。图片素材方面尽量使用自己制作、已授权使用的图片不要直接搬运未授权作品尤其不要用于公开发布或商用。11. 总结与下一步这套“奇像巡展画像玩法全自动拼豆脚本”最有价值的地方是把“图片像素化”和“自动放置”两个环节打通。相比手动对格子、手动选色流程缩短到“选图 - 生成方案 - 人工确认 - 自动执行”四步。新增的像素化功能让整个闭环不再依赖外部工具批量任务和接口化设计也让它具备了一定的工程复用性。建议拿到脚本后第一件事不是直接跑大图而是先用小网格做一次全流程验证把palette.json调准、把区域标定做好。最容易踩的坑就是两个调色板颜色不准导致色彩偏色以及高分屏 DPI 缩放导致点击偏移。这两个问题排查到位了后面的批量任务基本就是躺跑。后续可以继续扩展的方向不少可以给像素化模块增加不同缩放策略比如只按宽度适配、忽略透明通道、可以写一个简单的 Web 界面方便上传图片直接看预览、可以在放置模块中增加“按区块并行放置”的策略减少来回移动。如果你有精力还可以把放置校验的截图对比做成自动化让每一张图跑完自动汇报还原度那样就不需要人工抽查了。无论如何先把像素化这一层跑通后面的自动化和批量化才有意义。 
长河君 · 2026/9/7 12:33:46 · 阅读 1.2k 图片像素化与自动化放置：构建可批量、接口化的拼豆脚本全流程
【奇像巡展】画像玩法全自动拼豆脚本图片像素化 批量任务 接口化这套流程可以直接照搬先说明这个项目是干什么的。它是一套针对“奇像巡展”画像玩法设计的自动拼豆脚本核心工作流是选一张图片脚本自动把它像素化成拼豆网格再按网格把每一颗豆/方块放到对应位置最终还原出目标图案。最近版本新增的图片像素化功能解决了以前最大的痛点——手动对格子、手动选色、一张图折腾半小时。这套脚本真正值得关注的是三个点图片像素化内置化不再依赖第三方工具人工处理、全自动放置流程识别区域后按方案逐格执行、可批量可接口化多张图排队处理也能封装成 HTTP 服务接入自己的工具链。对喜欢研究图像处理算法和游戏自动化的读者来说本文会从像素化原理、放置流程、批量队列、接口设计到排查清单完整过一遍。整体对硬件没有特殊要求普通 Windows 电脑 Python 环境即可运行。不过要提前说清楚游戏内自动化存在账号风险请先确认你的使用场景是否合规不要在明确禁止脚本的服务器或活动中使用否则后果自负。这篇文章重点放在算法思路和工程实现上给出一套可复用的通用方案。1. 核心能力速览能力项说明项目类型图片像素化 游戏画像玩法自动拼豆脚本核心功能图片转拼豆网格、自动按网格放置豆/方块、批量任务、API 集成图片像素化任意图片缩放到指定网格宽度颜色映射到游戏可用调色板自动化执行读取方案 JSON按行列逐格放置带校验和重试机制批量任务输入目录多张图片排队处理输出独立结果目录接口能力可封装为本地 HTTP 服务POST 图片返回拼豆方案硬件门槛普通 CPU 即可无明显显存要求支持平台Windows 10/11 优先Python 3.9启动方式命令行启动先像素化生成方案再执行放置适合人群喜欢拼豆玩法、想批量出图、对图像量化算法感兴趣的开发者从能力项能看出来这个脚本本质上分成两段离线像素化和在线自动放置。离线部分不依赖游戏可以单独当做一个图片转像素网格的小工具来用在线部分才需要接游戏窗口也是风险最高的部分后面会单独讲合规边界。2. 适用场景与使用边界先回答“适合谁”。如果你玩奇像巡展画像玩法时经常需要把一张现成的动漫图、表情包截图、甚至游戏内风景图变成拼豆底稿那么这个脚本的像素化功能可以帮你把“看图挑色”变成“自动映射”。流程上你只需要准备一张图设置目标宽度比如 32 格还是 48 格脚本会输出一个带调色板索引的 JSON 方案和一张放大预览图。人工确认预览图没问题后再交给自动化部分执行。适合的批量场景也很明确活动期间每天都要做新的画像手动对格子太慢用脚本把一批图片全部转成方案再逐张执行能省下大量重复劳动。如果你想把像素化能力接到自己的工具里比如做一个网页上传入口或者给群里小伙伴提供“图片转拼豆方案”的服务也可以按第 7 章的接口方式封装。不适合什么场景第一不适合用于明确禁止第三方脚本的线上活动或比赛脚本一旦被检测到轻则警告重则封禁账号。第二不适合做涉及复杂渐变、超高精度还原的图因为拼豆网格本身决定了很多细节会丢失想 100% 还原原图是不现实的。第三不适合拿来做商业化的“代练/代做画像”业务一方面有账号安全和版权风险另一方面很容易被平台判定为违规。这里必须重点强调安全与合规边界游戏自动化操作可能违反游戏用户协议使用前务必查看相关规则。只在个人可控、已获授权、或离线测试环境中使用。涉及他人图片、头像、肖像时需要先获得授权不要拿来做任何形式的公开传播。不要用脚本做抢购、刷量、外挂等任何违反法律法规和平台规则的事情。3. 环境准备与前置条件先用一张表说明环境要求再给具体命令。依赖说明操作系统Windows 10/11 体验最好macOS/Linux 也可以跑像素化部分Python3.9 或更高版本图像处理库Pillow、NumPy可选 OpenCV自动化库mss截图、pyautogui鼠标控制、pynput键盘监听游戏区域坐标需要手动标定拼豆网格在屏幕上的位置开一个终端先创建虚拟环境python -m venv venvWindows 激活虚拟环境venv\Scripts\activate安装图像处理相关依赖pip install pillow numpy opencv-python如果要做自动化放置再安装pip install mss pyautogui pynput这几个库非常通用mss 负责快速截屏pyautogui 负责模拟鼠标移动和点击pynput 可以用来做热键监听比如按 F9 暂停、F10 继续。磁盘空间方面脚本本体只有几 MB但如果你要处理大量高清图片并保存所有预览图建议留出至少 1GB 空间。端口方面如果启动 HTTP 服务默认用 8000 节点冲突时可以用--port改掉。分辨率方面高分屏和 Windows DPI 缩放会影响坐标计算后面会专门讲这个坑。4. 图片像素化功能核心算法与代码实现图片像素化是整个脚本的地基。它把一张普通图片转换为“宽度 x 高度”的网格每个格子记录一个颜色索引。这里的关键点是不能直接用双线性缩放再做普通颜色量化那样边缘会发虚、色块不干净。拼豆需要的是硬边缘色块。4.1 像素化流程标准流程分四步读取图片并转为 RGB。按目标宽度等比缩放插值算法用最近邻NEAREST这样每个像素仍然对应原图的一个采样点边缘保持锐利。把缩放后的每个像素颜色在游戏可用调色板中做最近邻匹配。输出网格数据到 JSON并生成放大预览图方便人工确认。4.2 调色板准备先准备一个调色板文件palette.json。注意这里的颜色必须和游戏内实际可用的豆/方块颜色保持一致否则像素化方案再准确执行时也对不上。{ colors: [ { name: black, rgb: [0, 0, 0] }, { name: white, rgb: [255, 255, 255] }, { name: red, rgb: [255, 0, 0] }, { name: green, rgb: [0, 255, 0] }, { name: blue, rgb: [0, 0, 255] }, { name: yellow, rgb: [255, 255, 0] } ] }如果游戏内有更多颜色直接往colors数组里加即可。颜色越多还原度越高但颜色之间的区分也会更模糊建议控制在 50 色以内。4.3 像素化核心代码新建pixelize.pyfrom PIL import Image import numpy as np import json def load_palette(palette_path): with open(palette_path, r, encodingutf-8) as f: data json.load(f) return data[colors] def pixelize(image_path, target_width, palette, output_json): img Image.open(image_path).convert(RGB) # 等比缩放固定宽度高度自适应 target_height max(1, round(img.height * target_width / img.width)) img img.resize((target_width, target_height), Image.NEAREST) arr np.array(img) palette_rgb np.array([c[rgb] for c in palette], dtypenp.float64) grid [] for row in arr: grid_row [] for px in row: # 最近邻距离匹配 dist np.sum((palette_rgb - px) ** 2, axis1) idx int(np.argmin(dist)) grid_row.append(idx) grid.append(grid_row) result { width: target_width, height: target_height, grid: grid, palette: palette, source: image_path } with open(output_json, w, encodingutf-8) as f: json.dump(result, f, ensure_asciiFalse, indent2) return result if __name__ __main__: result pixelize( image_pathtest.png, target_width32, paletteload_palette(palette.json), output_jsonoutput/test_scheme.json ) print(f生成完成: {result[width]}x{result[height]})这段代码用两层循环遍历每个像素对小尺寸缩放结果如 32x32完全够用。如果目标宽度超过 64或者处理大量图片可以改成 NumPy 向量化计算速度会快很多。向量化版本的核心思路是用广播机制一次性计算所有像素到所有调色板颜色的距离然后取最小值索引def pixelize_vectorized(image_path, target_width, palette): img Image.open(image_path).convert(RGB) target_height max(1, round(img.height * target_width / img.width)) img img.resize((target_width, target_height), Image.NEAREST) arr np.array(img).astype(np.float64) colors np.array([c[rgb] for c in palette], dtypenp.float64) # arr: (H, W, 3) - (H, W, 1, 3) - colors: (P, 3) - broadcast diff arr[:, :, None, :] - colors[None, None, :, :] dist np.sum(diff ** 2, axis-1) grid dist.argmin(axis-1).tolist() return grid这个版本处理 128x128 的网格也只在一秒内完成批量出方案时建议用这个。4.4 预览图生成光有 JSON 不方便人工判断还需要生成一张把每个格子放大后的预览图def save_preview(result, preview_path, cell20): grid result[grid] h len(grid) w len(grid[0]) palette_rgb {i: tuple(c[rgb]) for i, c in enumerate(result[palette])} preview Image.new(RGB, (w * cell, h * cell)) px preview.load() for y in range(h): for x in range(w): color palette_rgb[grid[y][x]] for dy in range(cell): for dx in range(cell): px[x * cell dx, y * cell dy] color preview.save(preview_path)生成的预览图是马赛克风格每个色块边界清晰直接用图片查看器放大看就能提前知道还原效果大概什么样。这一步非常建议保留尤其是批量跑多张图的时候先看预览再执行能避免浪费大量时间。5. 自动拼豆脚本从方案到执行像素化只解决“怎么生成方案”自动拼豆要解决的是“怎么把方案变成游戏里的真实格子”。5.1 自动执行整体流程自动执行部分推荐拆成四个模块区域标定模块用户手动指定拼豆网格在屏幕上的区域保存为配置文件。方案读取模块读取上一步生成的 JSON 方案。放置执行模块根据格子坐标把对应颜色的豆/方块放到指定格子。校验重试模块放置后再次截图和方案比对颜色不一致则重试。从外部看完整链路是这样的输入图片 - 像素化 - 生成方案 预览图 - 人工确认 - 脚本自动放置 - 完成后再次截图校验5.2 区域标定第一次使用必须先标定网格区域。最简单的方式是在游戏画面里找到拼豆网格的四个边界记录成region.json{ region: [100, 200, 960, 960] }四个数字分别表示left、top、width、height。需要注意的是这个坐标是屏幕像素坐标如果你的显示器是高分屏且开了 DPI 缩放那么pyautogui拿到的坐标可能和肉眼看到的位置有偏差需要在代码里做一次缩放换算。5.3 放置逻辑放置逻辑可以先用通用伪代码描述def run_scheme(scheme, region, place_func, delay0.03): grid scheme[grid] rows len(grid) cols len(grid[0]) cell_w region[2] / cols cell_h region[3] / rows for y in range(rows): for x in range(cols): color_idx grid[y][x] cx region[0] x * cell_w cell_w / 2 cy region[1] y * cell_h cell_h / 2 place_func(cx, cy, color_idx) time.sleep(delay)这里的place_func是真正的游戏交互函数。不同游戏的交互方式差别很大可能是“先点左侧颜色面板再点网格格子”也可能是“当前选中的颜色直接放到格子”。所以place_func需要你按实际游戏调整比如def place_func(cx, cy, color_idx): # 1. 点击颜色面板中对应颜色 color_button COLOR_BUTTONS[color_idx] pyautogui.click(color_button) time.sleep(0.02) # 2. 点击目标格子 pyautogui.click(cx, cy) time.sleep(0.02)这里不写死任何按钮坐标因为不同分辨率、不同主题皮肤、不同窗口大小都会影响坐标。正确做法是把这些坐标也抽到配置文件里脚本只负责逻辑。5.4 放置策略优化如果逐格放置效率会比较低尤其是大面积同色区域。优化策略是按行扫描连续同色段把“移动到起点连续放置 n 个”作为一条指令减少鼠标移动次数。def build_moves(result): moves [] grid result[grid] for y, row in enumerate(grid): x 0 while x len(row): color_idx row[x] length 1 while x length len(row) and row[x length] color_idx: length 1 moves.append({ row: y, col: x, color: color_idx, count: length }) x length return moves执行时只需要遍历moves一次性把连续同色格子放完比逐格循环少很多次鼠标移动定位实测体感会流畅很多。6. 批量任务设计拼豆玩法最容易遇到的情况是一天想做很多张图。手动一张一张处理太慢批量任务模块就是为了解决这个问题。6.1 目录规划建议的目录结构images/ # 放所有输入图片 outputs/ # 每个图片独立结果目录 task_001/ scheme.json preview.png result.png task_002/ scheme.json preview.png result.png logs/ # 运行日志每张图片独立目录避免多张图的输出文件互相覆盖。result.png是自动化执行完成后从游戏区域截图保存的最终结果用于人工校验。6.2 批量像素化批量像素化脚本可以这样设计python batch_pixelize.py \ --input_dir ./images \ --output_dir ./outputs \ --width 32 \ --palette palette.json代码里的核心逻辑是遍历输入目录对每张图片执行pixelize并把异常图片单独记录到error.log避免一张图出错导致整个队列中断。6.3 批处理队列与错误恢复更稳妥的批处理方式是用一个任务队列每个任务包含图片路径、目标宽度、状态字段{ task_id: task_001, image: images/demo.png, width: 32, status: pending, retry_count: 0 }处理流程是读取任务 - 状态改为 running - 执行像素化 - 生成方案和预览图 - 状态改为 done失败则重试最多重试 3 次超过次数标记为 failed 并写入 error.log。这样做的好处是任务可以断点续跑脚本中途崩溃后重新启动让队列管理器跳过已经 done 的任务继续执行。自动化放置阶段也建议做成同样的队列模式先批量生成所有方案人工确认预览后再批量执行放置。不要“生成一张就立刻执行一张”否则遇到预览效果很差的图你根本来不及取消。7. 接口 API 与外部集成像素化部分不依赖游戏画面完全可以封装成 HTTP 服务方便接入网页、命令行工具或其他应用。这里用 FastAPI 写一个最小示例。先安装依赖pip install fastapi uvicorn python-multipart创建api_server.pyfrom fastapi import FastAPI from pydantic import BaseModel import pixelize app FastAPI() class PixelizeRequest(BaseModel): image: str # 本地图片路径或 base64 编码 width: int 32 palette_path: str palette.json app.post(/pixelize) def pixelize_api(req: PixelizeRequest): palette pixelize.load_palette(req.palette_path) result pixelize.pixelize( image_pathreq.image, target_widthreq.width, palettepalette, output_jsonoutputs/api_scheme.json ) return {message: ok, width: result[width], height: result[height]}启动服务uvicorn api_server:app --host 127.0.0.1 --port 8000调用示例curl -X POST http://127.0.0.1:8000/pixelize \ -H Content-Type: application/json \ -d {image: test.png, width: 24, palette_path: palette.json}Python 调用示例import requests url http://127.0.0.1:8000/pixelize payload { image: test.png, width: 32, palette_path: palette.json } resp requests.post(url, jsonpayload, timeout60) print(resp.json())接口返回的是方案 JSON 的路径和网格尺寸。如果你希望接口直接返回完整方案数据而不是路径可以在服务端把scheme.json读成字典再返回这里不展开按实际需求调整即可。需要提醒的是接口服务本机测试可以用127.0.0.1如果局域网内其他设备访问要确认网络环境可信不要暴露在公网。自动化执行部分涉及鼠标控制不要做成公网服务风险太高。8. 资源占用与性能观察像素化阶段的资源占用很低主要是 CPU 和内存。以一张 1920x1080 图片为例缩放成 32x32 网格后需要匹配的像素只有 1024 个即使是最朴素的 Python 双层循环耗时也是在毫秒到百毫秒级别。目标宽度提升到 128 后计算量会明显上升建议使用 4.3 节给出的向量化版本。批处理时主要瓶颈在图片解码和磁盘读写可以限制同时处理的图片数量避免一次性把几百张图全部塞进内存。自动化放置阶段的资源占用取决于两个因素一是截图频率二是鼠标点击频率。截图用mss比Pillow.ImageGrab更快建议优先用mss。放置过程中不要开太多无关软件尤其是会抢占鼠标焦点的弹窗很容易导致点击位置跑偏。性能观察方面建议在脚本里加上耗时统计记录每张图从开始到完成放置的时间。拼豆网格总格子数通过“宽度 x 高度”就能预估比如 32x32 是 1024 个格子48x32 是 1536 个格子。放置速度受游戏响应速度影响很大如果发现放置太快导致漏格子就把delay调大如果游戏响应快可以适当调小。这里不要追求极限速度稳定优先。显存方面这个脚本完全不涉及 GPU 推理没有显存压力。如果你只是想用像素化功能老旧电脑甚至单核 CPU 都能跑。9. 常见问题与排查方法问题现象可能原因排查方式解决方案像素化结果颜色明显偏色调色板颜色和游戏内实际颜色不一致对比方案 JSON 与实际游戏色板修正 palette.json 中的 RGB 值生成的预览图轮廓模糊缩放时使用了平滑插值检查代码确认使用 NEAREST改用Image.NEAREST重新生成脚本点击位置偏了高分屏 DPI 缩放导致坐标偏移用截图标记实际点击位置在代码中乘上 DPI 缩放系数点击后格子没有被填充颜色面板选择失败或点击速度过快放慢延时观察日志调大放置 delay检查颜色切换逻辑某张图片在处理时让整个队列中断图片损坏或格式不支持检查 error.log单张图片 try-catch失败后跳过并记录批量任务卡住不再继续某一步等待用户操作或死循环查看控制台/日志是否停在某个坐标增加超时机制超过设定时长自动重试或跳过启动 HTTP 服务时端口被占用8000 端口已被其他服务占用运行 netstat -anofindstr 8000安全软件提示脚本异常pyautogui 或截图行为被判为敏感操作查看拦截日志确认脚本来源可信后再决定是否加白名单注意来源不明脚本不要运行这以上是最常见的问题。补充一个容易踩的坑游戏窗口改变了分辨率或者从窗口化切换到全屏区域标定数据全部失效。所以建议把区域标定配置文件独立保存并在脚本启动时校验窗口大小和配置中的期望大小不一致时立即提示重新标定。像素化配色方面如果发现大面积色块颜色和理想效果差异很大可以考虑在调色板匹配前增加“颜色区间限定”逻辑但会增加参数复杂度。第一版建议先用简单的 RGB 最近邻跑通后再迭代。10. 最佳实践与使用建议把这套脚本当做一个小型自动化工程来维护而不是一次性的临时脚本。第一先小图验证全链路。第一次使用不要直接上一张复杂的 64x64 图先用 12x12 或 16x16 的小网格跑通“图片 - 方案 - 预览 - 放置 - 截图校验”的完整链路。小图格子少出问题容易定位。第二调色板文件统一管理。把游戏内可用颜色整理成一份palette.json放在固定目录不要每次运行都重新手输颜色。同一份调色板才能保证多张图之间的色彩风格统一。第三保存每次运行的任务队列和结果目录。批量任务跑完后简单看一眼error.log和每张图的result.png确认没有大面积错误。手动删掉错误任务后可以重新加入队列继续跑不用重新生成所有图。第四自动化执行阶段不要同时操作鼠标。pyautogui会接管鼠标控制如果你在脚本执行过程中手动移动鼠标很可能导致点击位置错乱。建议执行期间不要碰鼠标键盘或者用pynput监听一个紧急暂停热键比如 F9 暂停、F10 终止。第五合规和风险控制。再次强调脚本涉及模拟鼠标键盘操作使用前务必确认所在游戏/平台是否允许账号安全永远是第一优先级。不要用脚本去做任何涉及他人权益的违规操作。图片素材方面尽量使用自己制作、已授权使用的图片不要直接搬运未授权作品尤其不要用于公开发布或商用。11. 总结与下一步这套“奇像巡展画像玩法全自动拼豆脚本”最有价值的地方是把“图片像素化”和“自动放置”两个环节打通。相比手动对格子、手动选色流程缩短到“选图 - 生成方案 - 人工确认 - 自动执行”四步。新增的像素化功能让整个闭环不再依赖外部工具批量任务和接口化设计也让它具备了一定的工程复用性。建议拿到脚本后第一件事不是直接跑大图而是先用小网格做一次全流程验证把palette.json调准、把区域标定做好。最容易踩的坑就是两个调色板颜色不准导致色彩偏色以及高分屏 DPI 缩放导致点击偏移。这两个问题排查到位了后面的批量任务基本就是躺跑。后续可以继续扩展的方向不少可以给像素化模块增加不同缩放策略比如只按宽度适配、忽略透明通道、可以写一个简单的 Web 界面方便上传图片直接看预览、可以在放置模块中增加“按区块并行放置”的策略减少来回移动。如果你有精力还可以把放置校验的截图对比做成自动化让每一张图跑完自动汇报还原度那样就不需要人工抽查了。无论如何先把像素化这一层跑通后面的自动化和批量化才有意义。