从零实现Python自动扫雷（三）：基于TensorFlow识别雷块

一、系统架构概述

本扫雷AI识别系统由以下几个核心组件构成：

1. 图像预处理模块：负责将游戏截图转换为模型可处理的格式
2. TensorFlow模型模块：加载预训练模型并进行预测
3. 地图管理模块：维护游戏地图状态并与识别系统交互
4. 窗口交互模块：从游戏窗口获取实时图像数据

二、核心代码解析

2.1 图像预处理函数

def im_array(im):
    im_L = im.convert("L")  # 转换为灰度图像
    Core = im_L.getdata()
    arr1 = np.array(Core, dtype='float32') / 255.0  # 归一化
    list_img = arr1.tolist()
    images = np.array(list_img).reshape(-1,25, 25,1)  # 调整为模型输入格式
    return images

关键技术点：

• 图像灰度化处理减少计算复杂度
• 像素值归一化到[0,1]范围提高模型稳定性
• 调整图像维度匹配模型输入要求(25×25×1)

2.2 OCR分类器类

class OcrClassifier:
    def __init__(self, window, map: MineMap):
        self.model = tf.keras.models.load_model('my_model.h5')
        logger.info("tf.keras.models模型加载完成！")
        self.window = window
        self.dict_label={0:0, 1:1, 2:2, 3:3, 4:4, 5:5, 6:-9, 7:-1}
        self.imgs = None
        self.map = map

类成员说明：

• model：预训练的TensorFlow Keras模型
• dict_label：模型输出到游戏逻辑的映射字典
• window：窗口管理对象，用于获取游戏截图
• map：地图管理对象，维护游戏状态
• imgs：缓存当前游戏区域图像

2.3 分类预测方法

def classify(self, im):
    img = im_array(im)  # 图像预处理
    predictions_single = self.model.predict(img)  # 模型预测
    return self.dict_label[np.argmax(predictions_single)]  # 获取最终分类

工作流程：

1. 输入原始图像(25×25像素)
2. 调用im_array进行预处理
3. 使用加载的模型进行预测
4. 将预测结果映射为游戏逻辑可识别的标签

2.4 全图分类方法

def classify_all(self):
    self.get_cropped_image()  # 获取当前游戏区域截图
    for i in range(self.map.width):
        for j in range(self.map.height):
            self.map.set_grid_img(i, j, self.imgs[i][j])
            if(self.map.need_grid_classify(i, j)):
                ans = self.classify(self.imgs[i][j])
                logger.info("({},{})处预测值：".format(i,j) + str(ans))
                self.map.set_grid_flag(i, j, ans)

算法逻辑：

1. 获取当前游戏区域截图并切分为网格
2. 遍历每个网格单元
3. 检查该单元是否需要重新分类
4. 调用分类器进行预测并更新地图状态
5. 记录分类日志

三、性能优化考虑

1. GPU加速：

   # 可选的GPU设备配置代码
   gpus = tf.config.experimental.list_physical_devices(device_type='GPU')
   tf.config.experimental.set_visible_devices(devices=gpus[2:4], device_type='GPU')

2. 缓存机制：已识别且未变化的格子可跳过重复识别

四、总结

该系统与之前实现的窗口管理和点击操作模块相结合，可构建完整的扫雷AI解决方案。下一步可研究游戏策略算法，如基于概率的推理和模式识别。