分享一套《明日方舟》基建畫板全自動繪制像素畫的完整腳本方案目前已經迭代到 V1.2。本版本在前一版的基礎上加入了顏色抖動匹配、蛇形繪制路徑、斷點續繪和延遲容錯機制解決了不少“畫到一半就偏色”、“鼠標坐標整體偏移”的實際問題。如果你平時喜歡在游戲里做點小創作又不想把時間全耗在手工點像素上那這篇教程會很適合你。文章會盡量把原理拆開講從圖像取色、網格坐標換算再到模擬鼠標點擊每一個環節都給出可直接運行的代碼示例并附上常見報錯的排查思路。1. 背景與核心概念1.1 什么是“全自動像素畫繪制”先明確概念。這里說的“在游戲中繪制像素畫”指的是利用游戲內置的“畫板”或“基建涂鴉”功能在固定尺寸的網格區域中一格一格填充顏色最終拼出一張完整圖片。這個功能本質上就是一個受限的像素畫編輯器只不過操作方式比較基礎只能通過鼠標點擊來選色、填色。隨著圖片尺寸變大比如 32×32、64×64甚至更大手工操作就會變得非常痛苦。因為每一格都需要從色板中選擇正確顏色將鼠標移動到對應位置點擊一次可能還要重復點擊兩次確認換下一個位置繼續。一張 64×64 的圖就是 4096 個網格假設每格平均耗時 1.5 秒光填色就需要 100 分鐘以上而且人眼長時間盯屏幕非常容易疲勞更別說中途出現顏色看錯、點錯位置這種低級失誤。于是就有了腳本方案把“看圖取色 移動鼠標 點擊填充”這一整套動作交給程序自動完成。1.2 自動繪制的完整流程自動繪制腳本的核心閉環可以拆解為四個步驟圖像預處理把任意圖片縮放到目標網格尺寸并轉換成游戲色板支持的顏色集合。坐標映射將像素坐標換算為游戲窗口內的屏幕坐標。路徑規劃決定先畫哪一格、后畫哪一格避免鼠標來回亂跳。自動執行通過模擬鼠標移動和點擊逐格完成繪制。V1.2 版本在這個閉環上做了三個重要升級顏色匹配從“絕對匹配”升級為“色差最小匹配”即使源圖和游戲色板有偏差也能自動選擇最近顏色繪制路徑從“逐行單向掃描”升級為“蛇形往返掃描”減少了鼠標空跑路程速度提升明顯增加了中斷恢復功能腳本意外退出后可以根據日志從上次進度繼續。下面會一個一個環節展開并給出完整代碼。1.3 適用讀者這篇文章適合以下幾類讀者想在自己的游戲賬號中實現“自動繪畫”的玩家希望做一個有一定工程性的小工具正在學習 Python 圖像處理和 GUI 自動化的開發者想找一個有趣的練手項目已經實現過基礎版本但對顏色匹配、繪制路徑、異常恢復等細節有優化需求的人。本文示例基于 Python 實現不依賴復雜框架核心庫只用到 Pillow、NumPy、pyautogui代碼邏輯也比較清晰新手跟著做也可以跑通。2. 環境準備與版本說明在正式寫代碼之前先把開發環境準備好。2.1 開發環境清單為了減少環境兼容性問題本文按以下環境描述類別推薦配置操作系統Windows 10/1164 位Python 版本Python 3.9 及以上游戲窗口《明日方舟》官方 PC 客戶端窗口模式運行屏幕分辨率1920×1080高 DPI 縮放畫面需要調整縮放系數圖像處理庫Pillow、NumPy自動化庫pyautogui、pygetwindow開發 IDEVS Code 或 PyCharm 均可注意如果你使用的不是 Windows而是 macOS 或 Linuxpygetwindow的窗口管理能力會受限坐標獲取方式也需要相應調整。本文以 Windows 環境為例來寫其他系統可以參考同樣的思路適配。2.2 依賴庫安裝打開終端執行以下命令安裝依賴pip install pillow numpy pyautogui pygetwindow opencv-python這里解釋一下每個庫的作用pillow負責讀取圖片、縮放圖片、轉換顏色模式。numpy用于處理像素矩陣實現高效的逐像素顏色匹配。pyautogui模擬鼠標移動、點擊是自動化執行的核心模塊。pygetwindow獲取游戲窗口句柄從而計算窗口在屏幕中的位置。opencv-python用于圖像降噪和邊緣平滑對顏色過渡復雜的圖片有很好的預處理效果。安裝完成后可以運行下面這段代碼驗證環境import PIL import numpy import pyautogui import pygetwindow print(Pillow version:, PIL.__version__) print(NumPy version:, numpy.__version__) print(pyautogui version:, pyautogui.__version__)如果能正常輸出版本信息說明環境基本可用。2.3 項目目錄結構為了讓代碼便于維護建議創建一個干凈的目錄結構arknights_pixel_art/ ├── main.py # 主入口腳本 ├── color_quantize.py # 顏色匹配/量化模塊 ├── path_planner.py # 繪制路徑規劃模塊 ├── executor.py # 鼠標自動化執行模塊 ├── config.json # 參數配置色板、延遲、坐標校準 ├── images/ │ └── input.png # 原始輸入圖片 ├── logs/ │ └── progress.json # 斷點續繪狀態文件 └── output/ └── preview.png # 模擬預覽圖片下面各節的代碼會按照這個結構分別寫進對應文件。這樣獨立模塊清晰后續調試任何一個環節都很方便。3. 核心原理拆解3.1 尺寸縮放與網格映射游戲里的“畫板”是固定網格尺寸的。例如某個區域可能只支持 32×32 網格也可能支持 64×64。實際操作時你需要先確認自己的畫板尺寸然后把源圖片縮放成同樣的寬高。圖像縮放不是簡單地把圖片壓扁而是要同時考慮內容保真度。縮放公式目標尺寸 (畫板寬度, 畫板高度)使用 Pillow 可以非常方便地完成這個操作from PIL import Image def resize_to_grid(image_path, grid_width, grid_height, output_path): 將輸入圖片縮放為 grid_width x grid_height 大小的網格圖。 img Image.open(image_path) img img.resize((grid_width, grid_height), Image.LANCZOS) img.save(output_path) return img這里使用Image.LANCZOS重采樣算法適合縮小帶有復雜紋理的圖片可以保留更多細節。如果圖片本身顏色比較平整用默認的雙線性算法也可以。縮放完成后圖片的每一個像素點就對應畫板上的一個格子。這個映射關系是后續所有邏輯的基礎。3.2 顏色量化與色差匹配游戲畫板通常只提供有限的固定顏色比如 32 色、64 色而現實圖片的顏色往往是幾十萬種。直接使用原圖顏色是畫不出來的必須做顏色量化Color Quantization即把每個像素映射到色板中最接近的顏色。這里最常用的算法是最小歐氏距離匹配。在 RGB 顏色空間中每種顏色都可以看作一個三維向量兩個顏色的差異就是向量距離distance sqrt((r1-r2)^2 (g1-g2)^2 (b1-b2)^2)距離越小說明顏色越接近。實際計算時為了性能可以不用開平方直接比較平方和。下面是完整實現import numpy as np # 游戲色板示例這里以 16 色為例實際請替換為游戲內置色板 PALETTE [ (255, 255, 255), # 白色 (0, 0, 0), # 黑色 (255, 0, 0), # 紅色 (0, 255, 0), # 綠色 (0, 0, 255), # 藍色 (255, 255, 0), # 黃色 (255, 0, 255), # 品紅 (0, 255, 255), # 青色 (128, 128, 128), # 灰色 (255, 128, 0), # 橙色 (128, 0, 255), # 紫色 (0, 128, 128), # 深青 (128, 128, 0), # 橄欖色 (128, 0, 0), # 深紅 (0, 128, 0), # 深綠 (0, 0, 128), # 深藍 ] def find_nearest_color(pixel, paletteNone): 返回像素在色板中最接近的顏色索引。 if palette is None: palette PALETTE pixel np.array(pixel, dtypenp.int16) palette_arr np.array(palette, dtypenp.int16) # 計算每個色板顏色的歐氏距離平方 diff palette_arr - pixel dist_sq np.sum(diff ** 2, axis1) nearest_index int(np.argmin(dist_sq)) return nearest_index def quantize_image(img, paletteNone): 將 RGBA 圖片量化到指定色板返回顏色索引矩陣和預覽圖片。 if palette is None: palette PALETTE img img.convert(RGB) pixels np.array(img, dtypenp.int16) h, w, _ pixels.shape # 預計算色板數組 palette_arr np.array(palette, dtypenp.int16) # 展平像素并批量計算距離 flat_pixels pixels.reshape(-1, 3) diff flat_pixels[:, None, :] - palette_arr[None, :, :] dist_sq np.sum(diff ** 2, axis2) idx np.argmin(dist_sq, axis1) idx_matrix idx.reshape(h, w) # 生成預覽圖像 preview_pixels palette_arr[idx].reshape(h, w, 3) preview_img Image.fromarray(preview_pixels.astype(np.uint8)) return idx_matrix, preview_img這里有個需要注意的地方色板順序必須和游戲內色板的順序保持一致否則即使顏色匹配正確點擊選色時也會選錯。quantize_image返回兩個東西idx_matrix一個二維數組每個元素代表該位置使用的色板索引preview_img生成的預覽圖片方便你事先在本地查看繪制效果。通過生成預覽圖可以提前確認顏色還原度是否符合預期避免腳本跑了一半才發現顏色效果不對。3.3 坐標換算從網格到屏幕顏色索引矩陣生成后第二步就是把網格坐標換算成游戲窗口內的屏幕坐標。這一步是整個腳本最容易出錯的地方因為涉及三個坐標系畫板網格坐標例如(0, 0)是畫板左上角(31, 31)是右下角。游戲窗口坐標相對于窗口客戶區左上角的位置。屏幕全局坐標相對于顯示器左上角的位置。pyautogui使用的是屏幕全局坐標所以需要做一次換算公式如下screen_x window_left left_margin col * cell_width cell_width / 2 screen_y window_top top_margin row * cell_height cell_height / 2其中left_margin和top_margin是畫板左上角到窗口客戶區左上角的偏移cell_width和cell_height是每一格的實際像素寬度和高度。由于每個顯示器的分辨率和游戲窗口大小不同最穩的方式是做一個“校準模式”啟動腳本后先讓用戶手動點擊畫板的左上角和右下角通過這兩個點計算出每個格子的實際尺寸。核心代碼如下import pyautogui def calibrate_origin(): 手動校準請用戶依次點擊畫板左上角和右下角。 print(請將鼠標移動到畫板左上角5 秒后自動獲取坐標...) pyautogui.sleep(5) x1, y1 pyautogui.position() print(請將鼠標移動到畫板右下角5 秒后自動獲取坐標...) pyautogui.sleep(5) x2, y2 pyautogui.position() return (x1, y1), (x2, y2)得到畫板左上角和右下角坐標后就可以計算出每一格的尺寸def calc_grid_parameters(tl, br, grid_width, grid_height): tl 是左上角坐標br 是右下角坐標。 left, top tl right, bottom br cell_width (right - left) / grid_width cell_height (bottom - top) / grid_height return { left: left, top: top, cell_width: cell_width, cell_height: cell_height, }然后根據網格位置(row, col)計算屏幕坐標def grid_to_screen(row, col, grid_params): left grid_params[left] top grid_params[top] cell_w grid_params[cell_width] cell_h grid_params[cell_height] x left col * cell_w cell_w / 2 y top row * cell_h cell_h / 2 return int(x), int(y)這一小段是整個腳本精確度的關鍵。如果你發現繪制的點有規律地偏移半格、一格大概率就是這里計算有誤或者校準點時沒對準。3.4 繪制路徑規劃早期的簡單腳本是“逐行從左到右掃描”畫完第一行再畫第二行。但這種方式的缺點很明顯如果畫板網格很大鼠標從每行末尾回到下一行開頭需要穿越很長距離而且頻繁長距離移動容易觸發誤操作或卡頓。V1.2 改用蛇形路徑Snake Pattern也就是第一行從左到右第二行從右到左第三行再從左到右。這樣每次換行時鼠標只移動一格的距離大幅降低了無效移動。路徑規劃代碼如下def generate_snake_path(grid_width, grid_height, start_row0): 生成蛇形繪制路徑。 返回的路徑元素為 (row, col)。 path [] for row in range(start_row, grid_height): if row % 2 0: # 偶數行從左到右 for col in range(grid_width): path.append((row, col)) else: # 奇數行從右到左 for col in range(grid_width - 1, -1, -1): path.append((row, col)) return path3.5 自動執行模塊有了路徑和坐標自動執行模塊就很簡單了。每一格需要兩步動作點擊色板中的目標顏色點擊畫板中對應網格位置。這里需要注意的是點擊顏色后游戲可能需要極短的響應時間因此必須在兩次點擊之間加入穩定延時否則會出現“顏色還沒切換成功就已經點擊了網格”的問題。執行器核心代碼如下import pyautogui import time # 配置示例 DELAY_CLICK_COLOR 0.3 # 點擊色板后的等待時間 DELAY_CLICK_GRID 0.15 # 點擊網格后的等待時間 DELAY_BETWEEN_PIXELS 0.2 SAFETY_STOP_HOTKEY esc # 緊急停止熱鍵 def execute_draw(idx_matrix, grid_params, palette_buttons, delay_colorDELAY_CLICK_COLOR, delay_gridDELAY_CLICK_GRID, delay_pixelDELAY_BETWEEN_PIXELS, progressNone): idx_matrix: 顏色索引矩陣 grid_params: 網格坐標參數 palette_buttons: 記錄每個顏色索引對應的屏幕坐標 progress: 斷點續繪信息包含已完成的行數 grid_h, grid_w idx_matrix.shape start_row 0 if progress and row in progress: start_row progress[row] 1 path generate_snake_path(grid_w, grid_h, start_rowstart_row) for step, (row, col) in enumerate(path): if pyautogui.keyboard.pressable_keys and pyautogui.is_pressed(SAFETY_STOP_HOTKEY): print(檢測到 ESC已停止繪制。) save_progress(row, col) return color_idx int(idx_matrix[row][col]) color_pos palette_buttons[color_idx] grid_pos grid_to_screen(row, col, grid_params) # 點擊色板選色 pyautogui.click(color_pos[0], color_pos[1]) time.sleep(delay_color) # 點擊網格填色 pyautogui.click(grid_pos[0], grid_pos[1]) time.sleep(delay_grid) # 像素間隔延時 time.sleep(delay_pixel) # 每隔一定步數打印一次進度 if (step 1) % 100 0: print(f已完成 {step 1} / {grid_h * grid_w} 格) print(繪制完成)這里有幾個工程上的細節值得展開說明。延時設置延時并不是越大越好。延時過大會讓繪制時間成倍增加延時過小則可能導致操作還沒被游戲識別就執行下一步出現丟色塊。建議根據自己電腦性能和網絡狀況調整一般 0.2 ~ 0.4 秒是比較安全的范圍。緊急停止腳本執行過程中如果發現鼠標軌跡不對需要立即停下來。代碼中加入了 ESC 熱鍵檢測但這個邏輯在部分系統/窗口下可能失效最保險的做法是繪制前把鼠標移到屏幕角落必要時直接移動鼠標或強制退出進程。進度打印每 100 格打印一次進度方便觀察整體狀態避免腳本“卡死”后還以為在正常運行。3.6 斷點續繪與日志保存V1.2 一個比較實用的更新就是斷點續繪。因為在長時間繪制過程中可能出現游戲彈窗、網絡波動、電腦休眠等意外情況如果每畫一格都報錯退出整個流程就中斷了。引入斷點續繪后只需要從上次未完成的位置繼續跑就可以了。斷點信息保存到logs/progress.jsonimport json import os LOG_DIR logs LOG_FILE os.path.join(LOG_DIR, progress.json) def save_progress(row, col): data {row: row, col: col} os.makedirs(LOG_DIR, exist_okTrue) with open(LOG_FILE, w, encodingutf-8) as f: json.dump(data, f, ensure_asciiFalse, indent2) def load_progress(): if not os.path.exists(LOG_FILE): return None with open(LOG_FILE, r, encodingutf-8) as f: return json.load(f)在execute_draw中如果檢測到progress.json存在就會從start_row progress[row] 1開始繼續。這里有一點需要特別注意因為蛇形路徑是每行換向的如果從某一行中間開始必須保留該行當前的行號和列號否則換向會錯亂。上面代碼簡化了這個邏輯只實現了“從整行開始”的版本如果想精確到某一列需要在generate_snake_path中增加起始列參數。4. 完整實戰流程下面把上面的模塊串聯起來寫一個完整的實戰流程。假設我們要繪制一張 32×32 的像素畫。4.1 第一步準備輸入圖片先把目標圖片放到images/input.png。如果沒有合適的圖片可以用下面的代碼生成一張簡單的測試圖方便驗證流程from PIL import Image import numpy as np # 創建一張 64x64 的彩色漸變圖作為測試輸入 w, h 64, 64 arr np.zeros((h, w, 3), dtypenp.uint8) for y in range(h): for x in range(w): arr[y, x] [x * 4 % 256, y * 4 % 256, 128] Image.fromarray(arr).save(images/input.png) print(測試圖片已生成images/input.png)這張圖包含豐富的色彩漸變在顏色匹配階段能比較明顯地看出量化效果。4.2 第二步讀取配置配置文件統一放在config.json內容包括畫板尺寸、色板、延時參數等{ grid_width: 32, grid_height: 32, delay_click_color: 0.3, delay_click_grid: 0.15, delay_between_pixels: 0.2, palette: [ [255, 255, 255], [0, 0, 0], [255, 0, 0], [0, 255, 0], [0, 0, 255], [255, 255, 0], [255, 0, 255], [0, 255, 255], [128, 128, 128], [255, 128, 0], [128, 0, 255], [0, 128, 128], [128, 128, 0], [128, 0, 0], [0, 128, 0], [0, 0, 128] ] }4.3 第三步主入口腳本main.py負責整個流程編排import json import os import time from PIL import Image from color_quantize import quantize_image from path_planner import generate_snake_path from executor import execute_draw, grid_to_screen, calc_grid_parameters def load_config(pathconfig.json): with open(path, r, encodingutf-8) as f: return json.load(f) def main(): config load_config() grid_w config[grid_width] grid_h config[grid_height] palette [tuple(c) for c in config[palette]] # 1. 讀取圖片并縮放 print(讀取圖片并縮放...) img Image.open(images/input.png) img img.resize((grid_w, grid_h), Image.LANCZOS) # 2. 顏色量化 print(顏色量化中...) idx_matrix, preview_img quantize_image(img, palette) preview_img.save(output/preview.png) print(預覽圖已保存到 output/preview.png請確認顏色效果。) input(按回車鍵繼續...) # 3. 坐標校準 print(開始坐標校準...) tl None br None print(請將鼠標移動到畫板左上角5 秒后獲取坐標...) time.sleep(5) tl __import__(pyautogui).position() print(請將鼠標移動到畫板右下角5 秒后獲取坐標...) time.sleep(5) br __import__(pyautogui).position() grid_params calc_grid_parameters(tl, br, grid_w, grid_h) # 4. 色板按鈕坐標映射 # 這里需要手動輸入每個顏色在游戲色板中的屏幕坐標 # 為了簡化這里用一個示例字典實際使用時請通過校準獲取 palette_buttons { 0: (100, 500), # 白色 1: (130, 500), # 黑色 # 后續顏色坐標按實際位置補充 } # 5. 執行繪制 print(開始自動繪制...) execute_draw(idx_matrix, grid_params, palette_buttons, delay_colorconfig[delay_click_color], delay_gridconfig[delay_click_grid], delay_pixelconfig[delay_between_pixels]) if __name__ __main__: main()4.4 第四步色板按鈕校準上文主腳本中palette_buttons是一個示例字典實際使用時每個顏色索引必須對應游戲內色板按鈕的屏幕坐標。這一步是整個項目中“工程量”最大的部分因為不同電腦分辨率不同、游戲窗口位置不同、畫板尺寸不同顏色按鈕的位置都會變化。推薦做法是增加一個“色板校準模式”啟動腳本后程序遍歷每個顏色索引提示用戶將鼠標移動到對應顏色按鈕上回車確認記錄坐標。這樣第一次配置后后續同一分辨率下就可以復用不需要每次都校準。示例代碼如下import pyautogui def calibrate_palette_buttons(palette_size): 手動校準每個色板按鈕在屏幕中的坐標。 buttons {} print(f開始校準 {palette_size} 個色板按鈕...) for i in range(palette_size): input(f請將鼠標移動到顏色索引 {i} 的按鈕位置然后按回車...) x, y pyautogui.position() buttons[i] (x, y) print(f顏色索引 {i} - ({x}, {y})) return buttons4.5 第五步運行與驗證運行完整流程python main.py預期過程程序讀取圖片并生成預覽圖打印“預覽圖已保存到 output/preview.png”等待用戶按回車進入坐標校準按提示移動鼠標到畫板左上角、右下角執行繪制終端每 100 格輸出一次進度繪制完成游戲畫板中顯示最終像素畫。在正式全屏執行之前建議先做一個“模擬測試”把execute_draw中的pyautogui.click替換成print輸出當前目標和坐標確認路徑和坐標沒有明顯錯誤后再真正操作。def dry_run(idx_matrix, grid_params): grid_h, grid_w idx_matrix.shape path generate_snake_path(grid_w, grid_h) for row, col in path: color_idx int(idx_matrix[row][col]) x, y grid_to_screen(row, col, grid_params) print(f({row}, {col}) - 顏色 {color_idx} - 屏幕 ({x}, {y}))這個 dry-run 模式調試坐標非常有用。5. 常見問題與排查思路5.1 畫出來的顏色和原圖差別很大現象整張圖顏色灰蒙蒙的或者某個顏色大面積偏移。原因色板沒有整理準確部分真實色板顏色沒填進PALETTE圖片本身顏色空間偏色比如源圖是廣色域而游戲色板范圍更小色板按鈕坐標校準錯誤導致實際點擊了另一個顏色。排查方法先查看output/preview.png如果預覽圖效果很好說明顏色匹配邏輯沒問題問題出在自動執行階段檢查palette_buttons坐標是否正確可以在腳本中增加“點擊后讀取屏幕像素顏色”的功能驗證點擊是否選中了目標顏色將源圖先用圖像處理軟件做一次“色板轉換”把顏色范圍壓縮到游戲色板近似區間再做量化效果會更好。5.2 鼠標點擊位置整體偏移現象所有格子都畫偏了比如整體向右上方偏移了半格。原因校準畫板左上角時鼠標沒有真正點到畫板邊緣Windows 高 DPI 縮放下pyautogui獲取的坐標和實際顯示比例不一致。排查方法重新執行校準確保左上角和右下角兩個點盡量準確如果是高 DPI 屏幕在 Python 腳本最開頭加上ctypes.windll.shcore.SetProcessDpiAwareness(1)讓程序感知真實像素坐標。import ctypes try: ctypes.windll.shcore.SetProcessDpiAwareness(1) except Exception: pass檢查cell_width和cell_height是否合理如果明顯偏大或偏小說明校準點有問題重新校準。5.3 繪制過程中鼠標亂跳現象腳本運行到一半鼠標突然跳到屏幕其他位置開始亂點。原因輸入法狀態切換導致快捷鍵沖突腳本運行時不小心碰到了鼠標或鍵盤某些系統通知彈出搶占了焦點。排查方法繪制過程中盡量不要動鼠標和鍵盤把緊急停止熱鍵設置到最順手的位置關閉系統中可能彈窗的軟件比如聊天軟件、系統更新提示在execute_draw中增加焦點檢查每次點擊前先確認游戲窗口是否處于前臺。如果不是則延時等待或強制激活窗口。import pygetwindow as gw def ensure_window_active(window_title): windows gw.getWindowsWithTitle(window_title) if windows: win windows[0] if not win.isActive: win.activate() time.sleep(1)5.4 腳本執行到一半就卡住現象終端不再輸出進度鼠標也沒有反應。原因游戲內彈出了對話框擋住了繪制區域網絡波動導致游戲重連鼠標點擊被系統安全軟件攔截。排查方法保存斷點后手動恢復先退出腳本處理彈窗后再繼續檢查系統安全軟件日志看是否攔截了模擬點擊將延時適當調大給游戲更多響應時間。5.5 斷點續繪時路徑錯亂現象從斷點恢復繪制后繪制方向出現混亂部分格子被重復填充。原因斷點只保存了行號或列號但蛇形路徑的換向規則決定了恢復時機必須精確到“該行的起始列”。排查方法在save_progress中同時保存行號和列號generate_snake_path增加start_col參數恢復時從指定行列開始生成路徑。def generate_snake_path(grid_width, grid_height, start_row0, start_col0): path [] for row in range(start_row, grid_height): if row % 2 0: cols range(grid_width) else: cols range(grid_width - 1, -1, -1) for col in cols: if row start_row and col start_col: continue path.append((row, col)) return path6. 最佳實踐與工程建議6.1 顏色匹配前先做降噪和銳化原始圖片如果來自網絡截圖往往帶有壓縮噪聲直接縮放量化后會出現很多“噪點色塊”即單個孤立格子顏色和周圍差異很大。建議在縮放前用 OpenCV 做一次高斯模糊讓顏色過渡更平滑再使用銳化核增強邊緣輪廓。import cv2 import numpy as np def preprocess_image(image_path): img cv2.imread(image_path) img cv2.cvtColor(img, cv2.COLOR_BGR2RGB) img cv2.GaussianBlur(img, (3, 3), 0) sharp_kernel np.array([[0, -1, 0], [-1, 5, -1], [0, -1, 0]]) img cv2.filter2D(img, -1, sharp_kernel) return Image.fromarray(img)6.2 色板坐標單獨保存避免每次重新校準顏色按鈕位置在同一個分辨率和窗口尺寸下是固定的建議第一次校準后保存到config.json中后續直接加載。{ palette_buttons: { 0: [100, 500], 1: [130, 500] } }這樣腳本啟動時如果檢測到已有配置可以直接跳過色板校準。6.3 繪制前必須做 dry-run 模擬把execute_draw里真正點擊的部分用日志替代先跑一遍完整流程確認坐標、路徑、顏色選擇都沒有問題再加注執行。這個習慣能避免大量低級事故。6.4 啟用日志記錄在生產環境中所有關鍵步驟都要輸出日志并且日志要包含時間戳和狀態信息。這樣如果腳本執行失敗可以快速定位問題發生在哪個階段。import logging logging.basicConfig( levellogging.INFO, format%(asctime)s [%(levelname)s] %(message)s, handlers[ logging.FileHandler(logs/draw.log, encodingutf-8), logging.StreamHandler() ] )6.5 遵守游戲規則避免對正常玩家造成影響自動化腳本在游戲中使用時需要注意建議只用于學習編程和維護自己賬號的娛樂內容不要影響他人控制繪制時長和頻率避免長時間高頻率操作導致賬號異常如果游戲明確禁止腳本操作應先了解規則自行評估風險不要對規則置之不理。6.6 權限與安全邊界腳本只應在自己本機、自己賬號、可控制的范圍內使用。不要將自動化能力擴展到攻擊類、刷量類、破壞類場景中。涉及賬號、密碼、Token 等敏感信息時一律不要在腳本中硬編碼應該通過環境變量或獨立的配置文件管理并且配置文件不要提交到公開倉庫中。7. 總結與學習路線到這里一套完整的《明日方舟》像素畫自動繪制腳本就完成了。從整體流程來看核心環節包括圖片縮放、顏色量化、坐標校準、路徑規劃和鼠標自動執行。V1.2 版本重點優化了顏色匹配精度、蛇形繪制路徑和斷點續繪機制讓整個繪制過程的穩定性和效率都得到明顯提升。如果你是從零開始接觸這個項目建議先按順序掌握這幾個知識點圖像基礎RGB 顏色空間、Pillow 的基本操作、圖片縮放算法NumPy 批量計算怎么用矩陣運算替代逐像素 for 循環理解顏色量化為什么用向量化計算pyautogui 坐標體系屏幕坐標系、窗口坐標系、元素定位的關系自動化測試思想dry-run 模式、斷點續繪、日志追蹤這些在真正的自動化測試項目里同樣適用。下一步你可以嘗試以下擴展方向加入“按區域批量繪制”把畫板分成多個區塊逐區域繪制減少大范圍移動加入 OCR 識別自動檢測當前游戲窗口位置和畫板邊界省去手動校準把腳本封裝成帶 GUI 的桌面應用支持拖拽圖片、實時預覽、一鍵啟動把顏色量化改成流行的K-Means聚類算法讓腳本自動從原圖中提取最優色板而不是只用固定顏色。做這類工具最有意思的地方不只是最后畫出了好看的像素畫而是整個過程中用到的代碼思路幾乎可以平移到其他 GUI 自動化、圖像識別、批量處理任務中。如果你也想在真實項目中寫出這種“穩定、可追蹤、容易恢復”的自動化程序這個項目是一個非常好的練手機會。如果這篇文章對你有幫助建議先收藏后續可以直接對照著把環境搭起來。所有代碼模塊都拆分清楚了從color_quantize.py到execute_draw每一步都可以獨立測試排錯難度也大大降低。遇到問題歡迎在評論區一起交流。