海图识别
本文的视频版，方便理解：
海图识别 是一个碧蓝航线脚本的核心。如果只是单纯地使用 模板匹配 (Template matching) 来进行索敌，就不可避免地会出现 BOSS 被小怪堵住 的情况。AzurLaneAutoScript 提供了一个更好的海图识别方法，在 module.map 中，你将可以得到完整的海域信息，比如：
2020-03-10 22:09:03.830 | INFO | A B C D E F G H
2020-03-10 22:09:03.830 | INFO | 1 -- ++ 2E -- -- -- -- --
2020-03-10 22:09:03.830 | INFO | 2 -- ++ ++ MY -- -- 2E --
2020-03-10 22:09:03.830 | INFO | 3 == -- FL -- -- -- 2E MY
2020-03-10 22:09:03.830 | INFO | 4 -- == -- -- -- -- ++ ++
2020-03-10 22:09:03.830 | INFO | 5 -- -- -- 2E -- 2E ++ ++module.map 主要由以下文件构成：
- perspective.py：透视解析
- grids.py：海域信息解析
- camera.py：镜头移动
- fleet.py：舰队移动
- map.py：索敌逻辑
一点透视
在理解 AzurLaneAutoScript 是如何进行海图识别之前，需要快速了解一下 一点透视 的基本原理。碧蓝航线的海图是一个一点透视的网格，解析海图的透视，需要计算出灭点和距点。
在一点透视中：
- 所有的水平线的透视仍为水平线。
- 所有的垂直线相交于一点，称为
灭点。灭点距离网格越远，垂直线的透视越接近垂直。
- 所有的对角线相交于一点，称为
距点。距点离灭点越远，网格越扁长。距点和灭点在同一水平线上。距点其实有两个，它们关于灭点对称，图中画出的是位于灭点左边的距点。
截图预处理
拿到一张截图之后，load_image 函数会进行以下处理：
- 裁切出用于可以用于识别的区域。
- 去色，这里使用了 Photoshop 里的去色算法，
(MAX(R，G，B) + MIN(R，G，B)) // 2。 - 去 UI，这里使用
overlay.png。 - 反相。
(上面的图是反相前的结果，反相后的图过于恐怖，就不放了)
网格识别
网格线识别
网格线，是一条 20% 透明度的黑色线，在 720p 下，有 3 至 4 像素粗。在旧 UI 时，只需要把图像上下左右移动一个像素，再除以原图像，便可以得到网格线。新 UI 的海图格子增加了白色框，白色框有透明度渐变，增加了识别难度。
find_peaks 函数使用了 scipy.signal.find_peaks 来寻找网格线。scipy.signal.find_peaks 可以寻找数据中的峰值点，参考文档。
截取 height == 370 处图像，使用以下参数：
FIND_PEAKS_PARAMETERS = {
'height': (150, 255 - 40),
'width': 2,
'prominence': 10,
'distance': 35,
}
可以看出，有一些被遮挡的没有识别出来，还有很多识别错误，不过问题不大。
然后扫描每一行，绘制出图像。(出于性能优化，实际中会把图像展平至一维再识别，这将缩短时间消耗至约 1/4)
至此，我们得到了四幅图像，分别对应 垂直的网格内线 水平的网格内线 垂直的网格边线 水平的网格边线。这一过程在 I7-8700k 上需要花费约 0.13 s，整个海图识别流程将花费约 0.15 s。
注意，识别内线和边线所使用的参数是不一样的。不同的地图，应该使用对应的参数，如果偷懒的话，也可以使用默认参数，默认参数是针对 7-2 的，可以在第七章中使用，甚至可以用到 北境序曲 D3。
网格线拟合
hough_lines 函数使用了 cv2.HoughLines 来识别直线，可以得到四组直线。
以 垂直的网格内线 为例，可以看到，识别结果有一些歪的线。
我们在图片中间拉一条水平线，称为 MID_Y (如果要修正水平线，就拉垂直线)，交于垂直线，交点称为 mid，如果 mid 之间的距离小于 3，就认为这些线是相近线，并用他们的平均值代表他们。这样就修正了结果。
灭点拟合
我们知道，在一点透视中所有垂直线相交于灭点，但是网格识别的结果是有误差的，不能直接求直线的交点。
_vanish_point_value 函数用于计算，某一点到所有垂直线的距离，并用 scipy.optimize.brute 暴力解出离直线组最近的点，它就是 灭点 。这个曲面描绘了点到垂直线的距离和。为了在求解是能大胆抛弃距离较远的线，在求距离是加了 log 函数。
得到灭点后，还记得之前的 mid 吗，将它们连接至灭点，作为垂直线。这是对结果的第二次修正。
距点拟合
将最初得到的垂直线和水平线相交，得到交点。我们知道距点和灭点在同一水平线上，在这条水平线上取点，将所有交点连接至这点，得到斜线，_distant_point_value 函数将计算斜线的 mid 之间的距离，同样使用 scipy.optimize.brute 暴力解出距离最小的点，它就是 距点。
如果将斜线绘制出来，会有这样的图像，虽然有很多错误的斜线，但确实求出了正确的距点。
网格线清洗
经过以上步骤，我们得到了以下网格线，大体正确，但是有错误。
取垂直线的 mid：
[ 185.63733413 315.65944444 441.62998244 446.89313842 573.6301653
686.40881027 701.20376316 830.27394123 959.00511191 1087.91874026
1220.58809477]因为每个格子都是等宽的，所以 mid 理论上是一个等差数列，但实际识别结果可能有错误的项，也可能有缺失的项。我们用一次函数表达这个关系 y = a * x + b。由于错误和缺失，这里的 x 不一定是项数 n，但只要没有 10 个以上的错误或者缺失，就会有 x ∈ [n - 10，n + 10]。
接下来，把表达式改写为 b = -x * a + y，其中 x ∈ [n - 10，n + 10] 。如果把a当作自变量，把b当作因变量，那么这是一组直线，它有 11 * 21 条。把它们描绘出来：
可以发现，用橙色圈起来的地方有多条直线重合，我们称为 重合点 (coincident_point)。那些错误的 mid 产生的直线无法与其他直线交于重合点，自然被剔除。
使用 scipy.optimize.brute 暴力求解所有直线的最近点，得到重合点 的坐标：
[-201.33197146 129.0958336]因此一次函数就是 y = 129.0958336 * x - 201.33197146。
在计算点到直线的距离时，使用了以下函数:
pythondistance = 1 / (1 + np.exp(9 / distance) / distance)这个函数将削弱距离较远的直线的影响，鼓励优化器选择局部最优解。
如何处理水平线？
过
距点作任意一条直线，与水平线相交。将得到的交点与灭点连接，就完成了水平线到垂直线的映射。处理完再映射回水平线即可。
最后，以海图或者屏幕为边界生成 mid，此时缺失的 mid 也得到了填充。重新连接至灭点，完成了垂直线的清洗。
绘制出网格识别的结果：
网格裁切
事实上，海域中的舰娘，敌人，问号等，都是固定在网格中心的图片，只不过这些图片会因为透视产生缩放而已。注意，仅仅是缩放，图片不会因为透视产生变形，产生变形的只有地面的红框和黄框。
grid_predictor.py 中提供了 get_relative_image 函数，它可以根据透视，裁切出关于网格中心相对位置的图片，统一缩放到特定大小，这样就可以愉快地使用模板匹配了。
from PIL import Image
from module.config.config import cfg
i = Image.open(file)
grids = Grids(i，cfg)
out = Image.new('RGB'，tuple((grids.shape + 1) * 105 - 5))
for loca，grid in grids.grids.items():
image = grid.get_relative_image(
(-0.415 - 0.7，-0.62 - 0.7，-0.415，-0.62)，output_shape=(100，100))
out.paste(image，tuple(np.array(loca) * 105))
out
海域信息解析
未完待续