图色脚本的灵魂不是算法，是那点不肯将就的调参耐心

刚玩图色脚本那阵子，我以为难点在「找图算法多牛」。后来写了几十个脚本才醒悟：算法就那几样，真正拉开差距的，是你愿不愿意为一个阈值、一张模板较真。图色脚本干的核心活就两件——找色（在屏幕某区域定位一个颜色）和找图（定位一张小图出现在哪）。今天只聊找图，因为它最容易出问题，也最能见功力。

模板匹配到底在算什么

最稳的办法是 OpenCV 的 matchTemplate。它拿你给的小图（模板），在大图（截图）上滑窗比对，每个位置算一个相似度，最后你取相似度最高的点当匹配位置。代码其实很短：

import cv2
res = cv2.matchTemplate(screen, templ, cv2.TM_CCOEFF_NORMED)
minv, maxv, minl, maxl = cv2.minMaxLoc(res)
if maxv >= 0.85:                 # 阈值，关键
    x, y = maxl

这里 TM_CCOEFF_NORMED 返回 -1 到 1，越接近 1 越像。但新手最常栽的就是那个 0.85 阈值：设太高，模板稍微被抗锯齿糊一点就匹配不到；设太低，满屏都是「匹配成功」。我的习惯是从 0.8 起，对着目标真实截图反复试，找到「刚好能稳定命中、又不误报」的临界值，而不是拍脑袋。

分辨率一变就翻车

模板匹配是逐像素比对，所以模板必须和截图同分辨率。你拿 1080p 截的按钮图，去 2K 屏上找，十有八九扑空。解决办法是多尺度：把截图按比例缩放成几档，分别和模板比，取最好的。

best = None
for scale in [0.8, 0.9, 1.0, 1.1, 1.25]:
    w = int(screen.shape[1] * scale)
    small = cv2.resize(screen, (w, int(screen.shape[0]*scale)))
    r = cv2.matchTemplate(small, templ, cv2.TM_CCOEFF_NORMED)
    _, mv, _, ml = cv2.minMaxLoc(r)
    if best is None or mv > best[0]:
        best = (mv, ml, scale)

另外，模板里千万别带半透明阴影或会动的背景。我早年贪方便，直接截了带渐变背景的按钮，结果换个壁纸匹配的置信度直接掉到 0.6。后来学乖了：模板只截目标本身，背景纯色，必要时用 mask 参数把无关区域遮掉。

颜色容差那点事

找色（单点/区域取色）比找图更轻量，但也更娇气。屏幕一点亮度变化，同一个按钮的「红」可能从 (220,40,40) 变成 (215,38,42)。所以找色几乎都要配容差：不是比「完全相等」，而是比「每个通道差的绝对值都在容差内」。容差设 10 还是 30，全看目标颜色和周围环境的对比——对比越强，容差可以越小，越不容易误判到旁边相似色块。

一个常被忽略的细节：截图格式和模板格式要一致（都是 BGR 或都转成灰度）。OpenCV 读图默认 BGR，如果你某处用 PIL 读成 RGB 又没转换，颜色比对会整体偏掉，debug 半天才发现是通道顺序。

图色这东西，说穿了没什么高深理论，但它极其考验你对「环境会变」这件事的敬畏。算法给你一个相似度数字，剩下怎么解读、怎么兜底、怎么在目标稍微模糊时还能认出来，全靠你调参时那点不肯将就的耐心。调好了，脚本稳得像长在屏幕上；调不好，就是三天一小崩、五天一大崩。