基于PyScreeze实现截屏和定位功能
PyScreeze 是一个简单的跨平台截图模块,支持 Python3。
安装PyScreeze
pip install PyScreeze
截取全屏
import pyscreeze
# 截取全屏
im2 = pyscreeze.screenshot()
# 将截图转换为灰度图
gray_im2 = im2.convert('L')
# 保存灰度图
gray_im2.save('screenshot2.png')
截取指定位置
import pyscreeze
# 截图并保存为PNG文件
im1 = pyscreeze.screenshot('screenshot1.png', region=(10, 10, 100, 100))
屏幕图片定位
import pyscreeze, pyautogui
# 获取图片位置信息(左上角和宽高)
button7location = pyscreeze.locateOnScreen('calc7key.png')
print(button7location)
# 获取图片中心点坐标
button7x, button7y = pyscreeze.center(button7location)
print(button7x, button7y)
# 点击鼠标到图片中心点
pyautogui.click(button7x, button7y)
返回(左、上、宽、高)坐标,表示屏幕上找到的第一个图像实例。如果在屏幕上找不到,则返回None。

屏幕图片居中定位
import pyscreeze, pyautogui
x, y = pyscreeze.locateCenterOnScreen('calc7key.png')
pyautogui.click(x, y)
返回 (x, y)坐标,表示屏幕上第一个找到的图像实例的中心。如果在屏幕上找不到,则返回None。
多个屏幕图片定位
import pyscreeze
for pos in pyscreeze.locateAllOnScreen('calc7key.png', grayscale=False, confidence=0.8):
print(pos)
locateAll 会使用cv2,定位更快速。
这里用到了灰度匹配和匹配的置信。
匹配的置信度,取值范围是 0 到 1。 0.8 表示匹配度达到 80% 及以上就认为找到了匹配项。
图片模板匹配
import pyscreeze
local = pyscreeze.locate("calc7key.png", "screenshot.png", grayscale=False)
print(local)
在screenshot.png找calc7key.png。
多个图片模板匹配
import pyscreeze
for pos in pyscreeze.locateAll("calc7key.png", "screenshot.png", grayscale=False):
print(pos)
获取像素值
import pyscreeze rgb = pyscreeze.pixel(100, 200) print(rgb)
像素匹配
import pyscreeze isMatch = pyscreeze.pixelMatchesColor(100, 200, (140, 125, 134), tolerance=10) print(isMatch) # True or False
到此这篇关于基于PyScreeze实现截屏和定位功能的文章就介绍到这了,更多相关PyScreeze截屏和定位内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家!
相关文章
如何解决Python中ModuleNotFoundError错误
使用模块时,了解它们的工作方式以及如何将它们导入我们的代码非常重要, 如果没有这种理解或错误,我们可能会遇到不同的错误,本文我们就来讨论一下在Python中解决 ModuleNotFoundError 的方法,希望对大家有所帮助2023-12-12
python numpy.power()数组元素求n次方案例
这篇文章主要介绍了python numpy.power()数组元素求n次方案例,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧2021-03-03
Django-celery-beat动态添加周期性任务实现过程解析
这篇文章主要介绍了Django-celery-beat动态添加周期性任务实现过程解析,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下2020-11-11
使用PyTorch/TensorFlow搭建简单全连接神经网络
在本篇博客中,我们将介绍如何使用两大深度学习框架——PyTorch 和 TensorFlow,构建一个简单的全连接神经网络,该网络包含输入层、一个隐藏层和输出层,适合初学者理解神经网络的基本构建模块及训练流程,需要的朋友可以参考下2025-02-02


最新评论