用Python实现全自动拼豆：图像像素化与自动放置实战

开场

之前我在折腾拼豆图纸的时候，最头疼的一步不是拼豆子，而是“看图”。一张普通的照片，人和背景混在一起，明暗过渡又多，到手里根本分不清哪个格子该放哪种颜色。对着原图瞪半天，眼睛看花了，图纸还没整理出来。后来在“奇像巡展”这种画像玩法里，要求把一张图片变成像素风拼豆作品，工作量直接翻倍。

这篇文章就围绕“全自动拼豆脚本”展开，重点聊两个能力：一是把任意图片自动像素化，生成可以照着拼的彩色图纸；二是用脚本自动完成重复的放置操作，把手动流程尽量串成一条自动化链路。适合三类读者：拼豆手工爱好者，想解放眼睛和手指的；Python 脚本初学者，想学习图像处理和自动化操作的；以及想把“图片 → 像素图 → 坐标序列 → 自动执行”这套流程落地到其他游戏或工具中的开发者。

学完之后，你能掌握图片像素化处理的核心思路，理解什么是取色聚类，也能自己写脚本把一张图转成拼豆图，并且了解自动化执行时的基本套路和容易踩的坑。案例围绕“奇像巡展”画像玩法展开，但整体思路不局限于某一个平台。下面我们从最基础的原理讲起。

1. 背景与核心概念

1.1 拼豆玩法为什么会用到“像素化”

拼豆本身不复杂。它由一块带固定凸点的模板和一堆彩色豆子组成，每个凸点对应一个格子，豆子插上去之后，最终形成一幅由彩色点阵构成的图案。你会发现，拼豆的天然数据结构就是“二维数组”，每个元素只有两个属性：位置和颜色。

问题在于，手工处理照片时，我们所见的图片是“连续色调”的。一张照片可能有几十万种颜色，而拼豆的色板通常只有几十种，甚至十几种。要把一张写实风格的照片变成可执行的拼豆图纸，本质上是一个离散化的问题：像素格缩小到模板单元大小，颜色数量映射到色板范围。

过去很多人是手动查色号、手动数格子，效率低还容易出错。全自动拼豆脚本的核心价值，就是把这套“观察判断决策”的逻辑交给程序执行：输入一张图，输出一份行列清晰、颜色有界的图纸，必要的时候再把图纸转化为坐标信息。

1.2 脚本能做什么

“奇像巡展”画像玩法的场景里，整个流程可以拆成四步：

1. 用户上传一张图片。
2. 系统把图片转换为像素风模板。
3. 用户拿到模板后，在拼豆模板上一个格子一个格子地放置颜色对应的豆子。
4. 最终完成整幅画像。

全自动拼豆脚本瞄准的是第二步和第三步的自动化。第二步对应图片像素化功能，第三步对应自动放置行动。

用技术语言描述：

• 像素化 = 图像缩放 + 颜色量化。
• 自动放置 = 根据图纸坐标，模拟键盘鼠标操作在客户端中执行点击。

1.3 为什么自己动手写一个

市面上有一些现成的像素画生成器，也可以把图片直接拖进去转成带色号的图纸。但如果目标是“全自动”——生成图纸之后还能自动执行——那就需要脚本把两套逻辑串起来。更关键的是，理解图像离散化的原理之后，你可以自由调整色板、拼豆规格、颜色优先级，做出适合自己的工具。

所以本文不只是给一个“能用”的脚本，而是把原理拆开讲清楚，让最终产出物具备可扩展性。这也是它能作为一篇教程存在的意义。

2. 环境准备与版本说明

2.1 运行环境

本文示例使用 Python 编写脚本。Python 的优势很明显：图像处理库丰富、代码表达力强、写自动化脚本很方便。

• 操作系统：Windows 10 / Windows 11，macOS 和 Linux 也可以运行，但桌面自动化的部分需要按平台调整。
• Python 版本：建议 3.9 到 3.11。不要使用太旧的 Python 2.x，以及过于早期或过于激进的新版本，部分第三方库对 Python 3.12+ 的适配可能滞后。
• 开发工具：VS Code 或 PyCharm 都可以，本文不做特殊要求。

2.2 第三方库清单

脚本会用到以下 Python 库，功能说明如下：

库名	用途
Pillow	图像读取、缩放、像素遍历
numpy	颜色数据数组化处理，提升计算效率
scikit-learn	提供 K-Means 聚类算法用于颜色量化
pyautogui	模拟鼠标移动、点击、键盘输入

安装命令：

pip install pillow numpy scikit-learn pyautogui

如果你的网络环境安装速度较慢，可以改用国内镜像源：

pip install pillow numpy scikit-learn pyautogui -i https://pypi.tuna.tsinghua.edu.cn/simple

2.3 版本说明

本文代码在以下环境验证过：

• Python 3.10.9
• Pillow 9.5.0
• numpy 1.24.3
• scikit-learn 1.2.2
• pyautogui 0.9.54

其他版本大概率也能运行，但如果遇到接口变化，请以官方文档为准。例如 Pillow 的Image.resize、Image.save接口非常稳定，而 scikit-learn 的KMeans参数在不同版本中变动较少，按本文写法即可。

需要提醒的是：pyautogui 在 macOS 上需要辅助功能权限，在 Linux 上需要图形桌面环境。Windows 下一般不需要额外授权。

2.4 项目结构

为了方便管理，建议按下面的结构组织代码：

pixel-bean/ ├── main.py # 主入口，串联像素化和自动执行 ├── pixelizer.py # 图片像素化模块 ├── auto_player.py # 自动化操作模块 ├── config.py # 全局配置（色板、坐标、延时参数） ├── images/ │ └── test.jpg # 测试图片 └── output/ └── pattern.png # 输出的像素化图纸

3. 核心原理拆解

3.1 图片像素化：从连续到离散

假设输入一张 800×800 的图片，拼豆模板是 60×60 的格子。直接放上去不现实，因为 80 万像素点和 3600 个格子根本对不上。

第一步是按目标尺寸缩小图片。比如模板是 60×60，就把图片等比缩放到 60×60 像素。这一步会丢失大量细节，但正是这种“丢失”让图片具备像素风质感。

第二步是颜色量化。60×60 的图片仍然可能有几千种颜色，但拼豆色板只有 24 色或 36 色。我们要把每个像素点的颜色归类到最接近的一种豆子颜色上。

颜色量化的朴素方案是“最近邻匹配”：遍历每个像素点，计算它和色板中所有颜色的欧氏距离，选距离最小的作为最终颜色。公式如下：

distance = sqrt((r1 - r2) ** 2 + (g1 - g2) ** 2 + (b1 - b2) ** 2)

这个方案简单、直观，适合色板数量少的情况。但有一个问题：如果原图色彩范围很广，最近邻匹配会丢失层次感，因为色板可能没有覆盖原图的主要颜色区域。

更好的方案是用 K-Means 聚类。

3.2 K-Means 聚类为什么更适合拼豆取色

K-Means 聚类的思想是：把图片中的所有颜色点分成 K 个簇，每个簇的中心就是这个簇的代表色。我们设定 K 等于拼豆色板数量上限，然后用聚类中心去匹配色板中最接近的颜色。

这样做的好处是，它先分析整张图片的颜色分布，再决定哪些颜色需要保留，效果上会比逐点找最近色均匀很多。

流程如下：

1. 将图片像素整理成 (N, 3) 的数组，三列分别是 R、G、B 值。
2. 执行 K-Means，设置n_clusters=色板数量。
3. 拿到每个像素所属的聚类标签。
4. 用聚类中心或匹配色板后的颜色，重建像素图。

当然，K-Means 也不是万能的。当色板数量远小于图片真实颜色数时，聚类中心会偏向面积比例大的色块，导致部分小面积细节被吞掉。所以在实战中，我们通常先做“透明背景处理 + 目标区域裁剪”，再进入颜色量化步骤。

3.3 自动执行的核心逻辑

自动执行部分本质上是一个“坐标映射 + 人工操作模拟”的过程。

我们手里已经有一张像素化之后的图纸。图纸上每个小格子代表模板上的一个单元，单元位置可以直接换算成屏幕坐标：

• 先定位图纸区域在屏幕上的起始坐标。
• 根据图纸的格子尺寸，计算目标格子的中心坐标。
• 控制鼠标移动到该坐标，执行点击。

这里有一个非常重要的原则：自动执行不代表无脑快速点击。游戏中通常有操作频率限制，点击太快可能被判定为异常行为。因此脚本在每步之间需要设计随机延时，模拟真人操作节奏。

代码层面可以使用pyautogui.moveTo()和pyautogui.click()完成移动和点击。

3.4 方案对比

取色方式	实现难度	效果	适用场景
最近邻颜色匹配	低	偏色明显，小色板效果一般	色板简单、颜色数量少的图案
K-Means 聚类	中	颜色过渡自然，层次感更好	照片类、渐变类图片
人工手动选色	高	最准确，但效率极低	复杂的限量作品

在“奇像巡展”画像玩法中，推荐使用 K-Means 聚类方案，因为画像以人像照片为主，渐变和肤色变化多，最近邻匹配很容易出现脸部色块断裂。

4. 完整实战案例

4.1 创建项目结构

在本地新建一个文件夹，例如pixel-bean，然后在文件夹内创建以下文件：

pixel-bean/ ├── main.py ├── pixelizer.py ├── auto_player.py ├── config.py └── images/

4.2 编写配置模块 config.py

配置模块存放色板、模板尺寸、延时范围等参数。这样主逻辑和参数分离，后续调整时不需要改代码。

# 文件路径：config.py # 全局配置信息 # 拼豆模板尺寸：行数 x 列数 BOARD_ROWS = 30 BOARD_COLS = 30 # 拼豆色板：这里以 24 色为例 # 实际请根据你手头豆子的色号补充完整 BEAN_COLORS = [ (255, 255, 255), # 白色 (0, 0, 0), # 黑色 (255, 0, 0), # 大红 (255, 192, 203), # 粉色 (255, 165, 0), # 橙色 (255, 255, 0), # 黄色 (0, 128, 0), # 绿色 (0, 255, 255), # 青色 (0, 0, 255), # 蓝色 (128, 0, 128), # 紫色 (165, 42, 42), # 棕色 (128, 128, 128), # 灰色 # ... 继续补充你手头拥有的颜色 ] # 自动操作相关配置 # 起始坐标：图纸左上角在屏幕上的位置 START_X = 500 START_Y = 300 # 格子边长（像素） CELL_SIZE = 20 # 操作间隔：最小值和最大值（秒） CLICK_INTERVAL_MIN = 0.05 CLICK_INTERVAL_MAX = 0.15 # 色板是否只打印，不自动点选 AUTO_MODE = True

这里面BEAN_COLORS非常关键，它直接决定像素化之后的偏色程度。你需要根据手头实际的豆子色号来配置，而不是直接使用我给的示例值。

4.3 编写图片像素化模块 pixelizer.py

这个模块负责完成图片到像素图的转换。

# 文件路径：pixelizer.py from PIL import Image import numpy as np from sklearn.cluster import KMeans import config def load_image(image_path): """加载图片并转换为 RGB 模式""" img = Image.open(image_path) if img.mode != 'RGB': img = img.convert('RGB') return img def resize_to_board(img, rows=config.BOARD_ROWS, cols=config.BOARD_COLS): """ 将图片等比缩放到模板大小。 这里不直接强制拉伸，而是先计算缩放比例，再做居中裁剪。 """ target_w = cols target_h = rows img_w, img_h = img.size scale = min(target_w / img_w, target_h / img_h) new_w = max(1, int(img_w * scale)) new_h = max(1, int(img_h * scale)) img = img.resize((new_w, new_h), Image.LANCZOS) # 居中粘贴到目标尺寸画布 canvas = Image.new('RGB', (target_w, target_h), (255, 255, 255)) offset_x = (target_w - new_w) // 2 offset_y = (target_h - new_h) // 2 canvas.paste(img, (offset_x, offset_y)) return canvas def color_quantize(img, colors=config.BEAN_COLORS): """ 使用 K-Means 聚类颜色量化： 先聚类生成代表色，再把每个像素映射到色板最近的颜色。 """ # 转为 numpy 数组 arr = np.array(img).reshape(-1, 3).astype(np.float32) # 聚类数量不能超过色板数量 n_clusters = min(len(colors), 16) # 执行 K-Means 聚类 kmeans = KMeans(n_clusters=n_clusters, random_state=0, n_init=10) labels = kmeans.fit_predict(arr) cluster_centers = kmeans.cluster_centers_.astype(int) # 将每个聚类中心匹配到色板最近的颜色 colors_arr = np.array(colors, dtype=np.float32) center_to_bean = [] for center in cluster_centers: dists = np.sqrt(((colors_arr - center) ** 2).sum(axis=1)) closest_idx = int(np.argmin(dists)) center_to_bean.append(colors[closest_idx]) # 按标签映射到最终颜色 quantized = np.array([center_to_bean[label] for label in labels], dtype=np.uint8) quantized = quantized.reshape((img.size[1], img.size[0], 3)) return Image.fromarray(quantized) def generate_pattern(image_path, output_path="output/pattern.png"): """完整流程：加载 -> 缩放 -> 量化 -> 保存""" img = load_image(image_path) img_resized = resize_to_board(img) img_pattern = color_quantize(img_resized) import os os.makedirs(os.path.dirname(output_path), exist_ok=True) img_pattern.save(output_path) print(f"像素化图纸已保存到: {output_path}") return img_pattern if __name__ == "__main__": generate_pattern("images/test.jpg")

上述代码中需要注意几个设计点：

• resize_to_board采用“等比缩放 + 居中裁剪”而不是直接拉伸，因为拉伸会让照片中的物体变形。拼豆图纸应该保留物体的比例感，只裁掉边缘超出画布的部分。
• color_quantize先聚类再匹配色板，避免直接逐点匹配造成的大面积偏色。
• n_clusters默认限制为 16，这是因为聚类数量太多时，脚本性能下降明显，且很多聚类中心会非常接近，没有实际价值。你可以根据实际图片复杂度调大，但不宜超过色板数量。

4.4 编写自动操作模块 auto_player.py

这一步是针对“奇像巡展”画像玩法中放置豆子操作的模拟脚本。核心思路已经在 3.3 节讲过：把图纸坐标转成屏幕坐标，然后模拟点击。

# 文件路径：auto_player.py import random import time from PIL import Image import pyautogui import config # 关闭 pyautogui 的安全保护开关，避免鼠标快速移动时被中断 pyautogui.FAILSAFE = True def image_to_color_grid(img): """将像素图转换为二维颜色数组，方便逐格读取""" img_rgb = img.convert('RGB') w, h = img_rgb.size grid = [] for y in range(h): row = [] for x in range(w): r, g, b = img_rgb.getpixel((x, y)) row.append((r, g, b)) grid.append(row) return grid def grid_to_click_task(grid): """ 根据颜色格子数组，生成点击任务列表。 每个任务包含：行、列、颜色值。 """ tasks = [] for row_idx, row in enumerate(grid): for col_idx, color in enumerate(row): tasks.append({ "row": row_idx, "col": col_idx, "color": color }) return tasks def click_bean(task): """根据任务信息，点击对应坐标""" # 计算目标格子的中心坐标 center_x = config.START_X + task["col"] * config.CELL_SIZE + config.CELL_SIZE // 2 center_y = config.START_Y + task["row"] * config.CELL_SIZE + config.CELL_SIZE // 2 # 移动到目标位置 pyautogui.moveTo(center_x, center_y, duration=0.05) # 点击 pyautogui.click() # 随机间隔，模拟人工操作节奏 interval = random.uniform(config.CLICK_INTERVAL_MIN, config.CLICK_INTERVAL_MAX) time.sleep(interval) def run_auto(image_path): """主流程：读取像素图 -> 生成任务 -> 执行点击""" img = Image.open(image_path) grid = image_to_color_grid(img) tasks = grid_to_click_task(grid) print(f"共生成 {len(tasks)} 个放置任务") if not config.AUTO_MODE: print("AUTO_MODE 为 False，仅打印任务不执行点击") for i, task in enumerate(tasks[:10]): print(f"第 {i+1} 个任务: 行 {task['row']}, 列 {task['col']}, 颜色 {task['color']}") return print("5 秒后开始自动执行，请将鼠标移动到目标窗口") time.sleep(5) for i, task in enumerate(tasks): try: click_bean(task) except pyautogui.FailSafeException: print(f"用户手动中断，已停止在第 {i+1} 个任务") break print("自动执行完成")

这里有一个容易被忽略的点：pyautogui.FAILSAFE = True表示启用“防故障保护”——当鼠标被快速甩到屏幕左上角时，脚本会自动中断，防止程序失控后无法停止。实际跑自动化时强烈建议保留这个开关。

另外，click_bean中移动坐标的计算是以START_X、START_Y为图纸左上角起点。实际操作前，需要先标定起点坐标。你可以这样获取：把鼠标移到图纸左上角，运行下面命令获取坐标。

import pyautogui print(pyautogui.position())

记录输出的坐标值，填到config.py的START_X和START_Y中。

4.5 编写主入口 main.py

主入口把像素化和自动执行串起来。

# 文件路径：main.py import argparse import config from pixelizer import generate_pattern from auto_player import run_auto def main(): parser = argparse.ArgumentParser(description="奇像巡展画像玩法全自动拼豆脚本") parser.add_argument("--image", type=str, required=True, help="输入图片路径") parser.add_argument("--generate-only", action="store_true", help="只生成图纸，不执行自动操作") args = parser.parse_args() # 第一步：生成像素化图纸 pattern_img = generate_pattern(args.image) # 第二步：如果需要自动执行，读取图纸并执行点击 if not args.generate_only: print(f"开始执行自动放置，共需要放置 {config.BOARD_ROWS * config.BOARD_COLS} 个格子") pattern_img.save("output/pattern_for_auto.png") run_auto("output/pattern_for_auto.png") else: print("已生成图纸，跳过自动执行") if __name__ == "__main__": main()

4.6 运行与验证

准备一张测试图片，路径设为images/test.jpg，然后依次执行：

只生成图纸：

python main.py --image images/test.jpg --generate-only

如果一切正常，控制台会输出类似下面的信息：

像素化图纸已保存到: output/pattern.png 已生成图纸，跳过自动执行

打开output/pattern.png，你应该能看到一张已经被离散成 30×30 色彩格的像素图。

接着验证自动执行：

python main.py --image images/test.jpg

脚本会先生成图纸，然后等待 5 秒，开始模拟点击。执行过程中把鼠标移到对应的客户端窗口。

注意：如果你是把脚本用于浏览器页面，需要先保证页面处于前台，且坐标标定准确。

4.7 运行结果说明

执行完成之后，output/pattern.png是最终图纸。你可以把它打印出来，也可以直接用屏幕显示对照拼豆。

图纸生成后，格子颜色和实际豆子颜色会存在轻微色差，原因主要有两个：

1. 显示器本身的颜色偏差；
2. 豆子色板颜色和 RGB 色值不可能完全一致。

所以建议在配置BEAN_COLORS时，尽量使用手头豆子的实物色值，而不是官网宣传图或别人整理的标准色值。你可以在自然光下用手机拍照取色，或通过颜色校准卡手动录入 RGB 值。

5. 常见问题与排查思路

5.1 图纸颜色明显偏色，脸部或主体色块不自然

可能原因	解决思路
色板数量和实际豆子颜色不匹配	对照实物重新录入BEAN_COLORS
原图本身体积太小、细节少	使用更高清的原图，或在裁剪前先做一次锐化
K-Means 聚类数量过低	适当提高n_clusters，但不要超过色板数量

排查步骤：

1. 打开原图，确认主体是否清晰。
2. 手动取一张图纸中偏色最严重区域的 RGB 值，和色板对比。
3. 调整色板后重新生成。

5.2 自动执行时点击位置偏移

可能原因	解决思路
START_X、START_Y标定不准	重新获取鼠标位置并更新配置
窗口缩放比例不是 100%	Windows 系统中把显示缩放调为 100%
页面在点击过程中发生了滚动	执行前锁定页面位置，避免滚动条移动

排查步骤：

1. 跑一个“只移动不点击”的测试脚本，观察鼠标是否移动到目标格子。
2. 打印目标坐标，手动验证是否对应图纸位置。
3. 检查系统显示缩放设置。

5.3 脚本运行时报错ModuleNotFoundError: No module named 'sklearn'

通常是因为 scikit-learn 没有安装成功。

pip install scikit-learn

如果安装速度慢，换镜像源即可。

5.4 pyautogui 在 macOS 上没有反应

macOS 需要给终端或 IDE 开启“辅助功能”权限。

打开「系统设置」→「隐私与安全性」→「辅助功能」，勾选对应的终端程序，然后重启终端或 IDE。

5.5 自动执行过程中想中断

把鼠标移动到屏幕左上角即可触发FailSafeException，脚本会自动停止。

5.6 自动执行速度太快被平台限制

如果是游戏类客户端或网页玩法，平台可能有频率限制。把CLICK_INTERVAL_MIN提高到0.2到0.5秒，避免连续性过强。除此之外，还可以在每完成一行任务后增加一次随机等待。

# 每完成一行后休息 0.5~1.5 秒 if task["col"] == config.BOARD_COLS - 1: time.sleep(random.uniform(0.5, 1.5))

5.7 图片像素化脚本在 Linux 上无法运行

Linux 环境下 Pillow 和 sklearn 一般没问题，但 pyautogui 依赖图形界面。如果是无桌面环境的命令行服务器，自动执行模块无法运行，只能做像素化生成。

6. 最佳实践与工程建议

6.1 色板管理

色板是决定成品质量的关键。建议把颜色值放到独立配置文件里，而不是写死在代码中。随着你买到的豆子批次不同，色值也会有细微差异，后续更换色号时只需要改config.py，不需要动算法逻辑。

可以进一步优化：把色板存成 CSV 文件，让脚本启动时自动读取。这样新增色号、调整顺序都不需要改代码。

# 文件路径：palette.csv name,r,g,b 白,255,255,255 黑,0,0,0 大红,255,0,0 粉色,255,192,203

再写一个加载函数：

# 片段：从 CSV 加载色板 import csv def load_palette(csv_path): colors = [] with open(csv_path, encoding='utf-8') as f: reader = csv.DictReader(f) for row in reader: colors.append((int(row['r']), int(row['g']), int(row['b']))) return colors

6.2 图片预处理

不要直接拿一张复杂背景的照片做像素化。拼豆的格子数量有限，原图越复杂，最终效果越乱。建议：

• 先裁剪出主体区域。
• 背景尽量简洁，最好纯色。
• 需要保留细节的区域，在原图中尽量保证足够的分辨率。

如果你的原图背景复杂但不想裁剪，可以增加“背景透明化”或“背景色替换”步骤：检测图片角落的颜色，把接近角落色的区域统一换成纯白或纯黑。这一步处理得当，生成的图纸会清爽非常多。

6.3 自动化操作的边界

脚本自动化在个人学习、手工辅助、效率提升场景中很有价值。但使用自动脚本操作第三方客户端或网页时，需要注意平台的服务条款和操作限制。

本文涉及的脚本只用于学习技术原理、辅助个人手工创作，不建议用于任何形式的违规刷量、恶意操作或商业牟利。在跑自动化之前，请你在自己可控的环境内测试，确保不会干扰正常用户，也不会对他人造成影响。

6.4 日志与断点续跑

拼豆模板如果是 60×60，那就是 3600 个格子。脚本跑的时间长了，中途如果因为网络波动、窗口遮挡等原因中断，重头再跑非常浪费时间。建议在任务执行过程中记录进度，支持断点续跑。

简单实现方式：在click_bean中增加日志写入。

def click_bean(task, log_file="progress.log"): with open(log_file, "a", encoding="utf-8") as f: f.write(f"{task['row']},{task['col']},{task['color']}\n") center_x = config.START_X + task["col"] * config.CELL_SIZE + config.CELL_SIZE // 2 center_y = config.START_Y + task["row"] * config.CELL_SIZE + config.CELL_SIZE // 2 pyautogui.moveTo(center_x, center_y, duration=0.05) pyautogui.click() time.sleep(random.uniform(config.CLICK_INTERVAL_MIN, config.CLICK_INTERVAL_MAX))

然后主流程在生成任务列表时，先读取已有的progress.log，跳过已完成的行列。

6.5 异步与性能优化

从性能角度看，图像像素化的耗时主要在 K-Means 聚类阶段。30×30 的图只有 900 个像素点，聚类速度非常快。但如果你的拼豆模板更大，比如 100×100，像素点增加到 10000 个，聚类耗时就会明显上升。

优化思路有两个：

1. 先压缩到更小尺寸做聚类，再通过插值放大到目标尺寸，最后逐点匹配附近颜色。
2. 如果电脑支持 GPU，使用 cuML 库加速 K-Means，但环境配置成本较高，不推荐初学者尝试。

实际项目中，100×100 以内用 CPU 聚类已经可以接受，不用过度优化。

6.6 坐标标定的自动化

手动标定START_X和START_Y虽然简单，但每次换设备、换浏览器都要重新标定。更稳妥的办法是在自动执行前，让脚本识别图纸区域：

• 截图。
• 通过图像识别找到图纸起点。
• 换算坐标。

如果你会使用 OpenCV，可以用模板匹配定位图纸左上角。这部分内容超出本文范围，但可以作为进阶学习方向。

7. 总结与实战心得

这篇文章的核心内容可以归纳成三条线：

第一，图像像素化不是简单地把图缩小，而是“缩小分辨率 + 颜色离散化”的双重操作。K-Means 聚类在处理照片类图片时，比逐点最近邻匹配更自然，建议优先使用。

第二，自动执行脚本的关键不是点击本身，而是坐标映射和节奏控制。把图纸格子坐标映射到屏幕坐标，加入随机延时模拟真人操作，才能让脚本更可控、更稳定。

第三，色板的准确度直接决定成品效果。算法再完美，如果色板数据不准，出来的图纸颜色就是乱的。一定要对照手头实物去录入颜色值。

如果你是从零开始接触这个项目，建议按下面的顺序练习：

1. 先跑通“图片像素化生成图纸”，输出 PNG 图片。
2. 手动对照图纸完成一次拼豆，理解格子和颜色如何对应。
3. 用 pyautogui 写一个简单的“鼠标移动点击”脚本，在自由画布上测试坐标是否准确。
4. 再把像素化和自动点击两个模块串联起来，完成全流程。

遇到问题时，优先怀疑三个地方：色板颜色值对不对、坐标起点标得准不准、延时设置是否合理。这三项排查掉，大部分运行问题都能解决。

如果你希望进一步扩展这个脚本，可以尝试给图纸增加色号标注、导出 Excel 点位表、支持多图层拼豆，或者接入完整屏幕识别来自动定位画布区域。思路打通之后，剩下的就是用代码逐步实现的事情。

如果你手头也有一堆豆子、总被复杂图纸劝退，可以试试自己跑一遍这个脚本。把一张照片变成一张可以照着拼的图纸，再看着豆子一格一格填满，那种成就感还是很强的。