企业官网建设流程全解析

零基础实战：用Python+OpenCV打造智能五子棋裁判系统

周末和朋友下五子棋时，你是否遇到过争执不下的局面？现在只需用手机拍张照片，就能让Python程序自动识别棋盘状态并判断胜负。这个项目将带你从零开始，用不到200行代码实现一个完整的五子棋裁判系统。

1. 环境准备与核心思路

在开始编码前，我们需要明确几个关键点：

• 硬件要求：普通智能手机摄像头即可，无需专业设备
• 软件依赖：Python 3.6+、OpenCV 4.0+、NumPy
• 核心流程：
  1. 棋盘定位与矫正
  2. 棋子检测与颜色识别
  3. 胜负判断逻辑实现

安装依赖只需一行命令：

pip install opencv-python numpy

提示：建议使用虚拟环境管理项目依赖，避免版本冲突

2. 棋盘检测与图像预处理

实际拍摄的棋盘照片可能存在倾斜、反光等问题。我们需要通过以下步骤进行标准化处理：

2.1 自适应图像增强

def enhance_image(img): # 转换为灰度图 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 自适应直方图均衡化 clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8)) enhanced = clahe.apply(gray) # 高斯模糊降噪 blurred = cv2.GaussianBlur(enhanced, (5,5), 0) return blurred

这种方法能有效应对不同光照条件下的拍摄问题：

2.2 精确棋盘定位

通过轮廓分析找到棋盘区域后，我们需要进行透视变换将其矫正为标准正方形：

def find_board_corners(image): # 边缘检测 edges = cv2.Canny(image, 50, 150) # 查找轮廓 contours, _ = cv2.findContours(edges, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) # 筛选最大轮廓（棋盘） max_contour = max(contours, key=cv2.contourArea) # 获取最小外接矩形顶点 rect = cv2.minAreaRect(max_contour) box = cv2.boxPoints(rect) return np.intp(box)

3. 棋子检测与状态识别

3.1 基于霍夫变换的棋子定位

def detect_stones(warped): # 圆检测 circles = cv2.HoughCircles( warped, cv2.HOUGH_GRADIENT, dp=1, minDist=25, param1=100, param2=19, minRadius=10, maxRadius=20 ) if circles is not None: circles = np.uint16(np.around(circles[0])) return [(x, y, r) for (x, y, r) in circles] return []

关键参数说明：

• minDist：圆之间的最小距离（避免重复检测）
• param1：边缘检测阈值（值越大检测越严格）
• param2：圆心累加器阈值（值越小检测越多假圆）

3.2 双阈值颜色识别法

我们采用HSV色彩空间进行颜色识别，比RGB空间更稳定：

def identify_stone_color(img, center, radius): x, y = center roi = img[y-radius:y+radius, x-radius:x+radius] # 转换为HSV空间 hsv = cv2.cvtColor(roi, cv2.COLOR_BGR2HSV) # 定义黑白棋子的HSV范围 lower_black = np.array([0, 0, 10]) upper_black = np.array([180, 255, 90]) lower_white = np.array([0, 0, 100]) upper_white = np.array([180, 30, 255]) # 创建掩膜 mask_black = cv2.inRange(hsv, lower_black, upper_black) mask_white = cv2.inRange(hsv, lower_white, upper_white) # 统计像素数量 black_pixels = cv2.countNonZero(mask_black) white_pixels = cv2.countNonZero(mask_white) if black_pixels > 50: return 'black' elif white_pixels > 50: return 'white' return None

4. 胜负判定算法优化

传统四方向遍历法效率较低，我们实现一种更高效的检测方法：

4.1 方向向量检测法

def check_win_optimized(board, last_move): directions = [ (0, 1), # 水平 (1, 0), # 垂直 (1, 1), # 主对角线 (1, -1) # 副对角线 ] x, y = last_move player = board[x][y] for dx, dy in directions: count = 1 # 正向检测 i, j = x + dx, y + dy while 0 <= i < 19 and 0 <= j < 19 and board[i][j] == player: count += 1 i += dx j += dy # 反向检测 i, j = x - dx, y - dy while 0 <= i < 19 and 0 <= j < 19 and board[i][j] == player: count += 1 i -= dx j -= dy if count >= 5: return True return False

4.2 性能对比测试

我们对两种算法进行了1000次随机棋盘测试：

5. 完整项目封装与使用

将所有功能封装为GomokuReferee类，提供简洁的API：

class GomokuReferee: def __init__(self): self.board = [[0]*19 for _ in range(19)] def process_image(self, img_path): img = cv2.imread(img_path) # 完整处理流程... def get_winner(self): # 实现胜负判断... return winner def visualize(self): # 生成带标注的结果图像... return result_img

使用示例：

referee = GomokuReferee() referee.process_image("chessboard.jpg") winner = referee.get_winner() if winner: print(f"游戏结束，{winner}方获胜！") else: print("比赛继续...")

实际项目中，我发现在室外强光环境下，通过增加一个简单的白平衡预处理步骤可以显著提高识别准确率。另外，对于磨损严重的棋盘，适当调低霍夫圆检测的param2参数会有更好效果。