Python批量生成幻影坦克图片实例代码
作者：Sryml
前言
说到幻影坦克，我就想起红色警戒里的……
幻影坦克（Mirage Tank），《红色警戒2》以及《尤里的复仇》中盟军的一款伪装坦克，盟军王牌坦克之一。是爱因斯坦在德国黑森林中研发的一种坦克。虽然它无法隐形，但它却可以利用先进的光线偏折原理可以伪装成树木（岩石或草丛）来隐藏自己。
在一些MOD中，幻影坦克可以选择变换的树木，这样便可以和背景的树木融合，而不会令人生疑。
额！这是从什么百科ctrl+v过来的吗。我跟你说个P~ UBG
不过话说回来，里面有一句说到和背景融合，这大概就是这种图片的原理所在了。
一些聊天软件或网站总是以白色背景和黑色背景（夜间模式）显示图片，你在默认的白色背景下看到一张图（图A），但是点击放大却变成另一张图（图B）。这是因为查看详情使用的背景是黑色背景。
之前在网上看到用PS制作幻影坦克效果图的方法，了解到几个图层混合模式的公式，也录制过PS动作来自动化操作。但总感觉不够效率，作为极客嘛，当然是要用代码来完成这些事情。
一、准备图片
创建一个文件夹Import，将你要处理的所有图片都放到这个文件夹里
图片的命名方式：
- 白色背景显示图A、黑色背景显示图B这种形式的，图B的文件名字是图A的名字加后缀_d
例如，图A为1.png，图B则为1_d.png，与之配对成为一组即可 - 表面是白色图片（图A），点击显示隐藏图片（图B）。这里并不需要你指定一张白色图片，不需要更改图片名字，程序找不到与之配对的后缀_d图片，会自动生成白色图片（图A）
- 相反的，表面看是图片（图A），点击却消失成纯黑色（图B）。只需要在图片名字加后缀_black
二、Python+PIL代码实现过程
Ⅰ. 初始化
注：脚本文件与 Import文件夹在同一目录
运行，导入模块，定义变量，创建导出目录Export，并将工作目录切换到Import
# -*- coding: utf-8 -*- # python 3.7.2 # 2019/04/21 by sryml. import os import math from timeit import timeit from concurrent.futures import ThreadPoolExecutor, ProcessPoolExecutor from multiprocessing import cpu_count # import numba as nb import numpy as np from PIL import Image # --- IMPORT_FOLDER = 'Import' EXPORT_FOLDER = 'Export' IMAGE_FILES = [] # ALIGN2_A = 0 ALIGN2_B = 1 ALIGN2_MAX = 'max' NO_MODIFT = 0 STRETCH = 1 CONSTRAINT_RATIO = 2 # --- if __name__ == '__main__': if not os.path.exists(EXPORT_FOLDER): os.makedirs(EXPORT_FOLDER) os.chdir(IMPORT_FOLDER)
Ⅱ. 将所有要处理的图片文件添加到列表
执行all_img2list()
获取当前目录（Import）所有文件，按名字升序排序。将后缀带_d的图B与图A配对一组，白图到原图，原图到黑图的图片也进行相关标记并存到一个列表。每个元组将生成一张幻影坦克图片
def all_img2list():
global IMAGE_FILES
IMAGE_FILES= []
Imgs = os.listdir('./')
Imgs.sort(key= lambda i: os.path.splitext(i)[0])
for i in Imgs:
name = os.path.splitext(i)
imgB= name[0]+'_d' + name[1]
if imgB in Imgs:
Imgs.remove(imgB)
img_group= (i,imgB)
elif name[0][-6:].lower() == '_black':
img_group= (i,'_black')
else:
img_group= (i,None)
IMAGE_FILES.append(img_group)
Ⅲ. 自动化处理，多进程任务分配
执行AutoMTank()
不想让cpu满载运行，进程数量为cpu总核心减1，将列表里所有元组分成N等份集合的列表task_assign（N为进程数量）
def AutoMTank():
cpu = cpu_count()-1
pool = ProcessPoolExecutor(cpu) #max_workers=4
L = IMAGE_FILES
F = int(len(L)/cpu)
task_assign = [L[n*F:] if (n+1)==cpu else L[n*F:(n+1)*F] for n in range(cpu)]
results = list(pool.map(FlashMakeMTank, task_assign))
pool.shutdown()
print ('\n%d辆幻影坦克制作完成！' % len(IMAGE_FILES))
每个进程对接到的任务列表进行多线程处理：FlashMakeMTank
因为是图片算法处理，属于计算密集型，线程数量不需要太多。经过测试多线程还是有点效率提升的，线程数就设置为cpu核心数吧。
def FlashMakeMTank(task): pool = ThreadPoolExecutor(cpu_count()) results = list(pool.map(MakeMTank, task)) pool.shutdown()
Ⅳ. 盟军战车工厂
每个线程都将它接到的任务 - 图片组丢给我们的盟军战车工厂：MakeMTank 来生产幻影坦克
开头是打开图A和图B文件对象赋值给imgA和imgB，判断到那些想要白图到原图效果的图片，则在内存中生成一张纯白色的图片对象赋值给imgA。原图到黑图则生成纯黑色图片对象赋值给imgB
别以为这战车工厂看起来这么短，实际上算法都是通过调用函数获得返回结果，解释起来可有点费劲
def MakeMTank(i_group):
ratios= [0,0]
align= []
if not i_group[1]:
imgB= Image.open(i_group[0])
imgA= Image.new('L',imgB.size,(255,))
elif i_group[1]=='_black':
imgA= Image.open(i_group[0])
imgB= Image.new('L',imgA.size,(0,))
else:
imgA= Image.open(i_group[0])
imgB= Image.open(i_group[1])
ratios= [0.5,-0.5] #明度比值
# ALIGN2_MAX(取最大的宽和最大的高) ALIGN2_A(缩放到图A) ALIGN2_B(缩放到图B)
# NO_MODIFT(不修改) STRETCH(拉伸) CONSTRAINT_RATIO(约束比例)
align= [ALIGN2_B, CONSTRAINT_RATIO]
A_Size,B_Size= imgA.size,imgB.size
img_objs= [imgA,imgB]
for n,img in enumerate(img_objs):
if img.mode== 'RGBA':
img= img.convert('RGB')
img_array= np.array(img)
if img.mode != 'L' and ( [(img_array[:,:,i]==img_array[:,:,2]).all() for i in range(2)]!= [True,True] ):
img= Desaturate(img_array) #去色
else:
img= img.convert('L')
if align and (A_Size!=B_Size):
img= ImgAlign(n,img,A_Size,B_Size,align) #图像对齐
if ratios[n]:
img= Lightness(img,ratios[n]) #明度
img_objs[n]= img
imgA,imgB = img_objs
imgA = Invert(imgA) #反相
imgO = LinearDodge(imgA, imgB) #线性减淡（添加）
imgR = Divide(imgO, imgB) #划分
imgR_mask = AddMask(imgR, imgO) #添加透明蒙版
name= os.path.splitext(i_group[0])[0]
imgR_mask.save('../'+EXPORT_FOLDER+'/' + name+'.png')
图片对象打开完成之后呢，把它们放到一个列表里遍历它进行操作
首先判断到图片模式是否为RGBA，最后的A表示这张图片是带有透明通道的。而我们的幻影坦克原理就是利用的透明通道，怎能让它来胡搅蛮缠呢，速速将它转换为RGB模式
接着将图像对象转为数组，判断这张图片如果不是灰度模式并且还没有去色的情况下，那就要对它进行去色操作了。
去完色的再将它转为灰度模式。
有些人可能对灰度和去色有什么误解，灰度 ≠ 去色，这是重点。虽然它们的结果都是灰色的图片，但是算法不一样，呈现的图片对比度也不一样，直接转成灰度的坦克是没有灵魂的。RGB图片直接转灰度会丢失一些细节，所以要对它进行去色操作。下面的操作都是仿照PS的步骤来处理了
(1) 去色函数：Desaturate
公式：( max(r,g,b) + min(r,g,b) ) / 2
每个像素取其RGB颜色中最大与最小值的均数
这个函数接受一个数组参数
例如某个像素RGB值(233,50,23)，计算得出 (233+23) / 2 = 128，这时候此像素点三个通道都是同一个值(128,128,128)
这个算法过程消耗的性能较多，像一张1000*1000的图片就得进行一百万次计算，因此我使用了numba.jit加速。
对图片数组进行操作，使用argsort()将所有像素的RGB值从小到大排序并返回一个索引数组。
uint8类型的值的范围在0~255，若计算出的值不在这范围则会抛出溢出错误，因此使用了int。
我创建了一个灰度图片数组data，将每一个对应像素的均值赋值给它，相当于去色后再转为灰度模式。
最后返回由数组转换成的图片对象
@nb.jit def Desaturate(img_array): idx_array = img_array.argsort() width = img_array.shape[1] height = img_array.shape[0] data = np.zeros((height,width),dtype=np.uint8) for x in range(height): for y in range(width): idx= idx_array[x,y] color_min= img_array[x,y, idx[0]] color_max= img_array[x,y, idx[2]] data[x,y]= round( (int(color_min) + int(color_max)) / 2 ) return Image.fromarray(data)
(2) 图像对齐：ImgAlign
对齐方式（列表类型两个值）
| 对齐目标 | 缩放图像 | ||
|---|---|---|---|
| ALIGN2_MAX | 取最大的宽和最大的高 | NO_MODIFT | 不修改（缩小或仅画布） |
| ALIGN2_A | 图A | STRETCH | 拉伸 |
| ALIGN2_B | 图B | CONSTRAINT_RATIO | 约束比例 |
例如我要把图A对齐到图B且按比例缩放：mode = [ALIGN2_B, CONSTRAINT_RATIO]
这个函数接受5个参数
①当前图片序号（0代表图A，1代表图B）
②当前图片对象
③ - ④图A和图B的尺寸
⑤对齐方式
def ImgAlign(idx,img,A_Size,B_Size,mode):
size= img.size
old_size= (A_Size,B_Size)
if mode[0]== ALIGN2_MAX:
total_size= max(A_Size[0], B_Size[0]), max(A_Size[1], B_Size[1])
if size != total_size:
if mode[1]== STRETCH:
img= img.resize(total_size, Image.ANTIALIAS)
else:
new_img= Image.new('L',total_size, (255 if idx==0 else 0,))
diff= (total_size[0]-size[0],total_size[1]-size[1])
min_diff= min(diff[0],diff[1])
if min_diff != 0 and mode[1]:
idx= diff.index(min_diff)
scale= total_size[idx] / size[idx]
resize= [total_size[idx], round(size[1-idx]*scale)]
if idx:
resize.reverse()
img= img.resize(resize, Image.ANTIALIAS)
new_img.paste(img, [(total_size[i]-img.size[i])//2 for i in range(2)])
img= new_img
elif idx != mode[0]:
total_size= old_size[mode[0]]
if mode[1]== STRETCH:
img= img.resize(total_size, Image.ANTIALIAS)
else:
new_img= Image.new('L',total_size, (255 if idx==0 else 0,))
diff= (total_size[0]-size[0],total_size[1]-size[1])
min_diff= min(diff[0],diff[1])
if (min_diff > 0 and mode[1]) or (min_diff < 0):
idx= diff.index(min_diff)
scale= total_size[idx] / size[idx]
resize= [total_size[idx], round(size[1-idx]*scale)]
if idx:
resize.reverse()
img= img.resize(resize, Image.ANTIALIAS)
new_img.paste(img, [(total_size[i]-img.size[i])//2 for i in range(2)])
img= new_img
return img
(3) 明度函数：Lightness
公式：255 * ratio + img * (1-ratio)
0 * ratio + img * (1-ratio)
为什么是两条公式呢，可以看到只有 255和 0的区别，一个是提高明度，一个是降低
注意，明度 ≠ 亮度，用亮度做出来的坦克是畸形的。亮度对颜色0和255不会起任何作用，任你怎么加亮度，我白是白，黑仍然是黑。这又涉及到幻影坦克效果的原理了，图A每个像素值必须大于图B对应的像素值，否则将没有透明度效果。
所以，最好的效果就是图A明度提高50%，图B降低50%
这个函数接受2个参数
①图片对象
②明度比值（-1~1）
尽量仿照PS的算法结果，提高明度的值为向下取整，降低明度为向上取整
def Lightness(img,ratio): if ratio>0: return img.point(lambda i: int(i*(1-ratio) + 255*ratio)) return img.point(lambda i: math.ceil(i*(1+ratio)))
实际上这是图层的不透明度混合公式，PS中，明度的实现就是在当前图层的上方创建一个白色或黑色图层，然后调整其透明度即可。所以，
明度调 100% 相当于白色图层的不透明度为100%，显示纯白
明度调 -100% 相当于黑色图层的不透明度为100%，显示纯黑。
看到这里，要暂停一下了。是不是感觉说了这么多都没有提到幻影坦克的详细原理，是的，只有当你理解了PS的不透明度混合公式，你才能理解后面的步骤。
(3-x) 重点！！推导幻影坦克的原理……
这里需要用到PS的几个图层混合模式
不透明度混合公式：Img输出 = Img上 * o + Img下 * (1 - o)
小字母o代表不透明度。想一想，把两张图片导入到PS，上面的图层命名为imgA，下面的图层为imgB。
当imgA的不透明度为100%（o=1）时，根据图层混合公式得到img输出=imgA，也就是完全显示上层图像。
当imgA的不透明度为0%（o=0）时，得到img输出=imgB，完全显示下层图像。
当不透明度为50%，自然就看到了A与B的混合图像。
但是我们要将这两张图给整进一张图里，然后在类似手机QQ这种只有白色背景和黑色背景的环境下，分别显示出imgA和imgB。听起来有点抽象，不要慌，我们来列方程。假设这张最终成果图为imgR
| ① ImgA = ImgR * o + 255 * (1 - o) | 白色背景下 |
| ② ImgB = ImgR * o + 0 * (1 - o) | 黑色背景下（点击放大后） |
这时候ImgR充当上图层（Img上）。它有一个固定不透明度o，或者说是它的图层蒙版（ImgO表示ImgR的蒙版），蒙版的像素值为0~255的单通道灰度色值。填充为黑色0相当于图层的不透明度为0%，填充为白色相当于图层不透明度为100%。那么这个固定不透明度 o 实际上就是 ⑨ o = ImgO / 255
而Img下就是聊天软件中的白色背景和黑色背景两种可能了。
现在来解一下方程，由②得：
ImgR = ImgB / o
将⑨ o = ImgO / 255 代入得
③ ImgR = ImgB / ImgO * 255
将③和⑨代入①得：
ImgA = (ImgB / ImgO * 255) * (ImgO / 255) + 255 * (1 - ImgO / 255)
ImgA = ImgB / ImgO * ImgO / 255 * 255 + 255 * (1 - ImgO / 255)
ImgA = ImgB + 2551 - 255(ImgO / 255)ImgA = ImgB + 255 - ImgO
④ ImgO = (255 - ImgA) + ImgB
那么现在，ImgB是我们已知的要在黑色背景下显示的图像，只要拿到ImgO就可以得出成品图ImgR了。
(255 - ImgA) 这个是什么意思，就是PS中的反相操作啦。让我们回到代码操作
(4) 反相函数：Invert
公式：255 - Img
即对每个像素进行 255-像素值
def Invert(img): return img.point(lambda i: 255-i)
反ImgA = Invert(ImgA )
然后这个反相后的ImgA（反ImgA）与ImgB相加，即PS中的线性减淡模式
(5) 线性减淡（添加）：LinearDodge
公式：Img上 + Img下
def LinearDodge(imgA, imgB):
size = imgA.size
imgO = Image.new('L',size,(0,))
pxA= imgA.load()
pxB= imgB.load()
pxO= imgO.load()
for x in range(size[0]):
for y in range(size[1]):
pxO[x,y] = (pxA[x,y]+pxB[x,y],)
return imgO
至此得到 ImgO = LinearDodge(反ImgA, ImgB)
注：之前我们说过ImgA的所有像素值必须大于ImgB。如果小于或等于，那么反相后加自身（或加比自身大的值）就是255了。因为ImgO是成果图ImgR的透明蒙版，ImgO=255意味着不透明度为100%，就没有透明效果了。
接着看方程式子③ ImgR = ImgB / ImgO * 255，这便是PS的一种图层混合模式划分了
(6) 划分：Divide
公式：Img下 / Img上 * 255
几个注意的条件
①若混合色为黑色，基色非黑结果为白色、基色为黑结果为黑色（混合色是Img上，基色是Img下）
②若混合色为白色则结果为基色
③若混合色与基色相同则结果为白色
不妨可以在PS中一试便知真假
def Divide(imgO, imgB):
size = imgB.size
imgR = Image.new('L',size,(0,))
pxB= imgB.load()
pxO= imgO.load()
pxR= imgR.load()
for x in range(size[0]):
for y in range(size[1]):
o=pxO[x,y]
b=pxB[x,y]
if o==0:
#如混合色为黑色，基色非黑结果为白色、基色为黑结果为黑色
color= (b and 255 or 0,)
elif o==255:
#混合色为白色则结果为基色
color=(b,)
elif o==b:
#混合色与基色相同则结果为白色
color=(255,)
else:
color=(round((b/o)*255),)
pxR[x,y] = color
return imgR
调用划分函数ImgR = Divide(ImgO, ImgB)，终于，我们得到了梦寐以求的成果图ImgR
但不要忘了它的不透明度，把ImgO添加为它的图层蒙版
(6) 最后：添加透明蒙版并保存
def AddMask(imgR,imgO):
img = imgR.convert("RGBA")
img.putalpha(imgO)
return img
imgR_mask = AddMask(imgR, imgO)
name= os.path.splitext(i_group[0])[0]
imgR_mask.save('../'+EXPORT_FOLDER+'/' + name+'.png')
保存在导出文件夹。。。
个人感觉
这个脚本生成的幻影坦克与PS做的相比就犹如真假美猴王一般，说到美猴王，我就想起……
三、完整代码文件
MirageTank.py
# -*- coding: utf-8 -*-
# python 3.7.2
# 2019/04/21 by sryml.
import os
import math
from timeit import timeit
from concurrent.futures import ThreadPoolExecutor, ProcessPoolExecutor
from multiprocessing import cpu_count
#
import numba as nb
import numpy as np
from PIL import Image
# ---
IMPORT_FOLDER = 'Import'
EXPORT_FOLDER = 'Export'
IMAGE_FILES = []
#
ALIGN2_A = 0
ALIGN2_B = 1
ALIGN2_MAX = 'max'
NO_MODIFT = 0
STRETCH = 1
CONSTRAINT_RATIO = 2
# ---
### 图像对齐
def ImgAlign(idx,img,A_Size,B_Size,mode):
size= img.size
old_size= (A_Size,B_Size)
if mode[0]== ALIGN2_MAX:
total_size= max(A_Size[0], B_Size[0]), max(A_Size[1], B_Size[1])
if size != total_size:
if mode[1]== STRETCH:
img= img.resize(total_size, Image.ANTIALIAS)
else:
new_img= Image.new('L',total_size, (255 if idx==0 else 0,))
diff= (total_size[0]-size[0],total_size[1]-size[1])
min_diff= min(diff[0],diff[1])
if min_diff != 0 and mode[1]:
idx= diff.index(min_diff)
scale= total_size[idx] / size[idx]
resize= [total_size[idx], round(size[1-idx]*scale)]
if idx:
resize.reverse()
img= img.resize(resize, Image.ANTIALIAS)
new_img.paste(img, [(total_size[i]-img.size[i])//2 for i in range(2)])
img= new_img
elif idx != mode[0]:
total_size= old_size[mode[0]]
if mode[1]== STRETCH:
img= img.resize(total_size, Image.ANTIALIAS)
else:
new_img= Image.new('L',total_size, (255 if idx==0 else 0,))
diff= (total_size[0]-size[0],total_size[1]-size[1])
min_diff= min(diff[0],diff[1])
if (min_diff > 0 and mode[1]) or (min_diff < 0):
idx= diff.index(min_diff)
scale= total_size[idx] / size[idx]
resize= [total_size[idx], round(size[1-idx]*scale)]
if idx:
resize.reverse()
img= img.resize(resize, Image.ANTIALIAS)
new_img.paste(img, [(total_size[i]-img.size[i])//2 for i in range(2)])
img= new_img
return img
### 去色
@nb.jit
def Desaturate(img_array):
idx_array = img_array.argsort()
width = img_array.shape[1]
height = img_array.shape[0]
data = np.zeros((height,width),dtype=np.uint8)
for x in range(height):
for y in range(width):
idx= idx_array[x,y]
color_min= img_array[x,y, idx[0]]
color_max= img_array[x,y, idx[2]]
data[x,y]= round( (int(color_min) + int(color_max)) / 2 )
return Image.fromarray(data)
### 明度
def Lightness(img,ratio):
if ratio>0:
return img.point(lambda i: int(i*(1-ratio) + 255*ratio))
return img.point(lambda i: math.ceil(i*(1+ratio)))
### 反相
def Invert(img):
return img.point(lambda i: 255-i)
### 线性减淡（添加）
def LinearDodge(imgA, imgB):
size = imgA.size
imgO = Image.new('L',size,(0,))
pxA= imgA.load()
pxB= imgB.load()
pxO= imgO.load()
for x in range(size[0]):
for y in range(size[1]):
pxO[x,y] = (pxA[x,y]+pxB[x,y],)
return imgO
### 划分
def Divide(imgO, imgB):
size = imgB.size
imgR = Image.new('L',size,(0,))
pxB= imgB.load()
pxO= imgO.load()
pxR= imgR.load()
for x in range(size[0]):
for y in range(size[1]):
o=pxO[x,y]
b=pxB[x,y]
if o==0:
#如混合色为黑色，基色非黑结果为白色、基色为黑结果为黑色
color= (b and 255 or 0,)
elif o==255:
#混合色为白色则结果为基色
color=(b,)
elif o==b:
#混合色与基色相同则结果为白色
color=(255,)
else:
color=(round((b/o)*255),)
pxR[x,y] = color
return imgR
def AddMask(imgR,imgO):
img = imgR.convert("RGBA")
img.putalpha(imgO)
return img
####
#### 将所有要处理的图片文件添加到列表
def all_img2list():
global IMAGE_FILES
IMAGE_FILES= []
Imgs = os.listdir('./')
Imgs.sort(key= lambda i: os.path.splitext(i)[0])
for i in Imgs:
name = os.path.splitext(i)
imgB= name[0]+'_d' + name[1]
if imgB in Imgs:
Imgs.remove(imgB)
img_group= (i,imgB)
elif name[0][-6:].lower() == '_black':
img_group= (i,'_black')
else:
img_group= (i,None)
IMAGE_FILES.append(img_group)
def MakeMTank(i_group):
ratios= [0,0]
align= []
if not i_group[1]:
imgB= Image.open(i_group[0])
imgA= Image.new('L',imgB.size,(255,))
elif i_group[1]=='_black':
imgA= Image.open(i_group[0])
imgB= Image.new('L',imgA.size,(0,))
else:
imgA= Image.open(i_group[0])
imgB= Image.open(i_group[1])
ratios= [0.5,-0.5] #明度比值
# ALIGN2_MAX(取最大的宽和最大的高) ALIGN2_A(缩放到图A) ALIGN2_B(缩放到图B)
# NO_MODIFT(不修改) STRETCH(拉伸) CONSTRAINT_RATIO(约束比例)
align= [ALIGN2_B, CONSTRAINT_RATIO]
A_Size,B_Size= imgA.size,imgB.size
img_objs= [imgA,imgB]
for n,img in enumerate(img_objs):
if img.mode== 'RGBA':
img= img.convert('RGB')
img_array= np.array(img)
if img.mode != 'L' and ( [(img_array[:,:,i]==img_array[:,:,2]).all() for i in range(2)]!= [True,True] ):
img= Desaturate(img_array) #去色
else:
img= img.convert('L')
if align and (A_Size!=B_Size):
img= ImgAlign(n,img,A_Size,B_Size,align) #图像对齐
if ratios[n]:
img= Lightness(img,ratios[n]) #明度
img_objs[n]= img
imgA,imgB = img_objs
imgA = Invert(imgA) #反相
imgO = LinearDodge(imgA, imgB) #线性减淡（添加）
imgR = Divide(imgO, imgB) #划分
imgR_mask = AddMask(imgR, imgO) #添加透明蒙版
name= os.path.splitext(i_group[0])[0]
imgR_mask.save('../'+EXPORT_FOLDER+'/' + name+'.png')
def FlashMakeMTank(task):
pool = ThreadPoolExecutor(cpu_count())
results = list(pool.map(MakeMTank, task))
pool.shutdown()
def AutoMTank():
cpu = cpu_count()-1
pool = ProcessPoolExecutor(cpu) #max_workers=4
L = IMAGE_FILES
F = int(len(L)/cpu)
task_assign = [L[n*F:] if (n+1)==cpu else L[n*F:(n+1)*F] for n in range(cpu)]
results = list(pool.map(FlashMakeMTank, task_assign))
pool.shutdown()
print ('\n%d辆幻影坦克制作完成！' % len(IMAGE_FILES))
# ---
def Fire():
all_img2list()
sec = timeit(lambda:AutoMTank(),number=1)
print ('Time used: {} sec'.format(sec))
s= input('\n按回车键退出...\n')
if __name__ == '__main__':
if not os.path.exists(EXPORT_FOLDER):
os.makedirs(EXPORT_FOLDER)
os.chdir(IMPORT_FOLDER)
while True:
s= input('>>> 按F进入坦克：')
if s.upper()== 'F':
print ('少女祈祷中...')
Fire() #开炮
break
elif not s:
break
总结
以上就是这篇文章的全部内容了，希望本文的内容对大家的学习或者工作具有一定的参考学习价值，谢谢大家对脚本之家的支持。
您可能感兴趣的文章:
- python基于opencv批量生成验证码的示例
- python用faker库批量生成假数据
- python批量生成身份证号到Excel的两种方法实例
- 如何使用python-opencv批量生成带噪点噪线的数字验证码
- Python如何批量生成和调用变量
- python利用faker库批量生成测试数据
- python批量生成条形码的示例
- Python操作Word批量生成合同的实现示例
- 利用Python脚本批量生成SQL语句
- 基于Python批量生成指定尺寸缩略图代码实例
- Python3批量生成带logo的二维码方法
- 利用Python批量生成任意尺寸的图片
- python批量生成本地ip地址的方法
- 教你使用Python根据模板批量生成docx文档