对图片识别结果进行诊断分析

在对图片进行模板匹配后，我们需要直观地看到识别结果，以便于对代码继续优化。整体的流程如下：

diagnose()
├── 1. 加载模板
├── 2. 检查模板质量
├── 3. 读取截图
├── 4. 检测英雄框
├── 5. 对第一个英雄框做详细匹配分析
│ ├── 裁剪
│ ├── resize
│ ├── 灰度化
│ ├── 亮度归一化
│ ├── histogram 粗筛
│ └── NCC 精筛
└── 6. 输出诊断建议

1. INNER_MARGIN

mx = int(bw * INNER_MARGIN)

作用：

去掉英雄框边缘。

因为边缘：有金边、星级、血条和UI装饰，这些会污染匹配。

2. resize

cv2.resize(crop, (TEMPLATE_SIZE, TEMPLATE_SIZE))

统一尺寸，否则模板无法逐像素匹配。

3. 灰度化

crop_gray = cv2.cvtColor(...)

模板匹配主要依赖：结构、轮廓和明暗关系，不是颜色，这样更鲁棒。

4. 亮度标准化（关键）

crop_gray = (crop_gray - g_min) / (g_max - g_min) * 255

目的是消除：不同地图亮度、HDR、截图偏暗、OBS滤镜、夜间模式影响。NCC对亮度极其敏感。不标准化，亮度会产生较大偏差。

5. Histogram 粗筛

cv2.compareHist()

快速缩小候选范围。

6. NCC 精筛（真正识别）

数学本质

ncc = dot(A,B) / (||A|| ||B||)

即余弦相似度。

7. flatten

crop_flat = crop_gray.flatten()

把二维图像（32*32）变成1024维向量。

8. 去均值

crop_flat - crop_gray.mean()

消除整体亮度偏移。

9. 融合分数

fused = 0.4 * hist + 0.6 * ncc

双特征融合。

10. MATCH_THRESHOLD

fused >= MATCH_THRESHOLD

决定是否识别成功。