psp开发------汉化插件

近期略微研究了下psp汉化,写了个汉化插件,在这记录下。聊以慰藉。

传统的汉化流程找码表,字库,破解什么这里不多讲,网上有教程。以下说下一种另类汉化方法。特别对于难以破解字库的游戏,当然这样的方法也有一定局限性,后面会说。


大部分的游戏都会对字库进行加密。有时遇到难以破解字库的游戏仅仅有束手无策,可是绝大部分加密字库在游戏执行后。都会将密文字库解密在内存中,以下以太阁5为例:

镜像中的字库尽管加密,可是dump内存后,能够在内存中发现字库。



那我要说的方法是直接替换内存中的字库,尽管方法繁琐了些,可是这样的方法不用破解字库。也省却的非常多破解时间。

步骤:

1、找到内存字库位置,如上图。

2、将字库内存导出为文件。内存有20多兆,实际的字库内存仅仅有几百k。仅仅要导出这部分即可。

记下内存字库前一个位置的地址(之所以记前一个。是用于内存字库定位使用),及内存字库的最后一个字的地址


用winhex打开内存dump文件,导出这部分数据。另存为文件。

3、生成新字库文件导入旧字库文件



4.使用汉化插件

用法:解压MemPatch 到记忆棒根文件夹,如一般插件用法,不再详述。




5.进入游戏,按音乐键唤出插件。


点击Patch memory就可以。

6、測试

继续游戏看到字体以改变,由于是部分替换,所以字体不一致。


再换个字体。



7、说明

(1)此方法不止限于某一游戏。其它游戏也可用。

(2)文件夹说明



taige.bin为游戏字库。其它游戏若要改字库仅仅要替换该文件就可以,但文件名称不能变。由于是第一版,先放出来看看效果。视情况看是否更新。


插件下载:

http://download.csdn.net/detail/yf210yf/7681597




















转载于:https://www.cnblogs.com/zfyouxi/p/5346454.html

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值