目标
使用纯代码进行识别AI生成图
网址
aHR0cHM6Ly9hY2NvdW50cy5xcS5jb20vbG9naW4vbGltaXQ=
原因
最近企鹅号大批量封号，还有误封，导致账号封禁，所以想写个自动查是否封号和封号多久的，但是由于他是AI生成图片，进行点选，所以另辟赛道实现一下算出点选，不借助模型去识别
先说思路
刷新了多张图片可以发现，他会生成6张图片，其中有2张图片孤立于其他4张，并且这2张相似，所以，我只需要对比所有图片的相似度，然后找出图片相似，但是孤立的，就很大可能是我所需要的，然后我任选其一点击即可
准备工作
<html><head><metacharset="UTF-8" /><title>喵呜</title><scriptsrc="https://captcha.gtimg.com/TCaptcha.js"></script><scripttype="text/javascript">window.TCaptchaId = "2028665724";window.TCaptchaApiDomain = "https://t.captcha.qq.com";window.TCaptchaTaskId =new URLSearchParams(location.search).get("id") || "";window.TCaptchaCallback = async function (t = {}) {console.log(t);};</script></head><body><script>const id = window.TCaptchaTaskId;if (!id) {document.body.style.margin = "20px";document.body.innerHTML = "<h1>?</h1>";} else {new window.TencentCaptcha(window.TCaptchaId, window.TCaptchaCallback, {type: "full",showHeader: false,enableAged: true,enableDarkMode: "force",}).show();}</script></body></html>
搭建一个html，不去他的网页，防止出现不好的影响
这里选择node作为开发语言，为了节省时间，就不去分析他的图片来源的完整流程使用puppeteer来进行获取图片这一步骤
尝试使用puppeteer直接打开，发现网页有检测所以
const puppeteer = require("puppeteer-extra");const pluginStealth = require("puppeteer-extra-plugin-stealth");puppeteer.use(pluginStealth());
使用puppeteer-extra 绕过检测
接下来编写代码
(async () => {const browser = await puppeteer.launch({// headless: "new",headless: false,args: ["--disable-site-isolation-trials"]});//创建一个浏览器，headless: false,展示出来const page = await browser.newPage();page.on('response', async (response) => {const responseUrl = response.url();if (responseUrl.includes("t.captcha.qq.com/cap_union_new_getcapbysig?img")) {const picBuf = await response.buffer();//这里拿到图片}});await page.goto("", { waitUntil: "networkidle0" });//这里图片地址await page.waitForSelector("#tcaptcha_iframe_dy");const frame = await page.frames()[1];await frame.waitForSelector("#slideBg");const slideBg = await frame.evaluate(() => {const img = document.querySelector("#slideBg");const rect = img.getBoundingClientRect();const width = rect.width / 3;const height = rect.height / 2;const centers = [];for (let i = 0; i < 2; i++) {for (let j = 0; j < 3; j++) {const x = rect.left + width * (j + 0.5);const y = rect.top + height * (i + 0.5);centers.push({ x, y });}}return centers;});//把图片分割6份返回坐标的位置})();
开始研究
图片相似算法有很多，例如 感知哈希（pHash）、结构相似性指数（SSIM）、余弦相似度等，我这里为了测试一下可能性，简单写一个通过色系判断，试试可能性
async function extractImageParts(imagePath) {const verifyImg = sharp(imagePath).extract({left: 0,top: 34,width: 672,height: 480 - 34,});const verifyList = [];let index = 1;for (let i = 0; i < 2; i++) {for (let j = 0; j < 3; j++) {const left = j * 226;const top = i * 226;const task = verifyImg.extract({left: left,top: top,width: 220,height: 220,});const buf = await task.toBuffer();fs.writeFileSync(`d:\验证码\${index}.jpg`, buf);verifyList.push(buf);index++;}}return verifyList;}async function calculateAverageColors(verifyList) {return await Promise.all(verifyList.map(getAverageColor));}async function getAverageColor(buffer) {const { data, info } = await sharp(buffer).resize({ width: 12, height: 12 }).raw().toBuffer({ resolveWithObject: true });let totalR = 0, totalG = 0, totalB = 0;for (let i = 0; i < data.length; i += 3) {totalR += data[i];totalG += data[i + 1];totalB += data[i + 2];}const numPixels = info.width * info.height;return [Math.round(totalR / numPixels),Math.round(totalG / numPixels),Math.round(totalB / numPixels),];}
使用sharp进行对图片分割，分割成3*2的220*220的图片，然后缩小图片，获得缩略图
function calculateColorDistance(color1, color2) {const [r1, g1, b1] = color1;const [r2, g2, b2] = color2;return Math.sqrt(Math.pow(r1 - r2, 2) + Math.pow(g1 - g2, 2) + Math.pow(b1 - b2, 2));}function generateSimilarityMatrix(averageColors) {const similarityMatrix = [];for (let i = 0; i < averageColors.length; i++) {const row = [];for (let j = 0; j < averageColors.length; j++) {if (i === j) {row.push(1);} else {const distance = calculateColorDistance(averageColors[i], averageColors[j]);row.push(1 - distance / 441.67);}}similarityMatrix.push(row);}return similarityMatrix;}
初始化：创建一个空的相似度矩阵 similarityMatrix。
双重循环：遍历 averageColors 数组，构建矩阵的每一行和每一列。
对角线处理：当 i === j 时，将对角线元素设为1。
计算相似度：对于非对角线元素，调用 calculateColorDistance 函数计算颜色距离，并根据公式 1 - distance / 441.67 计算相似度。
返回结果：最终返回生成的相似度矩阵。
经过测试，只使用色系来进行识别的成功率有50以上，如果优化相似度算法，应该能达到80以上。
· 今 日 推 荐 ·
现在进群还可领取圣僧老师价值699元的
【揭秘公众号流量推荐--爆文概率提高80%】教程
本文内容来自网络，如有侵权请联系删除
原文始发于微信公众号（逆向有你）：JS逆向 -- 某讯点选纯算识别可能性
免责声明:文章中涉及的程序(方法)可能带有攻击性，仅供安全研究与教学之用，读者将其信息做其他用途，由读者承担全部法律及连带责任，本站不承担任何法律及连带责任；如有问题可邮件联系(建议使用企业邮箱或有效邮箱,避免邮件被拦截，联系方式见首页)，望知悉。
- 左青龙
- 微信扫一扫
-
- 右白虎
- 微信扫一扫
-
评论