MISC_image


MISC

image


启示:切忌形成惯性思路

尽管总结有益,亦是为了形成常见的解题思路。尽管浅薄的笔者通过上述几种方法,的确能独立解出一定比例的图像MISC题,但出题者永远比你懂得多、想得多。要学会跳出固定范式,灵活运用!


1

winhex改变图片规格

大白

看不到图? 是不是屏幕太小了 注意:得到的 flag 请包上 flag{} 提交

此为原始图像👇

在这里插入图片描述

观察到大白为半身图,丢进winhex查看,实为png图像没错;结合提示(如果在kali中无法正常浏览图片也可以做接下来的操作),更改图片高度

#方法如下winhex参数

更改后保存得👇

出现的问题

途中遇到提示“winhex无法创建,请确定文件夹存在,文件没有收到保护”。查询得->修改winhex菜单:选项–常规,临时文件目录为XXX,关闭winhex重新打开文件操作即可。

在上传的过程中笔者出现图片始终显示不了的问题,在本地也是。调试了多遍发现上传图片的方式大致有转base64和本地使用绝对路径等。
其中转base不提倡是因为转换之后篇幅太大,即使利用了标签等方式,复制这一项笔者也吃不消。
本地需要注意几个点:1.图片调用路径不对;2.图片名称不对;3.图片本身的问题;4.图片调用代码问题。(说明:图片调用代码为 img src=“图片地址” alt=“图片说明” )

2

Stegsolve

LSB

注意:得到的 flag 请包上 flag{} 提交

此为原始图像👇

观察到此为一普通图像,根据题目提示,执行cmd代码调用Stegsolve->

java -jar C:\Users\16231\Desktop\Stegsolve.jar

打开需处理的图片后,通过<>调整可观察到👇

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

即,在该图像的RED,GREEN,BLUE通道上方出现了与其他图像不同的内容。于是选择操作Analyse-DataExtract👇

通过SaveBin导出flag.png可得👇

  • 0
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
我想在以下这段代码中,添加显示标有特征点的图像的功能。def cnn_feature_extract(image,scales=[.25, 0.50, 1.0], nfeatures = 1000): if len(image.shape) == 2: image = image[:, :, np.newaxis] image = np.repeat(image, 3, -1) # TODO: switch to PIL.Image due to deprecation of scipy.misc.imresize. resized_image = image if max(resized_image.shape) > max_edge: resized_image = scipy.misc.imresize( resized_image, max_edge / max(resized_image.shape) ).astype('float') if sum(resized_image.shape[: 2]) > max_sum_edges: resized_image = scipy.misc.imresize( resized_image, max_sum_edges / sum(resized_image.shape[: 2]) ).astype('float') fact_i = image.shape[0] / resized_image.shape[0] fact_j = image.shape[1] / resized_image.shape[1] input_image = preprocess_image( resized_image, preprocessing="torch" ) with torch.no_grad(): if multiscale: keypoints, scores, descriptors = process_multiscale( torch.tensor( input_image[np.newaxis, :, :, :].astype(np.float32), device=device ), model, scales ) else: keypoints, scores, descriptors = process_multiscale( torch.tensor( input_image[np.newaxis, :, :, :].astype(np.float32), device=device ), model, scales ) # Input image coordinates keypoints[:, 0] *= fact_i keypoints[:, 1] *= fact_j # i, j -> u, v keypoints = keypoints[:, [1, 0, 2]] if nfeatures != -1: #根据scores排序 scores2 = np.array([scores]).T res = np.hstack((scores2, keypoints)) res = res[np.lexsort(-res[:, ::-1].T)] res = np.hstack((res, descriptors)) #取前几个 scores = res[0:nfeatures, 0].copy() keypoints = res[0:nfeatures, 1:4].copy() descriptors = res[0:nfeatures, 4:].copy() del res return keypoints, scores, descriptors
05-27

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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