详解Python结合Genetic Algorithm算法破解网易易盾拼图验证

首先看一下目标的验证形态是什么样子的

是一种通过验证推理的验证方式，用来防人机破解的确是很有效果，但是，But，这里面已经会有一些破绽，比如：

（以上是原图和二值化之后的结果）

（这是正常图片）

像划红线的这些地方，可以看到有明显的突变，并且二值化之后边缘趋于直线，但是正常图像是不会有这种这么明显的突变现象。

初识潘多拉

后来，我去翻阅了机器视觉的相关文章和论文，发现了一个牛逼的算法，这个算法就是——Genetic Algorithm遗传算法，最贴心的的是，作者利用这个算法实现了一个功能，“拼图自动还原”（不是像什么A*算法寻找最优路线解那种哈，就是单纯的拼图）项目仓库地址 首先来介绍下如何使用跑起来这个项目吧，坑是真的很多，接下来感受一下pyCham的一路报错！ 这里我用的是python3.10的版本，目前是最新的版本 文档中这一步执行是会报错的

pip3 install -r requirements.txt

解决方案：单独对requirements.txt文件下的每个包单独下载，然后根据当前下载的包的最新版本替换旧版本号。

我目前每个包最新使用的是这些版本号

全部替换完了之后，再执行一次下面的代码，他就不会报错了

pip3 install -r requirements.txt

然后下一步，执行下面代码

pip3 install -e .

进入潘多拉

然后我们按照官网的提示来执行，先创建一个拼图出来，命令是这样的（这里的文件名我改了）

create_puzzle images/starry.jpg --size=60 --destination=puzzle.jpg

会发现，好像不行，因为我们没有在正确的位置上执行，他的脚本位置是在bin文件夹下面，你可能会遇到如下问题

成功之后的话，会在bin目录下生成一个拼图图片

以上是介绍如何生成图片，接下来是重头戏，如何还原图片

gaps --image=puzzle.jpg --generations=20 --population=600

对于参数的解释官网是这样的：

Option : 

--image Path to puzzle（需要被还原的图片）

--size Puzzle piece size in pixels （拼图的大小）

--generations Number of generations for genetic algorithm （遗传算法的代数）

--population Number of individuals in population

--verbose Show best solution after each generation （显示每一代后的最佳解决方案）

--save Save puzzle solution as image （拼图结果另存为图像）

先按照官方的走一遍

很好，很舒服，继续报错，而且语法拼写上我们也没有拼写错，没关系！我已经帮你找到解决方案了。

python gaps --image=puzzle.jpg --generations=20 --population=600 --size=60  --save

或者你不指定遗传代数和人口数

python gaps --image=puzzle.jpg --size=60 --save

这是完全还原的结果，至此，我们披荆斩棘从解决项目报错，一路挖坑填坑到demo成功运行，到这里我们已经成功了60%，接下来就是如何利用这个项目，去破解网易易盾的推理拼图验证。

探究潘多拉的秘密

首先看一下项目目录：

gaps文件夹下面是所有模块的源码，作者对各个基础功能做了封装，但是我们想要的功能并不存在，就需要自行阅读和理解源码，然后二开实现自己想要的功能。

我们主要关注这个文件individual.py：

我来用大白话给你翻译一下吧，“在所有排列中，帮你找出最优解”

输出这个映射，结果是这样的，正好是我们想要的东西

下面会有一个创建图像的方法，这是最后得到最优解图像拼接函数

那么，我们将最后的索引映射取到就OK了！

以下为最优解的映射值输出实例：

初始化的时候，新增一个变量用来存储最后的结果

self.pieceMapping = None

自定义一个函数

# 返回映射值
def getPieceMapping(self):
        return self.pieceMapping

每次执行的时候，将最优解传递出去

def to_image(self):
    """Converts individual to showable image"""
    pieces = [piece.image for piece in self.pieces]
    self.pieceMapping = self._piece_mapping
    return image_helpers.assemble_image(pieces, self.rows, self.columns)

以上，就把我们想要的结果输出了

调用：

key为最后的结果标志，value为原始标志。

PS：对于极度复杂的原始图片创建的拼图，在还原之后，误差会挺大的。