这是CTF杂项的一道题目，题目简介取，取证与安全杂项，番茄真的很好吃，可是，我的番茄怎么怪怪的，给我...

解出来了，这题不是传统 LSB/尾部藏文件，而是 “小番茄图片混淆”。

Flag

text
moectf{Tom@t0_i5_D3liciou5!}

我在你上传的 tomato.jpeg 上实际还原成功，flag 直接写在恢复后的番茄图片中间：

查看还原后的图片

下载完整求解脚本 solve_tomato.py

WP

先做基础取证：

bash
file tomato.jpeg
identify tomato.jpeg
strings tomato.jpeg

附件是普通 JPEG，尺寸：

text
1170 x 1553

没有直接从字符串、附加文件等位置拿到 flag。真正值得注意的是图像本身：看起来像大量红色小方块/矩形被重新排列，但每个区域内部仍然保持比较明显的连续纹理。

题目又一直提示：

番茄真的很好吃，可是，我的番茄怎么怪怪的

这里的“番茄”其实是在提示 小番茄图片混淆。

这个算法使用 Gilbert 空间填充曲线（广义 Hilbert curve） 把二维图片的所有像素变成一条一维遍历路径，然后沿路径循环平移像素；常见实现的偏移量使用黄金比例计算。开源实现的说明正是：

text
offset = round((sqrt(5) - 1) / 2 * 总像素数)

而且混淆和解混淆本质上是互逆的像素映射。(GitHub)

这张图片：

python
width  = 1170
height = 1553

total = 1170 * 1553
      = 1817010

所以：

python
offset = round((sqrt(5)-1)/2 * 1817010)
       = 1122974

官方/衍生实现中可以把关系理解成：

text
old_pos = curve[i]
new_pos = curve[(i + offset) % total]

混淆：
dst[new_pos] = src[old_pos]

解混淆：
dst[old_pos] = src[new_pos]

这与公开的小番茄实现说明一致。(GitHub)

本题的小坑

我分别测试了两个方向。

正常按“解混淆”方向移动时，图片仍然是乱的；反过来，对题图再执行一次混淆方向的偏移，马上恢复成正常的番茄照片。

关键代码其实就是：

python
coords = np.asarray(list(gilbert2d(w, h)))
xs, ys = coords[:, 0], coords[:, 1]

seq = img[ys, xs]

offset = round((math.sqrt(5) - 1) / 2 * w * h)

# 本题要走混淆方向
restored_seq = np.roll(seq, offset, axis=0)

out = np.empty_like(img)
out[ys, xs] = restored_seq

恢复以后中央可以直接看到：

text
moectf{Tom@t0_
i5_D3liciou5!}

拼起来即：

text
moectf{Tom@t0_i5_D3liciou5!}

运行我给你的脚本即可复现：

bash
pip install pillow numpy

python solve_tomato.py tomato.jpeg -o restored.png

得到的 restored.png 就是正常番茄图和 flag。