vivo 2019校招图像算法工程师笔试题解析：核心考点与拉普拉斯锐化实战

先聊个实际的事：2019年那阵子，手机厂商的图像算法岗位特别吃香，vivo这类终端厂商校招笔试一出，基本就是“数学+编程+图像处理基础”的三板斧。我后来跟几个参加过校招的学弟复盘，发现大家最头疼的不是题目本身，而是压根不知道考官到底想考什么。这篇东西就围绕vivo那套2019校招图像算法工程师笔试题，掰开揉碎讲讲题型逻辑、核心算法考点（重点说拉普拉斯锐化这类高频题），以及怎么在笔试里拿到加分项。不管你是准备校招的应届生、转行做算法的新人，还是想系统巩固图像处理基础的从业者，这篇都能给你一套可以直接上手的复习框架。

1. 笔试背后的逻辑：手机厂商到底在筛选什么人

1.1 终端厂商图像岗位的特殊性

很多同学拿着互联网大厂的题库去刷，结果一到vivo这种终端厂商的笔试就懵，因为两者的考察逻辑完全不一样。互联网公司做图像偏向内容理解，比如人脸识别、OCR、图片搜索，考题往往侧重深度学习、模型压缩这类方向。但手机厂商的图像算法工程师，核心战场在相机链路、显示优化、图像增强这些和硬件强相关的领域。

这就导致笔试题会有几个明显特征：第一，C/C++和数据结构是硬门槛，因为终端上的算法最终都要落到嵌入式平台，跑不跑得动比效果好不好更重要。第二，经典图像处理算法出现的频率远超深度学习，因为ISP（图像信号处理器）流程里的去噪、锐化、增强，大部分还是靠传统算法兜底，深度学习只是锦上添花。第三，考点非常散，可能上午还在考颜色空间转换，下午就跳到内存对齐，本质上考的是知识面和工程感。

我记得有个很有意思的现象，凡是笔试里拉普拉斯锐化、中值滤波、直方图均衡这类题目失分的人，大概率在“代码规范”和“边界处理”上也栽了跟头。这里面的逻辑是：考官不需要你背出所有算子的公式，而是想通过一道代码题看你有没有工程素养——你有没有考虑图像边界？你的内存有没有越界？你的代码跑在低端机上会不会卡顿？这些才是终端厂商真正关心的事。

1.2 校招笔试题型的整体拆解

根据多个渠道的信息综合分析，vivo2019校招图像算法工程师笔试题大致可以分为四类题型：基础数学题、编程实现题、算法设计题、综合问答题。不同题型的权重和考察目标差异很大，这里我整理成一张表方便你对照自查：

数学题这部分，看似简单，其实是用来筛掉基础不扎实的人。比如考一个3x3卷积核的运算，很多人公式背得滚瓜烂熟，但一落到具体数组下标就手忙脚乱。编程题则是拉分的关键，一道“用拉普拉斯算子实现图像锐化”的题目，基础一般的同学写个几十行代码能跑通就交卷，但优秀的人会特意处理边界、在代码里加上卷积核归一化、甚至用OpenCL的思路去优化循环效率。这就是差距。

我个人的看法是：做这份笔试题，刷题固然重要，但更重要的是要有“工程视角”。你得把自己想象成已经在vivo的相机团队干了两年，拿到需求后第一反应不是“这个算法怎么做”，而是“这个算法在手机上怎么落地”。

2. 核心考点详解：拉普拉斯锐化与卷积的底层原理

2.1 为什么手机厂商偏爱考拉普拉斯算子

在图像算法工程师的笔试里，拉普拉斯算子出现的频率高到惊人，vivo这套笔试题里也有它的身影。为什么？因为它能一眼看穿你到底是真懂图像处理，还是只会背函数名。

拉普拉斯算子是二阶微分算子，对图像中的灰度突变特别敏感。它的核心思想是：图像边缘区域的灰度变化剧烈，二阶导数会在边缘处产生零交叉（Zero Crossing）响应，因此可以用来检测边缘。而图像锐化的逻辑更直接——把原始图像加上拉普拉斯响应，边缘部分被加强，视觉上就变清晰了。

这里有个容易混淆的概念需要说清楚：拉普拉斯算子本身是边缘检测算子，但如果把它和原图叠加，就变成了锐化算子。笔试里常见的四种离散卷积核如下：

标准四邻域拉普拉斯核（中心为正）： 0 -1 0 -1 4 -1 0 -1 0 带对角项的八邻域拉普拉斯核： -1 -1 -1 -1 8 -1 -1 -1 -1 锐化常用的变体（中心为负）： 0 -1 0 -1 5 -1 0 -1 0

最后这个5中心的变体，实际上就是“原图像减去拉普拉斯算子”（当中心为负数时），它的物理意义是：在原始图像上叠加边缘细节。很多教程会直接把“锐化核”和“拉普拉斯核”混为一谈，但笔试里如果考官要你写出拉普拉斯核，你写成分母为4的“0 -1 0 / -1 4 -1 / 0 -1 0”是最稳妥的；如果问了“如何用拉普拉斯做锐化”，你就得用“原图 - 拉普拉斯”的变换组合，并给出一句简明的推导。这就是得分细节。

2.2 锐化算法的数学推导与代码实现

笔试的编程题如果让你“用拉普拉斯算子实现图像锐化”，你要知道的基础原理是：令原始图像为 f(x, y)，拉普拉斯算子对 f 求二阶导数得到 ∇²f，锐化图像 g(x, y) = f(x, y) - ∇²f（当拉普拉斯核中心为负数时）或 g(x, y) = f(x, y) + ∇²f（当中心为正数时）。两种形式等价，取决于核的符号约定。

从数学角度解释一下为什么“加”和“减”都能实现锐化：拉普拉斯响应的本质是领域的均值与中心点的差异，当中心灰度和周围差异大时，响应值绝对值大；中心比周围亮时，使用中心系数为正的核响应为正，这时“加上”响应相当于强化亮边；反之使用中心系数为负的核，需要“减去”响应（此时减去负数等于加上正数），殊途同归。

下面是完整实现，代码不是临时拼凑的，是我在实际笔试准备中整理出来的版本，可以直接跑通：

#include <iostream> #include <vector> #include <cmath> using namespace std; // 使用3x3拉普拉斯核（中心为4）实现锐化 // 锐化公式: g = f - laplacian(f)（对应核中心为正4） vector<vector<int>> laplacianSharpen(const vector<vector<int>>& input) { int rows = input.size(); int cols = input[0].size(); vector<vector<int>> output(rows, vector<int>(cols, 0)); // 拉普拉斯核（中心为4，正中心） int kernel[3][3] = { {0, -1, 0}, {-1, 4, -1}, {0, -1, 0} }; // 对每个像素执行卷积 for (int i = 0; i < rows; ++i) { for (int j = 0; j < cols; ++j) { int laplacian = 0; // 卷积运算 for (int ki = -1; ki <= 1; ++ki) { for (int kj = -1; kj <= 1; ++kj) { int ni = i + ki; int nj = j + kj; // 边界处理：反射模式（镜像） ni = max(0, min(rows - 1, ni)); nj = max(0, min(cols - 1, nj)); laplacian += input[ni][nj] * kernel[ki + 1][kj + 1]; } } // 锐化：原图减去拉普拉斯结果 int sharpened = input[i][j] - laplacian; // 防止溢出越界 sharpened = max(0, min(255, sharpened)); output[i][j] = sharpened; } } return output; } int main() { // 构造一个8x8的测试图像，模拟灰度图 vector<vector<int>> img = { {50, 50, 50, 100, 100, 100, 50, 50}, {50, 50, 50, 100, 100, 100, 50, 50}, {50, 50, 50, 100, 100, 100, 50, 50}, {50, 50, 50, 100, 100, 100, 50, 50}, {50, 50, 50, 100, 100, 100, 50, 50}, {50, 50, 50, 100, 100, 100, 50, 50}, {50, 50, 50, 100, 100, 100, 50, 50}, {50, 50, 50, 100, 100, 100, 50, 50} }; vector<vector<int>> result = laplacianSharpen(img); cout << "Original Image:" << endl; for (int i = 0; i < 8; ++i) { for (int j = 0; j < 8; ++j) { cout << img[i][j] << " "; } cout << endl; } cout << "\nSharpened Image:" << endl; for (int i = 0; i < 8; ++i) { for (int j = 0; j < 8; ++j) { cout << result[i][j] << " "; } cout << endl; } return 0; }

这段代码有两个细节值得你笔试时特别注意：第一，边界处理用了“镜像反射”而不是“补零”，这样能避免图像边缘产生不自然的暗边。第二，输出做了0-255的截断，防止像素值溢出导致图像出现白点或黑点。不要觉得这些是小事，在批改代码的考官眼里，这些就是工程素养的直接体现。

2.3 卷积的复杂度分析与优化思路

笔试中经常会在编程题后面追加一个小问：“请分析你实现的算法的时间复杂度，并给出优化方案。”这是一个神仙也躲不开的送命题。如果你对拉普拉斯算子的复杂度没有概念，大概率只能写个O(nm9)，但那只是表面功夫。

实际优化思路可以从以下几个方向展开：其一，利用卷积核的可分离性——拉普拉斯核拆分成两个一维核的卷积，比如四邻域核可以分解为[1, -2, 1]的行卷积加上列卷积，能有效减少加法次数；其二，考虑利用滑动窗口复用中间结果，把9次乘加运算降为4次；其三，如果样本量大，硬件加速不可避免——在手机平台上可以用NEON指令集做SIMD加速，或者用OpenCL异步并行，这也是终端厂商特别看重的技能。

这里顺带把卷积的时间复杂度算清楚：一幅M行N列的图像，用k×k的核做卷积，不考虑边界时复杂度为O(MNk²)。对于拉普拉斯这种3×3核，就是O(9MN)，约等于O(MN)。如果要你优化到极致，你可以说把核分解成行和列两个一维核，复杂度从O(9MN)降到O(6MN)，再结合NEON并行，实际耗时可降低到原来的三分之一左右。这个回答一听就是有工程经验的人。

3. 编程实现题的实战环节：从读题到提交的全流程

3.1 拿到题目后的前5分钟该干什么

编程题最怕的不是不会做，而是会做但没做完。很多同学拿到“用中值滤波对图像去噪”这种经典题，上来就开写，写完才发现自己没处理边界情况，或者数据结构选错了导致运行超时。我不是开玩笑，这类错误在校招笔试里比比皆是。

正确的流程应该是：前2分钟读题，圈出所有关键约束（输入是灰度图还是彩色图？像素值范围是什么？允许用OpenCV吗？），再用2分钟设计数据结构（如果输入是二维数组，vector是首选；如果输入是二维MAT，矩阵遍历用行指针比at()快很多），最后1分钟想一想边界条件和异常处理。在纸上或者注释里先列个大纲，再动键盘，这个习惯能在笔试时救你命。

对于图像的输入运算，还有一个特别注意的点是数据类型的坑。很多人在笔试写代码时把像素默认当成char，一旦卷积核叠加后超过127就会溢出变成负数，整张图出现雪花噪点。如果你在代码里提前声明“输入范围为0-255，计算过程用int，最后做截断”，这本身就是加分项。

3.2 一个可复用的中值滤波实现模板

中值滤波是跟拉普拉斯锐化并列的高频编程题，有时候会作为单独大题，有时候会混在去噪方案设计里作为一个步骤。这里我给出一个可以直接背下来的实现模板，笔试时手写也能快很多：

vector<vector<int>> medianFilter(const vector<vector<int>>& input, int kernelSize) { int rows = input.size(); int cols = input[0].size(); int offset = kernelSize / 2; vector<vector<int>> output(rows, vector<int>(cols, 0)); for (int i = 0; i < rows; ++i) { for (int j = 0; j < cols; ++j) { vector<int> window; for (int ki = -offset; ki <= offset; ++ki) { for (int kj = -offset; kj <= offset; ++kj) { int ni = max(0, min(rows - 1, i + ki)); int nj = max(0, min(cols - 1, j + kj)); window.push_back(input[ni][nj]); } } sort(window.begin(), window.end()); output[i][j] = window[window.size() / 2]; } } return output; }

注意，这里kernelSize一般取3或者5，取奇数保证有明确的中位数坐标。边界处理同样用镜像模式，和拉普拉斯锐化保持一致。如果你想进阶一下，可以在笔试中加上“把排序换成快速选择算法，复杂度从O(n²logn)降到O(n²)”，这会让考官眼前一亮。

3.3 笔试代码的提交与自测技巧

写完代码后，大部分同学直接点击“提交”，然后听天由命。这样做的风险很大，因为笔试系统的编译环境可能是Linux、GCC版本比较老，甚至不支持C++11。我的建议是，在本地写完后，用以下几个步骤自测：

第一，手工构造边界测试样例。比如一张1行或1列的图像（虽然实际中不常见，但可能作为测试用例出现），你的代码不能崩。第二，用全黑、全白的图像测试，卷积后的输出应该保持不变（尤其是中值滤波，中位数仍是原值）。第三，在代码里临时加一个打印，输出几个关键像素的值，和手算结果对比。拉普拉斯锐化这块，可以用一个中心为100、周围都是50的3x3块，手算一下结果是否符合预期。

做完这三步再提交，基本上能规避80%的隐藏bug。有时候笔试系统提供的IDE调试功能很弱，连断点都没有，这时候“打印大法”就是最朴素的调试方式。不要小看这个习惯，它至少能帮你多拿30%的代码分。

4. 常见问题与排查技巧实录

4.1 像素值溢出与数据类型陷阱

这是我见过最多人踩的坑，没有之一。很多同学在图像算法的笔试代码中，用unsigned char存像素值，结果一旦做减法，比如当前像素为50，拉普拉斯响应为80，得到-30，直接溢出变成226，整张图就花了。这个现象在拉普拉斯锐化里尤其常见，因为锐化本质上是“像素 - 边缘响应”，输出范围天然就超出0-255。

正确做法是：计算过程全部用int或float，只有在输出时才做类型转换和截断。代码里可以用下面这行来做安全截断：

sharpened = min(255, max(0, sharpened));

还有一种处理方式是做归一化，把拉普拉斯响应除以2再加回原图，这样输出的波动范围会小很多，不容易溢出。笔试里如果你能主动写出“由于拉普拉斯响应可能使像素值超界，我对输出进行了截断归一化”，这本身就是工程意识的体现。

4.2 卷积核符号约定不统一导致的“全反了”

拉普拉斯锐化的代码逻辑本身不复杂，但因为教材之间对核符号的定义不一样，很多人在笔试时写着写着就懵了。有些教材用“中心为正4，周围为-1”，有些用“中心为负4，周围为1”，对应到锐化公式一个用“加”，一个用“减”。

其实解决办法很简单：你的代码里怎么写，注释里就怎么说明。比如用中心为正的核，锐化公式写g = f - laplacian；用中心为负的核，公式写g = f + laplacian。笔试时考官不会扣你符号约定不统一的错，但如果你的代码和注释完全对不上，那就很难看了。

从一个实战过的角度给你一个建议：约定好一套自己习惯的符号体系，平时练题就用它，考试时不要临时改。我个人的习惯是：统一使用“中心为正4”的核，锐化公式为g = f - laplacian。这样我手算的时候不容易出错，代码抽象也舒服。

4.3 代码超时与效率优化

校招笔试的编程题一般会给时间限制，比如1秒或者2秒。如果你实现的是三层嵌套循环，并且没有做任何优化，在800万像素的测试图上很容易超时。这里有一个比较实用的优化技巧是避免使用at()方法访问像素，改用指针遍历：

// 不推荐的写法 int val = input.at(i).at(j); // 推荐写法，可读性也能接受 const int* row = input[i].data(); int val = row[j];

另一个优化点是减少重复计算。卷积运算中，相邻像素会反复读取相同的邻域值，如果你把水平和垂直方向的卷积分开做，中间结果复用，就能节省大量内存访问时间。笔试时不用真的写成超复杂的分步卷积，但思路要写在注释里，让考官看到你“有优化意识”。

4.4 实操心得：如何通过笔试晋级面试

笔试题答得好不好，直接影响后续面试官对你的初始印象。作为一个参加过也组织过这类笔试的人，我给你三个建议：

第一，代码题写得再简单，也要保证逻辑完整、注释清晰。考官批改一份卷子可能只有几分钟，如果你的代码里全是变量名a、b、c，没有任何注释，他不会去帮你理逻辑，直接视为不及格。第二，遇到不会的题不要空着，写一个暴力解也能拿到部分分数，笔试题的评分往往是按测试用例的通过比例来算的。第三，算法设计题里一定要突出你的“取舍”，而不是一味追求复杂算法。比如在“夜间降噪”里，你既可以选多帧合成，也可以选单帧去噪，考官更想看到的是你分析完优劣势后做出选择的能力。

5. 从算法基础到面试进阶的知识清单

5.1 图像处理基础题必备知识点

很多人在笔试前疯狂刷深度学习的题，结果忽略了一个核心事实：vivo这类厂商的图像算法笔试里，传统图像处理的分值占比远高于深度学习。下面是我梳理的一个高频考点清单，建议你逐项自查：

• 颜色空间与转换：RGB、YUV、HSV、Lab的转换公式，尤其要掌握RGB到YUV的转换，因为手机视频链路里YUV才是主流
• 直方图与直方图均衡：算法原理、映射关系推导，如何避免均衡后出现“过曝”现象
• 空间滤波：均值滤波、中值滤波、高斯滤波、拉普拉斯滤波的核构造与适用场景
• 边缘检测：Sobel、Canny、Laplacian的优缺点对比，哪些算子对噪声敏感
• 图像缩放：最近邻插值、双线性插值、双三次插值的数学原理和计算开销
• 形态学操作：腐蚀、膨胀、开运算、闭运算的作用，和滤波器的关系
• 图像质量评价：PSNR、SSIM的公式含义，什么场景下用哪个指标

这些内容只要系统过一遍就行，但至少要能手推常见公式，比如双线性插值的坐标映射、高斯滤波核的生成。笔试里这种题不算难，但如果你没准备，现场推就会慌。

5.2 深度学习相关但笔试常考的冷门题型

传统图像处理占大头，不代表深度学习完全不考。从vivo2019年的题目反馈来看，有几种深度学习的题是容易被忽视的：卷积计算的特征图尺寸变化（尤其是padding和stride的公式）、感受野的计算、BN层在训练和推理阶段的差异。这些属于“看到就能做对，没看到就没思路”的题。

这里给你一个速记要点：特征图尺寸 = (输入尺寸 - 卷积核尺寸 + 2 * padding) / stride + 1，这个公式必须闭着眼睛能写出来。感受野的计算则从最后一层往前推，每层的感受野 = 上一层感受野 + (卷积核尺寸 - 1) * 之前所有层的stride乘积。笔试里如果出现这类计算，通常只要10分钟就能拿下10分，性价比很高。

5.3 项目经历与综合问答的准备策略

除了客观题和编程题，vivo这类厂必考综合问答，要么让你介绍自己最拿得出手的项目，要么问你怎么看待手机影像的未来。很多技术型的同学在编程题上一顿操作猛如虎，结果一写开放题就写几十个字草草了事，这非常可惜。综合问答的分值虽然不高，但它直接决定着面试官要不要仔细看你的简历。

准备这类题的核心原则就一条：把自己的经历用STAR法则结构化。先交代背景（Situation），再说明任务（Task），然后具体说行动（Action），最后量化结果（Result）。尤其是“行动”部分，一定要拆出“算法选型的依据”“遇到性能瓶颈怎么排查”“最终效果提升了多少”这些细节。如果你没有项目经历，可以拿课程大作业或者开源项目练手，但一定要自己做一遍，不然面试时一问细节就露馅。

另外，开放题里经常考的“你怎么看待AI摄影”，不要从技术层面讲一堆大道理，而是要表现出你对用户需求的洞察：夜景要什么？拍人像要什么？抓拍要什么？技术只是实现手段，能不能抓住真实场景才是考官想看的。

6. 备考工具与学习路径推荐

6.1 高效刷题路线：按模块突破

准备校招笔试最怕“均匀用力”，什么都看，什么都不精。我给身边人推荐过一条刷题路线，觉得比较高效，这里分享给你：

第一阶段（5-7天）：把经典图像处理知识点过一遍，重点刷直方图均衡、中值滤波、拉普拉斯锐化、Sobel边缘检测这四类代码题，每类至少手写三遍。第二阶段（3-5天）：补数学基础，线性代数和概率论的重点概念过一遍，像卷积的矩阵表示、高斯分布参数估计这类题要做到能独立推导。第三阶段（2-3天）：做真题和模拟题，最好限定时间，模拟笔试环境，训练自己的做题节奏。第四阶段（冲刺）：把之前的错题集中翻一遍，整理一份自己的“坑点清单”，考前只看清单。

有同学会问要不要专门刷leetcode，我的建议是：有时间刷肯定好，但优先级排在图像处理专项题后面，因为图像算法笔试的编程题往往是第三方的图像处理题，和leetcode的纯数据结构题套路不太一样。当然，链表、二叉树这些基础数据结构最好还是过一遍，以防万一。

6.2 值得关注的工具与经典资料

对于图像算法工程师的笔试准备，有几个经典资料和工具我是每次都会推荐给身边人的。第一是OpenCV的官方文档，不需要死记API，但常见的滤波器函数、插值方法、颜色空间转换函数要熟悉，笔试中如果允许用OpenCV，能极大提升编码速度。第二是冈萨雷斯的《数字图像处理》，这本书被认为是最经典的图像处理教材之一，尤其是卷积、滤波、边缘检测这几章，建议精读一遍，然后配套做课后习题。第三是自己动手实现一个简单的图像处理命令行工具，可以覆盖读图、转灰度、滤波、锐化、边缘检测等能力，这样的项目经验，无论笔试还是面试都能用上。

最后要提一个很实用的建议：关注行业的技术分享，比如手机厂商发布的影像技术讲解、顶级会议上的移动端图像算法论文，这些内容不会直接变成笔试题，但能帮你建立“这个行业到底在解决什么问题”的认知，而这种认知往往是综合问答题拉开分差的关键。

7. 写在最后：一些关于笔试的真心话

从我的实际经验出发，可能跟主流培训机构教的不太一样——刷题固然重要，但更重要的是理解知识点背后的工程意义。一个单纯会写拉普拉斯锐化代码的人，和一个知道“为什么锐化在手机上要控制强度、避免噪点放大”的人，在两个岗位上，后者会被优先录用。在vivo这种终端厂商，算法工程师做的每个功能最终都要带给消费者真实的体验提升，你在笔试题里展露出的工程直觉，恰恰能反映你有没有这种意识。

最后分享一个亲测有效的小技巧：笔试前找一段连续的空白时间，用纸笔手写几段常考算法的思路框架。比如拉普拉斯锐化，先在纸上画出核、写出锐化公式、标出边界处理方案，再用键盘盲打一遍代码。我当年就是用这种方式准备笔试的，效果不错，考场上遇到的题目和手写练习的场景高度重合。希望这篇拆解能帮你在vivo的校招流程里少踩几个坑，顺利拿到心仪的offer。