金山办公视觉算法笔试题复盘：从图像处理到KMP的完整备考指南

我当时秋招投金山办公的时候，心里预期是“这家公司做文档办公软件，视觉岗应该和OCR、图像增强关系很大”。等真正打开这套2020校招计算机视觉算法工程师笔试题（二），我才发现它考的东西比我预想的要系统得多——不是简单刷几道深度学习八股就能应付的，而是把图像底层、数学基础和算法功底整个串在了一起。这几年陆续有学弟学妹找我问这套题怎么准备，我干脆把印象里的题型、考点和复习方法完整复盘一遍，写成一篇能直接照着查缺补漏的文章。

这篇内容主要适合三类人：正在准备计算机视觉岗校招/实习笔试的同学，想补图像底层知识的技术人，以及对KMP、动态规划这类经典算法理解得比较浅、希望靠真题思路去加深理解的人。我会按试卷的常考模块来拆，每个模块都会展开原理、给计算样例、摆出代码，再补一些我自己踩过的坑和总结出来的判断技巧。

1. 笔试整体观察与备考思路

1.1 题型分布与时间分配

金山办公这套视觉算法笔试题（二）给我的第一感觉是：题量不算大，但覆盖面很宽。我当时那场考试大概是90分钟，题目大致分成四类：图像处理与特征提取类选择题/简答题、深度学习基础概念题、数据结构与算法题，以及两道手写编程题。和很多只考神经网络的公司不同，这套题明显更看重“底层理解”和“手推能力”。

我建议的时间分配是：选择题和填空题压缩在30分钟内搞定，简答题控制在25分钟左右，最后给编程题至少留35分钟。视觉岗位的笔试，编程题往往是区分度最大的部分——很多人前面概念题答得不错，最后编程题因为边界条件没处理好直接挂掉，非常可惜。

提示：如果题目里出现了“写出推导过程”“简要说明原因”这类字眼，千万不要只写答案。评分的时候，过程分通常占一半以上。

1.2 计算机视觉岗位的笔试到底在看什么

从我后来和一起面试的同学复盘来看，金山办公视觉岗的笔试看重的不是你会不会背某篇论文，而是三件事：第一，你对图像从“像素”到“特征”到“语义”这条链路有没有清晰的认知；第二，你对常用算法是否真的理解到能手写、能推导的层度；第三，你面对一个具体工程问题时，能不能快速抽象出数学模型并写出可靠代码。

这套题（二）和网上流传的（一）相比，我觉得二卷更偏向传统图像处理和算法设计，深度学习部分相对克制，但一问就是经典中的经典，比如感受野计算、损失函数选择、网络结构演化的动机。这些内容不背不行，但光背也不够，必须懂背后的原理。

这其实反映出一种筛选思路：算法工程师前期可以依赖框架，但底层原理必须过关，否则后面调模型、改网络、处理脏数据的时候会寸步难行。所以我建议你在刷题之外，把重心放在“为什么”上。

2. 图像处理与特征提取核心考点

2.1 滤波与边缘检测：公式和计算都不能漏

这套卷子里图像处理部分给我的印象很深，因为它不是简单考“高斯滤波有什么作用”这种概念题，而是要求你真的会算。比如它会给一个3x3的灰度图局部区域，让你用Sobel算子求中心点的梯度幅值和方向。这种题看似简单，但很多人栽在取绝对值、方向范围、以及边界点处理方式上。

Sobel算子的核心是两组卷积核，一个检测水平方向梯度（Gx），一个检测垂直方向梯度（Gy）。对一个3x3区域，中心点的梯度近似为：

• Gx = (z7 + 2z8 + z9) - (z1 + 2z2 + z3)
• Gy = (z3 + 2z6 + z9) - (z1 + 2z4 + z7)

其中z1到z9对应3x3窗口从左到右、从上到下的像素值。梯度幅值G = sqrt(Gx^2 + Gy^2)，方向角theta = atan2(Gy, Gx)。

我当年复习时给这类题总结了一个通用流程：先把模板写下，再逐项乘加，最后别忘了bias或者说边界处理。很多参考书默认对边界做零填充，但实际工程中更常用的是复制填充，因为零填充会在图像边缘产生虚假的高梯度响应。笔试里如果没说明边界条件，我建议在答案里主动写一句“按零填充处理”，这样阅卷人会知道你有边界意识。

2.2 几何变换与图像配准怎么考

几何变换是这张卷子里经常出现的考点，而且通常不会直接问“仿射变换是什么”，而是给一组对应点，让你算变换矩阵，或者给一个相机旋转角，让你求变换后的坐标。

我印象里比较典型的问题：已知某点绕图像中心旋转30度，求变换后的坐标，需要写出旋转矩阵和平移矩阵的复合过程。这里有两个容易错的地方：一是旋转公式里的正弦余弦正负号，二是绕任意点旋转时，要先平移到原点、旋转、再平移回去。

所谓仿射变换，本质是一个线性变换加一个平移，可以表示为：

[x'] = [a11 a12] [x] + [tx] [y'] [a21 a22] [y] [ty]

它保持平行线和平行关系，但角度和长度会变。很多同学会把仿射变换和透视变换搞混。笔试里如果问“从文档照片到正视角图像应该用什么变换”，答案应该优先考虑透视变换，因为手机拍摄文档时存在明显的透视畸变，普通仿射变换矫正不了“近大远小”的梯形效果。金山办公大量场景是文档拍照和版面分析，这类题目我觉得和他们的业务是强相关的。

2.3 SIFT与HOG：特征描述子为什么是128维

传统特征这块，SIFT几乎是视觉笔试的常青树。它考得最多的几个点是：SIFT为什么具备尺度不变性、关键点主方向怎么确定、描述子为什么是128维。

这里我提供一个清晰的解释链：SIFT先在图像金字塔的每一层上用高斯差分（DoG）检测极值点，再用二次函数拟合得到亚像素精度的关键点位置，然后统计关键点邻域内梯度的方向直方图，直方图峰值对应的方向作为该关键点的主方向。有了位置、尺度和方向，就可以把坐标归一化到以主方向为基准的参考系里，从而让描述子具备几何不变性。

至于128维的由来：SIFT把关键点周围的16x16邻域划分成4x4的小网格，每个网格里统计8个方向的梯度直方图，那么4 x 4 x 8 = 128。这个数字不是拍脑袋定的，它是平衡“区分度”和“计算量”之后的经验选择。笔试里如果让你“简述SIFT描述子的构建过程”，你按“尺度空间检测、关键点精确定位、主方向分配、邻域梯度统计、向量归一化”五步走，基本就是满分结构。

3. 卷积神经网络与训练考点拆解

3.1 感受野与参数量：背下来的公式要会用

深度学习部分一定会考感受野的计算。感受野的定义是输出特征图上某个像素对应到输入图像上的区域大小，公式为：

RF_l = RF_{l-1} + (k_l - 1) * stride_l

其中RF_0 = 1，k_l是当前层卷积核大小，stride_l是当前层的步长。请注意，这里的stride是累计从当前层往前所有层的步长乘积吗？其实不是。严谨的写法是：从第1层算到第l层时，用每层自己的stride代入当前层那一项。网上有更复杂的递推写法，但我建议笔试里按“逐层累加”的方式去推，最不容易错。

举个例子：输入图像经过一个7x7卷积（stride=2, pad=3），再经过一个3x3卷积（stride=1）。第一层感受野是7。第二层感受野 = 7 + (3 - 1) * 1 = 9。这个结果的意义是，第二层输出上的每个像素，实际看到的是输入图像上9x9的区域。如果你想增大感受野，不用一味加深网络，换更大的卷积核或增加stride都能做到，但代价是计算量和空间分辨率的变化。

参数量计算也是必考点。Conv2d参数量计算公式是：

params = (输入通道数 x 输出通道数 x 卷积核高 x 卷积核宽) + 输出通道数

这里的输出通道数就是bias数量，如果不用bias就省略。比如一个3x3卷积，输入64通道、输出128通道，参数总量就是3 x 3 x 64 x 128 + 128 = 73856。有人会问，为什么全连接层参数量往往远大于卷积层？因为全连接是输入长度乘输出长度，不加权共享，而卷积层参数在空间上是共享的，这正是卷积网络适合图像的根本原因之一。

3.2 损失函数与训练技巧：交叉熵为什么能打

分类问题为什么普遍用交叉熵而不是均方误差（MSE）？这是笔试里的经典问法。我当时的回答分三层：第一，交叉熵对应概率分布之间的距离，天然适合衡量分类输出与one-hot标签的差异；第二，MSE配softmax会导致严重的梯度消失，因为softmax函数的导数在饱和区接近0，误差反向传播到前面几层时几乎没信号；第三，从信息论角度看，交叉熵可以拆成真实分布的熵加KL散度，最小化交叉熵等价于最小化预测分布与真实分布的KL散度。

除了损失函数，训练技巧里最常考的是BatchNorm的作用和Dropout的作用。BatchNorm的核心是解决内部协变量偏移，让每层输入分布更稳定，从而允许使用更大的学习率、加快收敛。注意它的实际计算有两个阶段：训练阶段统计当前batch的均值和方差，推理阶段使用训练时滑动平均得到的全局均值和方差，这个差异经常在面试口述里翻车。

3.3 从VGG到ResNet：网络结构演进高频题

关于经典网络，我总结了一套回答模板：先讲背景和动机，再讲核心结构，最后讲影响。VGG的核心是“小卷积核堆叠”，用多个3x3卷积替代大卷积核，既减少参数又增加非线性；ResNet的动机是解决深层网络退化问题，核心是残差连接，让网络层可以学习恒等映射以外的残差；后续的DenseNet、FPN等也都是为了让信息更好地流动。

笔试如果问“1x1卷积有什么用”，可以从三个角度回答：通道降维减少计算量、增加非线性变换、在跨通道信息融合的同时保持空间尺寸不变。这个考点简单但出现频率极高。还有FPN（特征金字塔网络）解决的是多尺度目标检测问题，通过自顶向下的路径和横向连接，让低层高分辨率特征和高层语义特征融合，大幅提升小目标检测效果。金山办公的文档扫描里经常有表格、印章、小字号文字等小目标，这个点在业务上非常贴合。

4. 数据结构与算法考点拆解

4.1 KMP的next数组：手算与递归代码

这一章是许多视觉方向同学最头疼的，但金山办公的笔试反而会考得比较基础。我印象里有一道题是：对模式串 p = "abacaba"，求其 next 数组。next[i] 的定义通常有两种版本，一种是 next[i] 表示模式串前 i 个字符的最长相等前后缀长度，另一种是 next[i] 表示失配时跳转的位置。笔试时一定要先看清题目给出的定义。

我常用的是 next[0] = -1，next[i] 表示前 i 个字符的最长相等前后缀长度（这里的“真前缀/真后缀”指长度小于整个子串的前缀和后缀）。对 p = "abacaba"，手算过程如下：

• i=0：next[0] = -1
• i=1：子串 "a"，没有真前后缀，next[1] = 0
• i=2：子串 "ab"，没有相等前后缀，next[2] = 0
• i=3：子串 "aba"，前后缀相等部分为 "a"，next[3] = 1
• i=4：子串 "abac"，没有相等前后缀，next[4] = 0
• i=5：子串 "abaca"，前后缀相等部分为 "a"，next[5] = 1
• i=6：子串 "abacab"，前后缀相等部分为 "ab"，next[6] = 2

所以 next = [-1, 0, 0, 1, 0, 1, 2]。手算的关键是“前缀和后缀不能是整个子串本身”，比如子串 "abaca" 最长的相等前后缀是 "a" 而不是 "abaca"。

对应的求next数组代码可以这样写：

def build_next(p: str): m = len(p) nxt = [-1] * m i, j = 0, -1 while i < m - 1: if j == -1 or p[i] == p[j]: i += 1 j += 1 nxt[i] = j else: j = nxt[j] return nxt p = "abacaba" print(build_next(p)) # [-1, 0, 0, 1, 0, 1, 2]

这段代码就是经典KMP预处理逻辑。理解它不需要死记，核心是：如果当前字符匹配，沿前一个最长前后缀扩展；如果不匹配，就回退到下一段可能的前后缀位置，也就是 nxt[j]。

4.2 排序与贪心：手写快排的分区思想

排序算法在视觉岗笔试里很少直接让你完整写快排，但很可能会考“快排分区过程”或者“归并排序的稳定性”。我对快排的建议是，至少能手写一次完整的Lomuto分区版本，因为它的代码量最小，逻辑也最好解释。

def quicksort(arr, low, high): if low >= high: return pivot = arr[high] i = low - 1 for j in range(low, high): if arr[j] <= pivot: i += 1 arr[i], arr[j] = arr[j], arr[i] arr[i + 1], arr[high] = arr[high], arr[i + 1] p = i + 1 quicksort(arr, low, p - 1) quicksort(arr, p + 1, high)

Lomuto分区以最后一个元素为pivot，把小于等于pivot的元素逐步挪到左侧。注意相等元素会交换到左边，所以这个实现是“不稳定”的。如果你需要稳定排序，归并排序更合适。视觉算法里经常要对检测框排序，比如按置信度从高到低排序，这时候稳定性可能影响非极大值抑制的结果，所以这个概念得清楚。

4.3 Dijkstra与动态规划：最值问题的思路链

笔试算法题里常会出现最短路径和动态规划里的经典问题。我印象里这套题没考太偏的图算法，但Dijkstra属于高频候选。Dijkstra的核心是贪心：每次从未确定的节点里选距离源点最近的一个，然后松弛它的邻接边。它要求所有边权非负，否则要用Bellman-Ford或SPFA。

动态规划里，最常考的是0-1背包和最长公共子序列（LCS）。我给你一个套路的思考顺序：先定义状态，再写状态转移方程，最后初始化边界。以0-1背包为例，dp[i][j]表示前i个物品在容量为j时的最大价值，转移方程是：

• 不选第i件物品：dp[i][j] = dp[i-1][j]
• 选第i件物品：dp[i][j] = max(dp[i][j], dp[i-1][j-w[i]] + v[i])

只要状态和转移写清楚，代码只是翻译过程。我建议你在笔试时就按这个顺序写答案，阅卷人一眼就能看到你的思路，即使最终代码有小bug，也能拿大部分分。

5. 编程题实战：从读题到AC

5.1 图像连通域个数：DFS/BFS的完整实现

这套卷子的编程题里有一类很贴合视觉场景的题：给定一个二维矩阵，0表示背景，1表示前景，上下左右相邻的1属于同一个连通区域，求连通域个数。这就是经典的“岛屿数量”问题，但放在视觉岗笔试里非常合理，因为连通域分析是图像处理的基本操作。

我建议用DFS实现，因为它最直观。完整代码如下：

def count_connected_components(grid): if not grid: return 0 rows, cols = len(grid), len(grid[0]) cnt = 0 def dfs(r, c): if r < 0 or r >= rows or c < 0 or c >= cols or grid[r][c] == 0: return grid[r][c] = 0 dfs(r - 1, c) dfs(r + 1, c) dfs(r, c - 1) dfs(r, c + 1) for r in range(rows): for c in range(cols): if grid[r][c] == 1: cnt += 1 dfs(r, c) return cnt

这段代码的复杂度是O(rows x cols)，每个节点最多被访问一次。实际笔试中有一个容易踩的坑：如果矩阵很大，DFS递归深度可能超过Python默认的递归上限，导致RecursionError。这时候要改用BFS或者手写栈的迭代DFS。

from collections import deque def count_connected_components_bfs(grid): if not grid: return 0 rows, cols = len(grid), len(grid[0]) cnt = 0 for r in range(rows): for c in range(cols): if grid[r][c] == 1: cnt += 1 grid[r][c] = 0 q = deque([(r, c)]) while q: x, y = q.popleft() for dx, dy in ((1, 0), (-1, 0), (0, 1), (0, -1)): nx, ny = x + dx, y + dy if 0 <= nx < rows and 0 <= ny < cols and grid[nx][ny] == 1: grid[nx][ny] = 0 q.append((nx, ny)) return cnt

这道题想考察的核心能力是：图遍历、边界条件检查、空间复杂度意识。如果你能在代码之外补一句“这里我直接修改了原矩阵来标记访问，避免额外开visited数组”，观感会好很多。

5.2 边界条件与性能优化：这些坑我全踩过

编程题里最遗憾的情况不是不会做，而是会做但没拿到分。我印象里常见的边界问题有这几类：输入为空的grid、只有一行或一列的grid、全0或全1的极端矩阵、以及遍历时的越界判断。很多同学喜欢用try-except去兜底越界，但笔试环境里这样不仅慢，而且容易掩盖逻辑问题，不如老老实实写边界判断。

性能方面，如果你写的DFS在大矩阵上超时，优先考虑是否重复访问了节点。这种题的正解一定是每个节点访问常数次，如果某个实现出现了大量重复入栈，说明visited标记的位置不对。另外，二维数组的遍历顺序也对缓存友好度有影响，按行遍历通常比按列遍历更快，这在Python里差异尤其明显。

举一个我实际遇到的情况：有一次我在代码里用visited矩阵记录访问状态，但在入栈前忘记标记，导致同一个节点被反复入栈，数据一大就崩了。所以我的经验法则是“入栈/入队时立刻标记，而不是出栈/出队时标记”，这是BFS/DFS的标准写法，也是避免重复访问的关键。

6. 高频失分点与复习路线建议

6.1 笔试中最容易被扣分的地方

综合来看，我认为这套卷子的失分点主要集中在五个方面。第一，概念题只写结论不写过程，比如解释SIFT为什么有尺度不变性，只写“因为用了DoG”是完全不够的，需要把尺度空间、关键点方向归一化这些环节都点出来。第二，手推计算少了单位或方向，比如梯度方向角不写象限，或者旋转矩阵不写齐次坐标形式。第三，算法题的时间复杂度分析被忽略，很多同学代码写对了但没说明复杂度，丢掉了印象分。第四，编程题忽略输入数据范围，没有考虑递归深度、内存限制。第五，对稳定性、稀疏性这些工程问题完全没有概念。

我整理了一个速查表，方便你考前再看一眼：

6.2 一套实用的复习时间线

如果你还有两到三周准备时间，我建议把复习分成三个阶段。第一周主攻图像处理和深度学习基础，把SIFT、HOG、滤波、感受野、BatchNorm这些高频考点过一遍，每看完一个知识点，立刻手写一遍过程或代码。第二周集中刷数据结构与算法，重点覆盖KMP、快排、二分、DP、Dijkstra和图遍历，每天至少手写两段代码，不限语言但一定要能在纸上写出来。第三周做模拟题和复盘，把之前做错的概念题重做一遍，编程题按“读题->回归分析->写边界->写主逻辑->完善测试”的顺序训练。

我个人备考时的一个心得是：不要拿现成题解直接背，而是先自己动手推导，再对照答案看差异。比如KMP的next数组，你亲手算三遍“abacaba”这种串之后，比看十遍网上的推导都管用。另一个心得是准备一个错题本，把简答题里的“标准回答结构”记下来，面试和笔试都能复用。

这套笔试说到底就像一场压力测试，它真正想筛选的是能“把原理讲清楚、把代码写干净、把细节想周全”的人。我在备考期间最大的收获，不是背会了多少个公式，而是养成了“遇到一个算法先问为什么”的习惯。哪怕你最后不考金山办公，这套复习思路拿去准备其他视觉岗的笔试，一样能用。