企业官网建设流程全解析

很多刷《信息学奥赛一本通》的同学，做到1123题“图像相似度”的时候，看到题目名字多少会有点发怵——图像？是不是要处理灰度、颜色直方图甚至卷积？其实这道题被收录在“多维数组”章节，本质就是二维数组的遍历与逐元素比较，和你在学校做的矩阵加法、矩阵乘法是一个路数。题目在OpenJudge NOI 1.8编程基础之多维数组里对应第6题，名字也叫“图像相似度”。不管是准备NOIP、CSP-J还是学校的信息课期末考试，这道题都属于必须稳稳拿分的类型。这篇文章我把题意拆解、算法思路、完整代码和几个最容易翻车的细节一次讲透，看完你可以直接照着写，也能理解每一步为什么这么写。

1. 题目拆解：这道“图像题”到底在考什么

1.1 题面解读与输入输出格式

先别急着写代码，把题面彻底读懂永远是第一步。题目把图像抽象成了由0和1组成的矩阵：0代表白色像素，1代表黑色像素。输入分三部分：第一行两个整数n和m，代表图像的行数和列数；紧接着n行，每行m个整数，是第一幅图像的像素值；再接着n行，每行m个整数，是第二幅图像的像素值。

输出要求输出一个实数，表示两幅图像的相似度，保留两位小数，后面带一个百分号“%”。

这里有两个信息容易被忽略。第一，像素值只有0和1，这意味着我们判断“相同”的时候，只需要关心两个数字等不等，不需要考虑任何颜色空间或者阈值问题。第二，输出末尾要带百分号，这个百分号是实际丢分点之一。很多人算出了66.67，却忘了在输出里加“%”，直接WA掉。建议读题时养成习惯：把输入格式和输出格式两段完整抄到草稿纸上，逐字对照，尤其是输出格式。

1.2 相似度计算的核心公式

题面里“相似度”的定义是：两幅图像中对应位置像素相同的比例。翻译成人话就是——把两个矩阵叠在一起，一个格子一个格子地看，数一数有多少个格子里的数一样，然后除以总格子数。

数学表达式写出来是这样：

相似度 = 相同像素个数 / (n × m) × 100%

举个例子，如果图像是3行3列，一共有9个像素，其中6个位置相同，那么相似度就是6/9×100% = 66.67%。题目要求保留两位小数，所以输出66.67%。

这个公式本身没有任何难点，真正的坑藏在后面的代码实现里：整数除法的截断、浮点数精度、输出格式控制。我会在第四部分专门讲，这里先记住一个原则——计算相似度时，一定要让浮点数参与运算，否则小数部分会被C++直接吃掉。

2. 算法设计与复杂度分析：从题意到代码只需三步

2.1 逐像素对比的朴素思路

拿到这道题，最忌讳的是想太多。我在群里见过有同学问“要不要先做图像二值化”“是不是得用感知哈希算法”，这些都是被“图像”两个字带偏了。信息学奥赛的题目经常用现实场景做包装，但考察的就是最基础的数组操作。这道题的算法思路可以压缩成三句话：

1. 用一个二维数组a读入第一幅图像的像素值。
2. 用一个二维数组b读入第二幅图像的像素值。
3. 双层for循环遍历所有位置，凡满足a[i][j] == b[i][j]就计数加一。

就这么简单。不需要排序、不需要查找、不需要任何优化技巧，就是“暴力模拟”。

很多同学会纠结一个问题：能不能边读入第一个矩阵边读入第二个矩阵，省一次循环？千万别这么干。输入数据在文件里是先后排列的，第一幅图全部读完之后，第二幅图的数据才出现。你要是交错着读，读出来的b矩阵就会错位，整个相似度计算全部作废。老老实实两个循环分开读，代码看起来多几行，但逻辑绝对清晰。

2.2 时间复杂度与数据范围分析

这道题的时间复杂度是O(n×m)。题目给出的n和m通常在100以内，那么总共只有1万次比较，运行时间用微秒计算都嫌多。哪怕n和m都放大到1000，也就100万次操作，对计算机来说仍然毫无压力。

这里我要多说两句关于数据范围的习惯。信息学竞赛里，拿到任何一道题，第一步应该是看数据范围，因为它直接决定你能用什么算法。看到n×m在百万量级以内，就可以放心用最朴素的枚举；如果看到n和m到了10的5次方，你就要考虑前缀和、差分这类优化手段了。很多选手做题慢、想复杂，根源就在于不看数据范围，凭感觉选算法。这道题就是练习“估算复杂度”的好素材：读完题先算一下，确认枚举可行，再动手写。

3. 完整C++实现与关键代码解读

3.1 可直接提交的参考代码

下面这版代码在OpenJudge NOI 1.8 06号题和《信息学奥赛一本通》1123题下都可以直接AC。我用的是C++，因为竞赛里C++覆盖率最高，代码也最直观。

#include <iostream> #include <iomanip> using namespace std; int a[105][105], b[105][105]; int main() { int n, m; cin >> n >> m; // 读入第一幅图像 for (int i = 0; i < n; i++) { for (int j = 0; j < m; j++) { cin >> a[i][j]; } } // 读入第二幅图像 for (int i = 0; i < n; i++) { for (int j = 0; j < m; j++) { cin >> b[i][j]; } } // 统计相同像素个数 int same = 0; for (int i = 0; i < n; i++) { for (int j = 0; j < m; j++) { if (a[i][j] == b[i][j]) { same++; } } } // 计算相似度并输出，保留两位小数 double result = 100.0 * same / (n * m); cout << fixed << setprecision(2) << result << "%" << endl; return 0; }

3.2 关于全局数组与循环边界的解释

代码里我开了a[105][105]和b[105][105]两个全局数组，而不是在main函数里声明局部数组。两个原因：第一，全局数组会由系统自动初始化为0，局部数组如果不手动初始化，里面存的是内存残留的随机值，虽然这道题里所有数组元素都会被读入覆盖，但这个习惯本身值得保持；第二，在部分竞赛环境中，比较大的局部数组可能引起栈溢出，而全局数据区的空间要大得多。105这个数字是我习惯性的写法，题目范围如果是100，就开105，留几个单位的余量，防止边界判断失误时越界访问。

循环边界是二维数组题目的经典坑。数组下标从0开始，所以行循环从0到n-1，列循环从0到m-1。新手最容易写成i <= n或者j <= m，一越界，本地运行可能一切正常，因为编译器没做边界检查，但到了OJ上就会以各种奇怪的形式报错——有时候是WA，有时候是RE。我自己的习惯是：所有循环边界都写成i < n这样“左闭右开”的形式，并且在心里默念“从0到n-1，总共n个”，避免思维惯性导致多跑一次循环。

3.3 为什么用100.0而不是100

计算结果的这一行是整个程序的关键：

double result = 100.0 * same / (n * m);

这里的100.0不是随手写的，而是故意为之。因为same、n、m都是整数，如果在C++里写100 * same / (n * m)，它会先做整数乘法得到整数，再做整数除法，结果的小数部分直接被截断。比如100 * 6 / 9，整数除法结果是66，就算赋给double类型变量，得到的也是66.0，而不是66.666...

写100.0之后，100.0是浮点数，整个表达式自动提升为浮点运算，100.0 * 6 / 9的结果就是66.666...，赋给double变量后精度完整保留。这是C++面试和竞赛里都常考的“隐式类型转换”知识点，在这个题目里以最直观的方式呈现出来。

4. 从AC到WA：最容易翻车的三个细节

4.1 读入顺序：两片矩阵不能交错读

第一个翻车点是读入顺序。这个坑我在文章第2部分提过，但因为它真的特别容易犯，值得单独再强调一次。有些同学写代码时想偷懒，想用一个双重循环把a和b都读完：

// 错误示范 for (int i = 0; i < n; i++) { for (int j = 0; j < m; j++) { cin >> a[i][j] >> b[i][j]; } }

这段代码的问题在于，输入文件里前n行全是第一幅图像的数据，后n行才是第二幅图像的数据。你这样交错读，会把第一幅图像的第1个像素当成b[0][0]，第一幅图像的第2个像素当成b[0][1]，得到的b矩阵完全错位。更隐蔽的是，程序不会报错，甚至会正常输出一个“相似度”，导致你很难意识到逻辑已经错了。

正确的做法就是文章中那种“先完整读a，再完整读b”，两个独立的双层循环。竞赛里不需要这种“节省一遍循环”的伪优化，可读性永远比那几微秒重要。

4.2 整数除法陷阱：一个小数点引发的血案

第二个翻车点是整数除法，这个也是“看着简单，一提交就WA”的高频原因。我已经提到过，100 * same / (n * m)会先做整数乘法，再做整数除法，结果截断小数点。

但还有更隐蔽的写法错误，比如有人写成：

double result = same / (n * m) * 100.0;

这段代码的问题出在运算顺序上：same / (n * m)两个整数相除，先执行，结果已经是0了（比如same=6，n*m=9，整数除法6/9=0），再乘100.0还是0。最后输出0.00%，你肯定一脸懵，觉得公式明明是对的。

这提醒我们一个写代码的原则：在涉及除法的计算里，把浮点数放在最前面参与运算，比如写成100.0 * same / (n * m)，这样乘法和除法按照从左到右的顺序执行，第一步就出现了浮点数，后续全是浮点除法，万无一失。

4.3 输出格式：fixed与setprecision必须成对使用

第三个翻车点是输出格式。题目要求保留两位小数，代码用了：

cout << fixed << setprecision(2) << result << "%" << endl;

fixed和setprecision(2)是配合使用的，缺一不可。setprecision在单独使用的时候，控制的是“有效数字位数”，不是“小数位数”。比如result是85，setprecision(2)输出的可能是85（因为85有两位有效数字），而不是85.00；如果result是66.666，单独用setprecision(2)会输出66.67，看起来碰巧对了，但遇到整数值就会原形毕露。

而fixed的作用是把输出模式切换成“固定小数点表示法”，此时setprecision(2)才表示“小数部分保留2位”。两者结合，无论结果是整数还是循环小数，都能保证输出恰好两位小数。这也是为什么我强调输出格式必须逐字对照题目要求的原因——很多时候你的算法完全正确，就输在格式上。

5. 自测用例、调试思路与同类题延伸

5.1 设计几组自测数据快速验证

代码写完不能直接提交，先自己造几组数据验证逻辑。我给你准备了三组测试用例，覆盖了最常见的情况。

第一组：完全相同。如果两幅图像一模一样，相似度应该是100.00%。

3 3 1 0 1 0 1 0 1 0 1 1 0 1 0 1 0 1 0 1

第二组：完全不同。把第一幅图像里的0全部换成1、1全部换成0，相似度应该是0.00%。

3 3 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0

第三组：部分相同。用下面这组数据验证66.67%的输出。

3 3 1 0 1 0 0 1 1 1 0 1 1 0 0 0 1 0 1 1

我建议你在本地编译器里跑一遍这三组数据，确认输出分别是100.00%、0.00%、66.67%。尤其是第三组，亲手口算一遍相同位置的个数，再对照程序输出，能帮你提前发现公式或格式问题，省下一次提交WA的等待时间。OJ上的提交次数有时候也影响排名和评判体验，能本地排查的问题就不要浪费到线上。

5.2 一条临时调试语句的妙用

如果程序输出结果和你预期不符，最快的定位方式不是盯着代码干瞪眼，而是在统计循环后面加一条临时输出：

cout << "same = " << same << endl;

这条语句能直接告诉你在你的输入数据下，统计出的相同像素个数是多少。举个例子，如果你手算第三组测试数据时得到same=6，程序却输出4，说明比较逻辑或者数组读入有问题，这时候再去检查是不是读入顺序错了、是不是数组下标越界，方向就非常明确。确认无误后把调试语句删掉再提交。

这个小技巧听着简单，但对新手来说很实用。很多同学遇到WA就慌了，改来改去越改越乱，就是因为没有把“中间结果”暴露出来，全靠猜。调试的本质就是“定位问题”，而定位问题的最好方式就是缩小范围——先确认count对不对，再确认double计算对不对，再确认输出格式对不对，一步一步锁死。

5.3 由图像相似度延伸出去的矩阵题

把这道题吃透之后，可以顺手做几道同类型的题目巩固一下。《信息学奥赛一本通》多维数组章节里的“图像模糊处理”和“矩阵旋转”，都是基于二维数组遍历的变形题。图像模糊处理的核心是把每个像素替换成周围像素的平均值，相当于在二维数组上进行邻域操作；矩阵旋转则需要你找出行列下标之间的映射关系。这些题用到的双重循环、边界控制和类型转换，和图像相似度完全同源。

另外还可以自己给自己出题：比如把图像相似度升级为“找出两幅图像中最大的相同子矩阵”，那就要引入枚举起点加逐行比较的算法，难度立刻上升一个档次。但不管怎么变，二维数组逐元素比较这个基本功是不变的。把简单题做透、做稳，比刷十道一知半解的难题有用得多。

最后再分享一个我自己的做题习惯：凡是涉及二维数组的题，我拿到手第一件事就是把样例输入抄在草稿纸上，手算一遍预期输出，然后再写代码。这道图像相似度题虽然简单，但正是这种“先手算、后编码”的习惯，能在比赛里帮我省下大量调试时间，也避免了因为读错题而浪费整场比赛的尴尬。希望对刷《信息学奥赛一本通》1123的你有所帮助。