看公司具体要求吧，现在左移右移这么普遍的情况下，无论企业要求什么都不要觉得奇怪， 如果自己不会想一下为什么不会？能不能会？ 实在跨不去这个坎不投简历不就行了。

居然还有分成？

企查查看看风险呗，或者以身试险进去看看，有时候信息差也会影响到我们的判断。

和楼主类似经历，只是我是主动 23 年主动离职，然后 gap 近 2 年，再回来准备面试时，压根就约不到面试，兜兜转转又回了上家公司

针对图片和视频编解码后的文件校验及 YUV 数据质量验证，以下是系统化的自动化校验方案，分为四个核心环节：

一、码流合法性校验（自动化强度：★★★★★）

1. 码流结构解析

   • 使用FFprobe/MediaInfo验证容器格式、编码参数（分辨率/帧率/GOP 等）
   • 示例脚本： bash ffprobe -v error -show_format -show_streams output.mp4 if [ $? -ne 0 ]; then echo "码流解析异常！" exit 1 fi

2. 深度语法检查

   • HEVC/H.264 码流使用Elecard Stream Analyzer批量检测 NAL 单元合规性
   • 开源方案：h264_analyzer工具解析 SPS/PPS 有效性

二、解码健壮性测试（自动化强度：★★★★☆）

1. 极限解码压力测试

   import subprocess
   for bitrate in [100k, 1M, 10M]:  # 多码率测试
      cmd = f"ffmpeg -y -i input.mp4 -b:v {bitrate} encoded.mp4"
      subprocess.run(cmd, check=True, shell=True)
   
      # 多解码器交叉验证
      decoders = ['h264_cuvid', 'libx264'] 
      for d in decoders:
          result = subprocess.run(
              f"ffmpeg -v error -c:v {d} -i encoded.mp4 -f null -",
              shell=True, 
              capture_output=True
          )
          if result.stderr:
              alert_error(f"{d}解码失败: {result.stderr}")
   

三、视觉质量量化分析（自动化强度：★★★★★）

1. 客观质量指标计算 ```python import cv2 from skimage.metrics import structural_similarity as ssim

def calc_psnr(orig, dec):
mse = np.mean((orig - dec) ** 2)
return 10 * np.log10(255**2 / mse)

orig_yuv = read_yuv("ref.yuv") # 原始未压缩 YUV
dec_yuv = read_yuv("decoded.yuv")

psnr = calc_psnr(orig_yuv.Y, dec_yuv.Y)
ssim_val = ssim(orig_yuv.Y, dec_yuv.Y,
data_range=255, win_size=3)

if psnr < 30 or ssim_val < 0.95:
generate_heatmap_diff(orig_yuv, dec_yuv) # 生成差异热力图

2. **机器视觉辅助检测**
   - 使用OpenCV检测马赛克区域：
     ```python
     edges = cv2.Canny(dec_frame, 50, 150)
     if cv2.countNonZero(edges) < threshold:
         log("WARNING: 疑似块效应产生")
     ```

### 四、可视化辅助校验（自动化强度：★★★☆☆）
1. **关键帧采样检查**
   ```bash
   # 抽取I帧生成缩略图矩阵
   ffmpeg -i encoded.mp4 -vf "select=eq(pict_type\,I)" -vsync 0 thumbs/thumb%d.png

1. 自动化报告生成
   • 使用img2pdf将 YUV 对比图与质量指标生成 PDF 报告
   • 集成 Allure 测试报告系统展示 PSNR 趋势图

五、进阶方案选型

六、持续集成部署

1. Jenkins Pipeline 示例阶段： groovy stage('Codec Validation') { parallel { stage('H.264') { sh 'python validate_codec.py --codec h264' } stage('HEVC') { sh 'python validate_codec.py --codec hevc' } } post { always { allure includeProperties: false, results: [[path: 'allure-results']] } } }

建议实施路径：优先完成码流校验和解码验证的基础自动化，再逐步集成质量指标计算，最后通过可视化报告实现人工二次确认的闭环。对于实时性要求高的场景，可引入 GPU 加速的并行校验框架。

我们之前测试支付都是自费购买一个 0.01 的测试商品，想怎么测都行

我就是创业 2 年多后，再回来上班，正常投简历可能连面试机会都有点难，把自己的知识体系重新回顾一下，然后找同行内推一下，应该还是有机会的。加油吧

购买数码产品铁律，选新不选旧

ChatGPT