jzoj 6798. 【2014广州市选day2】regions

Description

在平面上堆叠着若干矩形,这些矩形的四边与平面X坐标轴或Y坐标轴平行。下图展示了其中一种情况,3个矩形的边将平面划分成8个区域:
在这里插入图片描述
下面展示了另一种稍稍复杂一些的情况:
在这里插入图片描述
你的任务是写一个程序,判断这些矩形将平面分成了几个区域。

Input

输入的第一行是一个正整数n(n<=50),分别矩形的数目,接下来的n行,每行有4个用空格分隔的整数li,ti,ri,bi(1<=i<=n)代表了第i个矩形的坐标,(li,ti)代表该矩形左上角的X坐标和Y坐标,(ri,bi)代表该矩形右下角的X坐标和Y坐标,0<=li<ri<= 1 0 6 10^{6} 106,0<=bi<ti<= 1 0 6 10^{6} 106

Output

输出只有一个整数,代表这些矩形将平面划分成多少区域。

Solution

这道题有两个做法。
首先先将横坐标纵坐标离散化。
第一个做法:
用并查集,将相连的块连接起来,最后查有多少个块
第二个做法:
将边打上标记,将没被打标记的点进行扩散,统计块数
(作者用的是第一个做法)

Code

#include <cstdio>
#include <algorithm>
#define open(x) freopen(x".in","r",stdin);freopen(x".out","w",stdout);
using namespace std;
int i,p,last,fa[500001],n,j,heng,shu,l,r,ans,u,v,bj[500001];
bool bz[1001][1001];
struct re{
    int x1,x2,y1,y2;
}a[51];
struct node{
    int a,pl;
}k[100001];
const int d[5][2]={{0,0},{-1,0},{1,0},{0,1},{0,-1}};
bool cmp(node x,node y){return x.a<y.a;}
bool rec(node x,node y){return (x.pl<y.pl)||(x.pl==y.pl && x.a<y.a);}
int gf(int x)
{
    if (x==fa[x]) return x;
    fa[x]=gf(fa[x]);
    return fa[x];
}
void ls()
{
    sort(k+1,k+2*n+1,cmp);
    p=0,last=0;
    for (i=1;i<=n+n;i++)
    {
        if (k[i].a==k[i-1].a) k[i-1].a=last;else 
        {
            k[i-1].a=last;
            last=++p;
        }
    }
    k[n+n].a=last;
    sort(k+1,k+2*n+1,rec);
}
int main()
{
    open("regions");
    scanf("%d",&n);
    for (i=1;i<=n;i++)
    {
        scanf("%d%d%d%d",&a[i].x1,&a[i].y1,&a[i].x2,&a[i].y2);
        k[i].a=a[i].x1;k[i+n].a=a[i].x2;
        k[i].pl=k[i+n].pl=i;
    }
    ls();
    heng=p*2;
    for (i=1;i<=n;i++)
    {
        a[i].x1=k[2*i-1].a*2;a[i].x2=k[2*i].a*2;
    }
    for (i=1;i<=n;i++)
    {
        k[i].a=a[i].y1;k[i+n].a=a[i].y2;
        k[i].pl=k[i+n].pl=i;
    }
    ls();
    shu=p*2;
    for (i=1;i<=n;i++)
    {
        a[i].y1=k[2*i-1].a*2;a[i].y2=k[2*i].a*2;
    }
    for (i=1;i<=n;i++)
    {
        l=a[i].x1;r=a[i].x2;
        for (j=a[i].y1;j<=a[i].y2;j++)
            bz[l][j]=bz[r][j]=1;
        l=a[i].y1;r=a[i].y2;
        for (j=a[i].x1;j<=a[i].x2;j++)
            bz[j][l]=bz[j][r]=1;
    }
    for (i=0;i<=heng;i++)
    {
        for (j=0;j<=shu;j++)
            fa[i*shu+j]=i*shu+j;
    }
    for (i=0;i<=heng;i++)
    {
        for (j=0;j<=shu;j++)
        {
            if (bz[i][j]) continue;
            for (l=1;l<=4;l++)
            {
                if (i+d[l][0]<=heng && i+d[l][0]>=0 && j+d[l][1]<=shu && j+d[l][1]>=0)
                {
                    if (!bz[i+d[l][0]][j+d[l][1]])
                    {
                        u=gf(i*shu+j);
                        v=gf((i+d[l][0])*shu+j+d[l][1]);
                        if(fa[v]!=u) fa[u]=v;
                    }
                }
            }
        }
    }
    for (i=0;i<=heng;i++)
    {
        for (j=0;j<=shu;j++)
        {
        	if (bz[i][j]) continue;
        	u=gf(i*shu+j);
            if (!i || !j || i==heng || j==shu)
            {
                if (!bj[u])bj[u]=2;
                if (bj[u]==1) bj[u]=2,ans--;
            }
            if (!bj[u])
            {
                bj[u]=1;
                ans++;
            }
        }
    }
    printf("%d",ans+1);
    return 0;
}
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如择性搜索)来生成候框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候框输入到另一个 CNN 中进行分类,并根据分类结果对候框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑。NMS称为非极大值抑制,作用是从众多预测边界框中挑出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值