BM43 包含min函数的栈

using System;
using System.Collections.Generic;
class Solution
{
    List<int> list = new List<int>();
    public void push(int node) 
    {
        list.Add(node);
    }
    public void pop() 
    {
        list.RemoveAt(list.Count -1);
    }
    public int top() 
    {
        return list[list.Count - 1];    
    }
    public int min() 
    {
        int min = list[0];
        for(int i = 0; i < list.Count - 1; i++)
        {
            if(min > list[i])
                min = list[i];
        }
        return min;
    }
}

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
在OpenCV中,可以使用Block Matching(BM)算法来获取视差图。BM算法是一种基于区块匹配的立体匹配算法,它通过将左右图像的对应区域进行匹配,计算出每个像素点的视差值。 以下是使用BM算法获取视差图的示例代码: ```python import cv2 # 读取左右视图图像 left_img = cv2.imread('left_image.jpg', 0) right_img = cv2.imread('right_image.jpg', 0) # 创建BM算法对象 bm = cv2.StereoBM_create(numDisparities=16, blockSize=15) # 计算视差图 disparity = bm.compute(left_img, right_img) # 可选:对视差图进行归一化处理 disparity_normalized = cv2.normalize(disparity, disparity, alpha=0, beta=255, norm_type=cv2.NORM_MINMAX, dtype=cv2.CV_8U) # 显示视差图 cv2.imshow('Disparity Map', disparity_normalized) cv2.waitKey(0) cv2.destroyAllWindows() ``` 在示例代码中,首先通过`cv2.imread()`函数读取左右视图的图像。然后使用`cv2.StereoBM_create()`函数创建BM算法对象,可以通过调整`numDisparities`和`blockSize`参数来调节算法的精度和计算速度。接下来,调用`bm.compute()`函数计算视差图。最后,可以使用`cv2.normalize()`函数对视差图进行归一化处理,并使用`cv2.imshow()`函数显示视差图。 请注意,BM算法是一种简单且常用的立体匹配算法,但在某些情况下可能存在一些局限性。在实际应用中,你可能需要考虑其他更复杂的立体匹配算法,如Semi-Global Block Matching(SGBM)或Graph Cuts等,以获得更好的视差图质量。
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