最大矩形

本文分析了一种解决寻找二维黑白位图中最大全白色矩形的算法,通过将问题转换为求解一维最大矩形并利用堆栈处理。首先将二维问题简化为一维,然后构建辅助矩阵C,记录每列从当前位置开始向上数1的个数,最终通过遍历矩阵C,应用一维策略找到最大面积矩形,时间复杂度为O(n^2)。
摘要由CSDN通过智能技术生成

###最大矩形

####原题
在一个位图中找面积最大的白色矩形:给你一个NxN的黑白位图,找一个面积最大的全白色的矩形。注意了,是一个矩形,不是任意一个白色相连的区域。你的算法能够达到的最好的时间复杂度是多少呢?

####分析
为了方便进行分析,我们假设黑色位置都是0,白色的位置都是1.题目的问题就转化为,找到一个最大的矩形,其中所有的元素都是1.

遇到这样的题目,该如何分析呢?这是一个矩形,是二维,是否是由一维的某些问题扩展而来的呢?一维的问题的解法,是否可以扩展到二维呢?我们看下面的题目:

在柱状图中找最大的矩形:给一组非负的整数来表示一个柱状图,设计一个算法找到最大面积的能适合到柱状图内的矩形。比如,对与这组数,1 2 3 4 1 ,有两种可能的方案,一种是适合到 2 3 4 内的矩形,面积是 23;另一种是适合到 3 4 内的矩形,面积是 32。你觉得能有O(n)算法吗?

一维的时候思路如下:

一个线性算法是用堆栈来保存当前可能的矩形(高度和起始位置)。从左到右扫描,对一个元素,如果 a)大于栈顶元素, push; b)小于的话,pop所有的大于它的元素,计算面积,更新最大值。这时如果堆栈空,push一个新的元素,高度等于当前元素,起始位置为0;否则,push当前元素高度和栈顶的起始位置。

这是一个很巧妙的解法,是否能够应用到二维的情况呢?针对如下例子

  • 1
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
要求一个矩形内刚好包含一组离散的点集,并使该矩形的面积最小,这就是所谓的最小外接矩形。而内接最大矩形则是在最小外接矩形的基础上,再找一个矩形内刚好包含所有的点集,并使该矩形的面积最大。 OpenCV中提供了minAreaRect函数来计算最小外接矩形的信息,而内接最大矩形的计算可以通过以下步骤实现: 1. 首先计算最小外接矩形的信息,包括矩形的中心点坐标、宽度、高度和旋转角度。 2. 将最小外接矩形旋转回原始角度。 3. 在旋转后的坐标系中,对所有点进行坐标变换,使其相对于矩形中心点的坐标系。 4. 遍历所有点,计算它们到矩形边界的距离,并找出距离最小的点,这个点到矩形边界的距离就是内接最大矩形的宽度。 5. 以该点为中心,将所有点沿着矩形边界的法线方向分成两组,一组在矩形内部,一组在矩形外部。 6. 对两组点分别计算最小外接矩形,取面积较小的那个作为内接最大矩形。 具体实现可以参考以下代码: ```python import cv2 import numpy as np # 生成一组随机点 points = np.random.randint(0, 100, size=(50, 2)) # 计算最小外接矩形 rect = cv2.minAreaRect(points) box = cv2.boxPoints(rect) box = np.int0(box) # 将矩形旋转回原始角度 angle = rect[-1] if angle < -45: angle += 90 h, w = rect[1] cx, cy = rect[0] M = cv2.getRotationMatrix2D((cx, cy), angle, 1.0) points = cv2.transform(points.reshape(-1, 1, 2), M).reshape(-1, 2) # 找到内接最大矩形 max_area = 0 for i in range(len(points)): # 计算点到边界的距离 dx = abs(points[i, 0] - cx) dy = abs(points[i, 1] - cy) distance = np.sqrt(dx**2 + dy**2) # 计算矩形大小 width = 2 * distance left_points = [] right_points = [] for j in range(len(points)): if j == i: continue # 计算点到边界的距离 dx = abs(points[j, 0] - points[i, 0]) dy = abs(points[j, 1] - points[i, 1]) distance = np.sqrt(dx**2 + dy**2) # 判断点在矩形内还是在矩形外 if dx * w + dy * h < w * h: left_points.append(points[j]) else: right_points.append(points[j]) # 计算左右两个矩形的面积,并取最小值 if len(left_points) > 0 and len(right_points) > 0: left_rect = cv2.minAreaRect(np.array(left_points)) right_rect = cv2.minAreaRect(np.array(right_points)) area = max(left_rect[1][0] * left_rect[1][1], right_rect[1][0] * right_rect[1][1]) if area > max_area: max_area = area max_rect = (points[i], width, angle) # 绘制最小外接矩形和内接最大矩形 img = np.zeros((100, 100, 3), dtype=np.uint8) cv2.drawContours(img, [box], 0, (0, 0, 255), 2) cv2.rectangle(img, (int(max_rect[0][0] - max_rect[1]/2), int(max_rect[0][1] - max_rect[1]/2)), (int(max_rect[0][0] + max_rect[1]/2), int(max_rect[0][1] + max_rect[1]/2)), (0, 255, 0), 2) cv2.imshow('image', img) cv2.waitKey(0) cv2.destroyAllWindows() ```
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