在一个由 0 和 1 组成的二维矩阵内,找到只包含 1 的最大正方形,并返回其面积。
示例:
输入:
1 0 1 0 0
1 0 1 1 1
1 1 1 1 1
1 0 0 1 0
输出: 4
class Solution {
public int maximalSquare(char[][] matrix) {
/**
dp[i][j]表示以第i行和第j列为右下角能构成的最大正方形,则递推式为:dp[i][j] = 1 + min(dp[i-1][j-1],dp[i-1][j],dp[i][j-1]);
*/
int m = matrix.length;
if(m<1) return 0;
int n = matrix[0].length;
int max = 0;
int[][] dp = new int[m+1][n+1];
for(int i=1;i<=m;++i){
for(int j =1;j<=n;j++){
if(matrix[i-1][j-1] == '1'){
dp[i][j] = 1 + Math.min(dp[i-1][j-1],Math.min(dp[i-1][j],dp[i][j-1]));
max = Math.max(max,dp[i][j]);
}
}
}
return max*max;
}
}
class Solution {
public int maximalSquare(char[][] matrix) {
/**
dp[i][j]表示以matrix[i][j]为右下角所能构成的最大正方形边长, 则递推式为:
dp[i][j] = 1 + min(dp[i-1][j-1], dp[i-1][j], dp[i][j-1]);
**/
int m = matrix.length;
if(m < 1) return 0;
int n = matrix[0].length;
int max = 0;
int[]pre = new int[n+1];
int[]cur = new int[n+1];
for(int i = 1; i <= m; ++i) {
for(int j = 1; j <= n; ++j) {
if(matrix[i-1][j-1] == '1') {
cur[j] = 1 + Math.min(pre[j-1], Math.min(pre[j], cur[j-1]));
max = Math.max(max, cur[j]);
}
pre[j - 1] = cur[j - 1];// 上一行的j-1位置用不到了,此时就可以替换为本行的结果,为下一行的运算做准备。
cur[j - 1] = 0;// 本行用不到的结果置0,为下一行做准备。
}
pre[n] = cur[n];
cur[n] = 0;
}
return max*max;
}
}
暴力求解法:
由于正方形的面积等于边长的平方,因此要找到最大正方形的面积,首先需要找到最大正方形的边长,然后计算最大边长的平方即可。
该方法简单直观,具体思路如下:
*遍历矩阵中的每个元素,每次遇到1,则将该元素作为正方形的左上角
*确定正方形的左上角后,根据左上角所在的行和列计算可能的最大正方形的边长(正方形的范围不能超过矩阵的行数和列数),在该边上范围内寻找只包含1的最大正方形。
*每次在下方新增一行以及在右方新增一列,判断新增的行和列是否满足所有元素都是 11。
class Solution {
public int maximalSquare(char[][] matrix) {
int maxSide = 0;
if(matrix == null || matrix.length == 0 || matrix[0].length == 0){
return maxSide;
}
int row = matrix.length,columns = matrix[0].length;
for(int i = 0; i < row; i++){
for(int j = 0; j < columns; j++ ){
if(matrix[i][j] == '1'){
//遇到一个1作为正方形的左上角
maxSide = Math.max(maxSide,1);
//计算可能的最大正方形边长
int currentMaxSide = Math.min(row - i,columns - j);
for(int k = 1; k < currentMaxSide; k++){
//判断新增的一行一列是否均为1
boolean flag = true;
if(matrix[i+k][j+k] == '0'){
break;
}
for(int m = 0; m < k; m++){
if(matrix[i+k][j+m] == '0' || matrix [i+m][j+k] == '0'){
flag = false;
break;
}
}
if(flag){
maxSide = Math.max(maxSide,k+1);
}else{
break;
}
}
}
}
}
int maxSquare = maxSide * maxSide;
return maxSquare;
}
}
复杂度分析
时间复杂度:O(mn \min(m,n)^2)O(mnmin(m,n)
2
),其中 mm 和 nn 是矩阵的行数和列数。
需要遍历整个矩阵寻找每个 11,遍历矩阵的时间复杂度是 O(mn)O(mn)。
对于每个可能的正方形,其边长不超过 mm 和 nn 中的最小值,需要遍历该正方形中的每个元素判断是不是只包含 11,遍历正方形时间复杂度是 O(\min(m,n)^2)O(min(m,n)
2
)。
总时间复杂度是 O(mn \min(m,n)^2)O(mnmin(m,n)
2
)。
空间复杂度:O(1)O(1)。额外使用的空间复杂度为常数。
方法二:动态规划
方法一虽然直观,但是时间复杂度太高,有没有办法降低时间复杂度呢?
可以使用动态规划降低时间复杂度。我们用 dp(i, j)dp(i,j) 表示以 (i, j)(i,j) 为右下角,且只包含 11 的正方形的边长最大值。如果我们能计算出所有 dp(i, j)dp(i,j) 的值,那么其中的最大值即为矩阵中只包含 11 的正方形的边长最大值,其平方即为最大正方形的面积。
那么如何计算 dpdp 中的每个元素值呢?对于每个位置 (i, j)(i,j),检查在矩阵中该位置的值:
如果该位置的值是 00,则 dp(i, j) = 0dp(i,j)=0,因为当前位置不可能在由 11 组成的正方形中;
如果该位置的值是 11,则 dp(i, j)dp(i,j) 的值由其上方、左方和左上方的三个相邻位置的 dpdp 值决定。具体而言,当前位置的元素值等于三个相邻位置的元素中的最小值加 11,状态转移方程如下:
dp(i, j)=min(dp(i−1, j), dp(i−1, j−1), dp(i, j−1))+1
dp(i,j)=min(dp(i−1,j),dp(i−1,j−1),dp(i,j−1))+1
如果读者对这个状态转移方程感到不解,可以参考 1277. 统计全为 1 的正方形子矩阵的官方题解,其中给出了详细的证明。
此外,还需要考虑边界条件。如果 ii 和 jj 中至少有一个为 00,则以位置 (i, j)(i,j) 为右下角的最大正方形的边长只能是 11,因此 dp(i, j) = 1dp(i,j)=1。
以下用一个例子具体说明。原始矩阵如下。
0 1 1 1 0
1 1 1 1 0
0 1 1 1 1
0 1 1 1 1
0 0 1 1 1
对应的 dpdp 值如下。
0 1 1 1 0
1 1 2 2 0
0 1 2 3 1
0 1 2 3 2
0 0 1 2 3
下图也给出了计算 dpdp 值的过程。
class Solution {
public int maximalSquare(char[][] matrix) {
int maxSide = 0;
if (matrix == null || matrix.length == 0 || matrix[0].length == 0) {
return maxSide;
}
int rows = matrix.length, columns = matrix[0].length;
int[][] dp = new int[rows][columns];
for (int i = 0; i < rows; i++) {
for (int j = 0; j < columns; j++) {
if (matrix[i][j] == '1') {
if (i == 0 || j == 0) {
dp[i][j] = 1;
} else {
dp[i][j] = Math.min(Math.min(dp[i - 1][j], dp[i][j - 1]), dp[i - 1][j - 1]) + 1;
}
maxSide = Math.max(maxSide, dp[i][j]);
}
}
}
int maxSquare = maxSide * maxSide;
return maxSquare;
}
}
复杂度分析
时间复杂度:O(mn)O(mn),其中 mm 和 nn 是矩阵的行数和列数。需要遍历原始矩阵中的每个元素计算 dp 的值。
空间复杂度:O(mn)O(mn),其中 mm 和 nn 是矩阵的行数和列数。创建了一个和原始矩阵大小相同的矩阵 dp。由于状态转移方程中的 dp(i, j)dp(i,j) 由其上方、左方和左上方的三个相邻位置的 dpdp 值决定,因此可以使用两个一维数组进行状态转移,空间复杂度优化至 O(n)O(n)。
作者:LeetCode-Solution
链接:https://leetcode-cn.com/problems/maximal-square/solution/zui-da-zheng-fang-xing-by-leetcode-solution/
来源:力扣(LeetCode)
著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。