1066 图像过滤 中使用C++容易出现的问题

图像过滤是把图像中不重要的像素都染成背景色,使得重要部分被凸显出来。现给定一幅黑白图像,要求你将灰度值位于某指定区间内的所有像素颜色都用一种指定的颜色替换。

输入格式:

输入在第一行给出一幅图像的分辨率,即两个正整数 M 和 N(0<M,N≤500),另外是待过滤的灰度值区间端点 A 和 B(0≤A<B≤255)、以及指定的替换灰度值。随后 M 行,每行给出 N 个像素点的灰度值,其间以空格分隔。所有灰度值都在 [0, 255] 区间内。

输出格式:

输出按要求过滤后的图像。即输出 M 行,每行 N 个像素灰度值,每个灰度值占 3 位(例如黑色要显示为 000),其间以一个空格分隔。行首尾不得有多余空格。

输入样例:

3 5 100 150 0
3 189 254 101 119
150 233 151 99 100
88 123 149 0 255

输出样例:

003 189 254 000 000
000 233 151 099 000
088 000 000 000 255

这道题就是一个很简单的区间值替换的类似于签到题,但是这道题有一个超级大的坑,经常使用C++的友友们容易遇见那就是同时使用 “cin”读入数据和“cout”输出数据的时候会造成最后一个测试点超时,所以需要把读入数据替换成scanf或者读出数据替换成printf。

为什么数据量很大的时候,cin和cout的效率低于scanf和printf
    原因如下:
    因为C++为了和C保持同步、在混用 printf&scanf 和 cin&cout时的时候不发生混乱,将它的输入/输出流绑到了一起。
    解决方法:
    可以通过std::ios::sync_with_stdio(false);指令关闭同步。也可以通过std::cin.tie(nullptr);获取cin更优的性能(解除std :: cin和std :: cout之间的绑定,来降低IO的负担使效率提升)

//最后一个测试点会TIMEOUT
#include <iostream>

using namespace std;

int main(){
	int m, n;
	cin >> m >> n;
	int a, b;
	cin >> a >> b;
	int change;
	cin >> change;
	for(int i = 1; i <= m; i++){
		for(int j = 1; j <= n; j++){
			int t;
			cin >> t;
			if(t >= a && t <= b) t = change;
			printf("%03d", t);
			if(j < n) cout << " ";
		}
		cout << endl;
	}
	return 0;
}
//成功AC的代码
#include <iostream>

using namespace std;

int main(){
	int m, n, a, b, change;
	cin >> m >> n >> a >> b >> change;
	for(int i = 0; i < m; i++){
		for(int j = 0; j < n; j++){
			int t;
            //将这行的 cin >> t;进行修改就能使得最后一个测试点AC
			scanf("%d", &t);
			if(t >= a && t <= b) t = change;
			printf("%03d", t);
			if(j < n - 1) cout << " ";
		}
		cout << endl;
	}
	return 0;
}

该文章中间探讨cin,cout和scanf,printf的效率时,引用自文章

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
以下是使用OpenCV C++实现频域滤波去除噪声的示例代码。首先,我们将读取一张图像并添加高斯噪声。然后,我们将对图像进行频域滤波以去除噪声。 ```c++ #include <opencv2/opencv.hpp> #include <iostream> using namespace cv; using namespace std; int main() { // 读取图像 Mat image = imread("image.jpg", IMREAD_GRAYSCALE); // 添加高斯噪声 Mat noise; randn(noise, 0, 50); Mat noisy_image = image + noise; // 显示原始图像和加噪声后的图像 imshow("Original Image", image); imshow("Noisy Image", noisy_image); // 计算傅里叶变换 Mat complex_image; Mat padded_image; int m = getOptimalDFTSize(noisy_image.rows); int n = getOptimalDFTSize(noisy_image.cols); copyMakeBorder(noisy_image, padded_image, 0, m - noisy_image.rows, 0, n - noisy_image.cols, BORDER_CONSTANT, Scalar::all(0)); Mat planes[] = { Mat_<float>(padded_image), Mat::zeros(padded_image.size(), CV_32F) }; merge(planes, 2, complex_image); dft(complex_image, complex_image); // 创建低通滤波器 Mat low_pass_filter = Mat::zeros(complex_image.size(), CV_32F); circle(low_pass_filter, Point(low_pass_filter.cols / 2, low_pass_filter.rows / 2), 50, Scalar(1), -1); // 应用低通滤波器 Mat filtered_image; mulSpectrums(complex_image, low_pass_filter, complex_image, 0); idft(complex_image, filtered_image, DFT_SCALE | DFT_REAL_OUTPUT); // 显示过滤后的图像 imshow("Filtered Image", filtered_image); waitKey(0); return 0; } ``` 在上面的代码,我们首先读取图像并添加高斯噪声。然后,我们使用OpenCV的DFT函数计算图像的傅里叶变换,并创建一个低通滤波器。通过使用mulSpectrums函数将图像的傅里叶变换和滤波器相乘,我们可以将高频噪声过滤掉。最后,我们使用IDFT函数计算过滤后的图像。 在运行上面的代码后,您应该能够看到原始图像、加噪声的图像过滤后的图像过滤后的图像的噪声应该比加噪声的图像的噪声要少。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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