661. 图片平滑器
包含整数的二维矩阵 M 表示一个图片的灰度。你需要设计一个平滑器来让每一个单元的灰度成为平均灰度 (向下舍入) ,平均灰度的计算是周围的8个单元和它本身的值求平均,如果周围的单元格不足八个,则尽可能多的利用它们。
示例 1:
输入: [[1,1,1], [1,0,1], [1,1,1]] 输出: [[0, 0, 0], [0, 0, 0], [0, 0, 0]] 解释: 对于点 (0,0), (0,2), (2,0), (2,2): 平均(3/4) = 平均(0.75) = 0 对于点 (0,1), (1,0), (1,2), (2,1): 平均(5/6) = 平均(0.83333333) = 0 对于点 (1,1): 平均(8/9) = 平均(0.88888889) = 0
注意:
- 给定矩阵中的整数范围为 [0, 255]。
- 矩阵的长和宽的范围均为 [1, 150]。
解法一
//时间复杂度O(m*n), 空间复杂度O(m*n)
class Solution {
public:
vector<vector<int>> imageSmoother(vector<vector<int>>& M) {
int m = M.size(), n = M[0].size();
vector<vector<int>> res(m, vector<int>(n));
for(int i = 0; i < m; i++) {
for(int j = 0; j < n; j++) {
int count = 1, sum = M[i][j];
if(i > 0) {
sum += M[i - 1][j];
count++;
}
if(i < m - 1) {
sum += M[i + 1][j];
count++;
}
if(j > 0) {
sum += M[i][j - 1];
count++;
}
if(j < n - 1) {
sum += M[i][j + 1];
count++;
}
if(i > 0 && j > 0) {
sum += M[i - 1][j - 1];
count++;
}
if(i > 0 && j < n - 1) {
sum += M[i - 1][j + 1];
count++;
}
if(i < m - 1 && j > 0) {
sum += M[i + 1][j - 1];
count++;
}
if(i < m - 1 && j < n - 1) {
sum += M[i + 1][j + 1];
count++;
}
res[i][j] = sum / count;
}
}
return res;
}
};
//时间复杂度O(m*n), 空间复杂度O(m*n)
class Solution {
public:
vector<vector<int>> imageSmoother(vector<vector<int>>& M) {
int m = M.size(), n = M[0].size();
vector<vector<int>> res(m, vector<int>(n));
for(int i = 0; i < m; i++) {
for(int j = 0; j < n; j++) {
int count = 0, sum = 0;
int x1 = i > 0 ? i - 1 : i;
int y1 = j > 0 ? j - 1 : j;
int x2 = i < m - 1 ? i + 1 : i;
int y2 = j < n - 1 ? j + 1 : j;
for(int x = x1; x <= x2; x++) {
for(int y = y1; y <= y2; y++) {
sum += M[x][y];
count++;
}
}
res[i][j] = sum / count;
}
}
return res;
}
};
常规思路,创建一个新矩阵用来存放结果,遍历旧矩阵,分别求平均放入新矩阵中。要处理边界情况。
解法一
按思路走,分别测试周围8个是否有效并求和,再求平均存入res。
解法二
上一个解法有一些重复的计算,因为它总是对同一条件测试了两次,解法二改进了这一点。它使用了两对坐标,记录当前元素周围有效元素的范围,并对这个范围内 的元素计数并求和,以此更新res。
实测证明解法一要364ms,解法二需要204ms,快了许多。
2019/06/15 11:01