灰度直方图
问题
给出灰度矩阵A,计算灰度直方图,就是统计这个矩阵中各个像素值的个数。
A中每个元素的值都在[0,L),最终得到的直方图的长度为L。
思路
统计不同像素值的个数,适合使用map,遍历A,加入map中即可
#include <iostream>
#include <map>
using namespace std;
int main(){
int n, m, L;
map<int,int> pix;
cin >> n >> m >> L;
int temp;
for(int i = 0; i < n * m; i++){
cin >> temp;
pix[temp]++;
}
for(int i = 0; i < L; i++){
cout << pix[i] << " ";
}
cout << endl;
return 0;
}
get
这次的思路不错,但也是刚好这些键都是固定的,就是[0,L),输出好输出,不然无序的存储进去,输出就也不好搞。
map的遍历是iterator嗷
邻域均值
问题
一个灰度图,计算各个像素的领域均值,半径为r,如果均值小于等于t,则认为该像素为较暗区域,统计较暗区域个数。
思路
遍历每一个点,对每一个点计算邻域矩阵,hhh,一听就是会超时的麻烦思路,而且对每一个点,上下左右的半径试探还有用循环套循环,不想思考不想写,于是搜索了优秀思路。
优秀思路
发现大家在用,二维前缀数组,了解了一下
二维前缀和(Two-dimensional Prefix Sum)是一种常用的数组处理方法,用于高效地计算二维数组某个子矩阵的和。通过构建二维前缀和数组,可以在 O(1) 的时间复杂度内完成对任意子矩阵的求和操作。
假设我们有一个二维数组 matrix,其中 matrix[i][j] 代表第 i 行、第 j 列的元素值。
那么二维前缀和数组 prefixSum 的定义如下:
prefixSum[i][j]//以原始数组 matrix 左上角为起点、右下角为终点的矩形区域内所有元素的和
prefixSum[i][j] = matrix[i][j] + prefixSum[i-1][j] + prefixSum[i][j-1] - prefixSum[i-1][j-1]
红色子矩阵之和 = 蓝色 + 绿色 - 粉色
这个博主写的也很好,还有图
二位前缀和
这一题也是求子矩阵之和,就不用重复求解了,接下来就是要学一下,怎么求二维前缀数组,以及如何用在这一题上。
求得前缀和数组,确定邻域矩阵的左上坐标(x1,y1)右下坐标(x2,y2)。
参考博主的文章解决这个问题
CSP CCF: 202104-2 邻域均值 (C++)
#include <iostream>
#include <vector>
using namespace std;
int main() {
int n, L, r, t;
cin >> n >> L >> r >> t;
vector<vector<int> > prefix(n + 1, vector<int>(n + 1, 0));//初始化为全0,从下标为1的位置存储 前缀和
// vector<int> prefix(n, 0);
int temp = 0;
for(int i = 1; i <= n; i++){
for(int j = 1; j <= n; j++){
cin >> temp;
prefix[i][j] = prefix[i - 1][j] + prefix[i][j - 1] - prefix[i - 1][j - 1] + temp;
}
}
int sum, ans = 0;
int x1,y1,x2,y2;
for(int i = 1; i <= n; i++){
for(int j = 1; j <= n; j++){
x1 = max(1, i - r);
y1 = max(1, j - r);
x2 = min(n, i + r);
y2 = min(n, j + r);
sum = prefix[x2][y2] - prefix[x2][y1 - 1] - prefix[x1 - 1][y2] + prefix[x1 - 1][y1 - 1];
if((x2 - x1 + 1) * (y2 - y1 + 1) * t >= sum) ans++;
}
}
cout << ans << endl;
return 0;
}
get
学到了前缀和,之前也有一题是前缀和,一维的,这次遇到二维的,便于求任意子矩阵之和。前缀是从(1,1)到(x,y)的子矩阵之和。
初始化的方法:
vector prefix(n, 0);
vector<vector > prefix(n + 1, vector(n + 1, 0))
除法变乘法来算。