Leetcode84. Largest Rectangle in Histogram.

Given n non-negative integers representing the histogram's bar height where the width of each bar is 1, find the area of largest rectangle in the histogram.

题目:给定一个柱状图,找到其中最大的矩阵。

    要想找到最大矩阵,就要求长宽尽量大,直观的想法是每一条左右延伸找到能延伸到的最远距离,容易实现,网上也有很多源码。后来在查找博客时发现有很巧妙的利用堆栈的方法,理解了很久,这里记录下思路。

    这里的栈用到了一个概念,为递增栈,简单的情况是该柱形图单调递增,这是它的最大矩形就从最右侧柱形开始计算,宽度为1,再将结果与次右侧高度柱形宽度为2的矩形比较,直到算出最左侧高度,宽度为整个柱形图宽的矩形的面积,选出最大面积。但在实际柱形图中并不总是单调的,不过,我们可以将该柱形图变换为递增栈,简单的来说,在满足递增条件下,将高度记录在递增栈中,不满足递增柱形时即当前柱形长度低于前面递增柱形的最右柱形,按前面的方法计算前面一组递增柱形图的最大面积max(h[i]*(size-i))。之后将这一部分高于当前柱形长度的柱形看作是当前柱形长度,形成新的递增柱形图。

    在上图的例子中,从头开始,将2看做第一个递增柱形{2},遍历到1时,高度低于前面的递增柱形,计算前面的递增柱形面积S=2。再将前一个递增柱形中高度高于1的柱形高度都看做1,作为新的递增柱形图{1,1}。继续添加{1,1,5,6}。之后2小于6,计算前面的递增柱形面积S=max(h[i]*(size-i))=max(6,10,3,4)。再将该图中高度高于当前柱形2的柱形高度看做2,{1,1,2,2,2},添加3,{1,1,2,2,2,3},计算面积S=max(h[i]*(size-i))=max(3,4,6,8,5,6)<10,最终结果为10。

代码如下:

class Solution {
public:
    int largestRectangleArea(vector<int>& heights) {
        
	stack<int>s;int h=0;
	int m=0;
	
	for(int i=0;i<heights.size();i++){
		if(s.empty()||heights[i]>=heights[s.top()]){
			s.push(i);
		}
		else{h=heights[s.top()];s.pop();
			int w=s.empty()?i:i-s.top()-1;
			m=max(w*h,m);i--;
		
		}
	}
	while(!s.empty()){
	    h=heights[s.top()];s.pop();
	    int w=s.empty()?heights.size():heights.size()-s.top()-1;
	    m=max(w*h,m);
	    
	}
	return m;
    }
};


  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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