【CCCC】L3-004 肿瘤诊断 (30分),三维BFS

简介: 【CCCC】L3-004 肿瘤诊断 (30分),三维BFS

problem

L3-004 肿瘤诊断 (30分)
在诊断肿瘤疾病时,计算肿瘤体积是很重要的一环。给定病灶扫描切片中标注出的疑似肿瘤区域,请你计算肿瘤的体积。

输入格式:
输入第一行给出4个正整数:M、N、L、T,其中M和N是每张切片的尺寸(即每张切片是一个M×N的像素矩阵。最大分辨率是1286×128);L(≤60)是切片的张数;T是一个整数阈值(若疑似肿瘤的连通体体积小于T,则该小块忽略不计)。

最后给出L张切片。每张用一个由0和1组成的M×N的矩阵表示,其中1表示疑似肿瘤的像素,0表示正常像素。由于切片厚度可以认为是一个常数,于是我们只要数连通体中1的个数就可以得到体积了。麻烦的是,可能存在多个肿瘤,这时我们只统计那些体积不小于T的。两个像素被认为是“连通的”,如果它们有一个共同的切面,如下图所示,所有6个红色的像素都与蓝色的像素连通。

输出格式:
在一行中输出肿瘤的总体积。

输入样例:
3 4 5 2
1 1 1 1
1 1 1 1
1 1 1 1
0 0 1 1
0 0 1 1
0 0 1 1
1 0 1 1
0 1 0 0
0 0 0 0
1 0 1 1
0 0 0 0
0 0 0 0
0 0 0 1
0 0 0 1
1 0 0 0
输出样例:
26

  • 给出L个N*M的01矩阵(立体),求所有大于T的联通块大小之和。
  • 数据范围1e3*1e2*60

solution

  • 很明显就是一个三维搜索,上下左右前后六个面
  • 但是三维,DFS层数过多会爆栈,大佬手动加栈,我还是BFS把
  • 令ak[j]表示空间第k片(i,j)的位置,爆搜即可。
#include<bits/stdc++.h>
using namespace std;

int n, m, l, t, a[61][129][1287];

int ans = 0;
struct xyz{int x, y, z;};
int dx[6][3] = {{1,0,0},{-1,0,0},{0,1,0},{0,-1,0},{0,0,1},{0,0,-1}};
int check(int x, int y, int z){if(x<0||y<0||z<0||x>=l||y>=n||z>=m)return 0;return 1;}
void bfs(int x, int y, int z){
    queue<xyz>q;  
    q.push(xyz{x,y,z}); 
    a[x][y][z] = 0;
    int sum = 1;
    while(q.size()){
        xyz k = q.front(); q.pop();
        for(int i = 0; i < 6; i++){
            xyz kk = k;//kk!=k,WA3,6,这TM也能过样例?!
            kk.x += dx[i][0];
            kk.y += dx[i][1];
            kk.z += dx[i][2];
            if(check(kk.x,kk.y,kk.z) && a[kk.x][kk.y][kk.z]){
                a[kk.x][kk.y][kk.z] = 0;
                sum++;
                q.push(kk);
            }
        }
    }
    if(sum>=t)ans += sum;
}


int main(){
    cin>>n>>m>>l>>t;
    for(int k = 0; k < l; k++)
        for(int i = 0; i < n; i++)
            for(int j = 0; j < m; j++)
                cin>>a[k][i][j];
    for(int k = 0; k < l; k++)
        for(int i = 0; i < n; i++)
            for(int j = 0; j < m; j++)
                if(a[k][i][j])bfs(k,i,j);
    cout<<ans<<endl;
    return 0;
}
目录
相关文章
|
5月前
|
算法 机器人 计算机视觉
boss:整个卡尔曼滤波器的简单案例——估计机器人位置
boss:整个卡尔曼滤波器的简单案例——估计机器人位置
54 0
|
6月前
|
机器学习/深度学习 算法 数据挖掘
Hybrid-SORT起飞 | 超过DeepSORT将近10个点的多目标跟踪香不香?
Hybrid-SORT起飞 | 超过DeepSORT将近10个点的多目标跟踪香不香?
173 0
|
6月前
|
传感器
遥感应用中常用的23个植被指数公式大全和GEE目前最常用Landsat影像时间和名称
遥感应用中常用的23个植被指数公式大全和GEE目前最常用Landsat影像时间和名称
244 0
|
6月前
|
计算机视觉 Python
OpenCV多目标匹配绘制红框及统计铁路站台总数、最短距离地铁站实战(附Python源码)
OpenCV多目标匹配绘制红框及统计铁路站台总数、最短距离地铁站实战(附Python源码)
78 0
OpenCV多目标匹配绘制红框及统计铁路站台总数、最短距离地铁站实战(附Python源码)
|
数据可视化
scRNA分析|单细胞文献Fig1中的分组umap图和细胞比例柱形图
scRNA分析|单细胞文献Fig1中的分组umap图和细胞比例柱形图
355 0
|
机器学习/深度学习 算法 计算机视觉
智慧交通day02-车流量检测实现09:SORT/deepSORT
SORT核心是卡尔曼滤波和匈牙利匹配两个算法。流程图如下所示,可以看到整体可以拆分为两个部分,分别是匹配过程和卡尔曼预测加更新过程,都用灰色框标出来了。
310 0
|
算法 数据挖掘
秒懂算法 | 基于K-Means算法的汽车行驶运动学片段的分类
汽车在行进过程中会产生连续的一组数据,包含加速度,速度等参数,汽车形式运动学片段是指是从一个怠速开始到下一个怠速开始之间的运动行程,通常包括一个怠速部分和一个行驶部分。而怠速指的是汽车停止运动,但发动机保持最低转速运转的连续过程。行驶部分通常包含加速、巡航和减速三种运动模式。
370 0
秒懂算法 | 基于K-Means算法的汽车行驶运动学片段的分类
|
编解码
7-58 肿瘤诊断 (30 分)
7-58 肿瘤诊断 (30 分)
107 0
7-58 肿瘤诊断 (30 分)
|
编解码
L3-004 肿瘤诊断 (30 分)(bfs)
L3-004 肿瘤诊断 (30 分)(bfs)
99 0
L3-004 肿瘤诊断 (30 分)(bfs)
|
机器学习/深度学习 传感器 算法
利用Astar算法实现飞行轨迹的三维规划附Matlab代码
利用Astar算法实现飞行轨迹的三维规划附Matlab代码