已知堆叠体的三视图,求堆叠体体积:俯视图标注法的使用

简介: 已知堆叠体的三视图,求堆叠体体积:俯视图标注法的使用

题目


e6779c605d809f96b865f39482b6f104.png


求解过程


首先我们选择在俯视图上标注,因为堆叠体在垂直方向不可能出现两个立方体不接触(悬空的)状况。而左视图和主视图都可能出现两个立方体不接触的情况。

我们首先在主视图里,将每一列的最大高度标注出来:

f00e9b7a1e8bdc9d705f9d69e9eeb5cc.png

将此最大高度拷贝到俯视图去:

7a743c2e78178e931b3e5781d32a497e.png

同理,将左视图的最大高度也标注出来,拷贝到俯视图去:

74f74c6237f75ad7ffdafbb554c86853.png

将红色的 1 作为突破口,从1开始标。


左视图的数据(红色)标在列当中,主视图的数据(蓝色)标在行当中。


第一个绿色的2,代表从前往后看过去,最多看到两个立方体。但是粉红色的1,意思是从左往右,最高只能看到1个。


因此我们得出了灰色的1. 在俯视图上标注1,意思是这个位置,有且只有1个立方体。

a847696c1493277146a1b53483c16211.png

同理,上图第一个绿色的1,成为橙色1标注的依据。

1a92ec4972f3bde2a9de3f570dbd7d9d.png

第一个绿色的2,成为俯视图里黑色2标注的依据。

e9714e26e8cafd599abdf6be9ebcbe46.png

同理将俯视图最后两个位置标注出来,如下图浅蓝色所示:

7dcb66c13ec346177732fc1093ab9667.png

最后答案为 (2+2+2+1+1)×1×1×1 = 8

相关文章
|
4月前
|
算法
【MFAC】基于全格式动态线性化的无模型自适应控制
【MFAC】基于全格式动态线性化的无模型自适应控制
|
机器学习/深度学习
深度学习数据增强方法-内含(亮度增强,对比度增强,旋转图图像,翻转图像,仿射变化扩充图像,错切变化扩充图像,HSV数据增强)七种方式进行增强-每种扩充一张实现7倍扩)+ 图像缩放代码-批量
深度学习数据增强方法-内含(亮度增强,对比度增强,旋转图图像,翻转图像,仿射变化扩充图像,错切变化扩充图像,HSV数据增强)七种方式进行增强-每种扩充一张实现7倍扩)+ 图像缩放代码-批量
|
移动开发 文字识别 算法
论文推荐|[PR 2019]SegLink++:基于实例感知与组件组合的任意形状密集场景文本检测方法
本文简要介绍Pattern Recognition 2019论文“SegLink++: Detecting Dense and Arbitrary-shaped Scene Text by Instance-aware Component Grouping”的主要工作。该论文提出一种对文字实例敏感的自下而上的文字检测方法,解决了自然场景中密集文本和不规则文本的检测问题。
1875 0
论文推荐|[PR 2019]SegLink++:基于实例感知与组件组合的任意形状密集场景文本检测方法
|
4月前
|
算法
【MFAC】基于紧格式动态线性化的无模型自适应迭代学习控制
【MFAC】基于紧格式动态线性化的无模型自适应迭代学习控制
【MFAC】基于紧格式动态线性化的无模型自适应迭代学习控制
|
4月前
|
算法
【MFAC】基于紧格式动态线性化的无模型自适应控制
【MFAC】基于紧格式动态线性化的无模型自适应控制
|
4月前
【MFAC】基于紧格式动态线性化的无模型自适应控制(Matlab代码)
【MFAC】基于紧格式动态线性化的无模型自适应控制(Matlab代码)
|
5月前
|
索引
物体的标签和层
物体的标签和层
|
8月前
堆叠体体积求值的范围问题:已知堆叠体三视图,求该堆叠体体积的最大值和最小值
堆叠体体积求值的范围问题:已知堆叠体三视图,求该堆叠体体积的最大值和最小值
36 0
|
9月前
|
PyTorch 算法框架/工具
语义分割数据增强——图像和标注同步增强
其中常见的数据增强方式包括:旋转、垂直翻转、水平翻转、放缩、剪裁、归一化等。
365 0
|
9月前
|
JSON 算法 数据格式
优化cv2.findContours()函数提取的目标边界点,使语义分割进行远监督辅助标注
可以看到cv2.findContours()函数可以将目标的所有边界点都进行导出来,但是他的点存在一个问题,太过密集,如果我们想将语义分割的结果重新导出成labelme格式的json文件进行修正时,这就会存在点太密集没有办法进行修改,这里展示一个示例:没有对导出的结果进行修正,在labelme中的效果图。
86 0