数据结构与算法-1 :旋转图像

简介: 从本文开始,我将开启一个新的系列文章的编写数据结构与算法,在本系列文章中,我将对牛客、LeetCode等主流算法刷题平台的精彩题目进行讲解,实现语言包括Python(主)、Javascript、C、C++,同时我也会将相关算法与我们的实际开发项目结合,帮助大家更好的理解这略显枯燥的算法。

前言


从本文开始,我将开启一个新的系列文章的编写数据结构与算法,在本系列文章中,我将对牛客LeetCode等主流算法刷题平台的精彩题目进行讲解,实现语言包括Python(主)、Javascript、C、C++,同时我也会将相关算法与我们的实际开发项目结合,帮助大家更好的理解这略显枯燥的算法。


【LeetCode】题目描述


给定一个 n × n 的二维矩阵表示一个图像。将图像顺时针旋转 90 度。说明:你必须在原地旋转图像,这意味着你需要直接修改输入的二维矩阵。请不要使用另一个矩阵来旋转图像。


示例1:


给定 matrix =
[
  [1,2,3],
  [4,5,6],
  [7,8,9]
],
原地旋转输入矩阵,使其变为:
[
  [7,4,1],
  [8,5,2],
  [9,6,3]
]


示例 2:


给定 matrix =
[
  [ 5, 1, 9,11],
  [ 2, 4, 8,10],
  [13, 3, 6, 7],
  [15,14,12,16]
],
原地旋转输入矩阵,使其变为:
[
  [15,13, 2, 5],
  [14, 3, 4, 1],
  [12, 6, 8, 9],
  [16, 7,10,11]
]


思路提供



01 - 矩阵旋转示意图


观察转化前后的矩阵对应元素,不难发现:


微信图片_20220610232537.png

图1.1 数字翻转示意图


微信图片_20220610232546.png

图1.2 数字翻转示意图


微信图片_20220610232551.png

图1.3 数字翻转示意图


微信图片_20220610232555.png

图1.4 数字翻转示意图



02 - 总结思路


用arr代表二维数组 i、j 表示数组对应下标,替换过程为 :


  1. 记录当前元素 tmp=arr[0][0]
  2. 顺时针开始逐一替换
  • arr[0][0]=arr[3][0]
  • arr[3][0]=arr[3][3]
  • arr[3][3]=arr[0][3]
  • arr[0][3]=tmp


进而将这种情况推广到一般状态下即为 :


  • tmp = arr[i][j]
  • matrix[i][j] = matrix[n-1-j][i]
  • matrix[n-1-j][i] = matrix[n-1-i][n-1-j]
  • matrix[n-1-i][n-1-j] = matrix[j][n-1-i]
  • matrix[j][n-1-i] = temp



03 - 结论


观察变化前后的数组可知 , 先将数组的行进行翻转 , 然后再求翻转后矩阵的转置矩阵即可。


代码展示


  • Python


class Solution:
      def rotate(self, matrix):
          """
          :type matrix: List[List[int]]
          :rtype: void Do not return anything, modify matrix in-place instead.
          """
          matrix.reverse()
          for i in range(len(matrix)):
              for j in range(i):
                  matrix[i][j], matrix[j][i] = matrix[j][i], matrix[i][j]


  • C++


class Solution {
  public:
      void rotate(vector<vector<int>>& matrix) {
          unsignedint n = matrix.size();
          for(unsignedint i = 0; i < n/2; ++i){
              for(unsignedint j = i; j < n - 1 - i; ++j){
                  int temp = matrix[i][j];
                  matrix[i][j] = matrix[n-1-j][i];
                  matrix[n-1-j][i] = matrix[n-1-i][n-1-j];
                  matrix[n-1-i][n-1-j] = matrix[j][n-1-i];
                  matrix[j][n-1-i] = temp;
              }
          }
      }
  };



本文总结


在本文中,我们通过简单的几个示意图讲解了如何对一个四阶矩阵进行原地(顺时针)旋转,并通过分析矩阵中的元素位置,将元素一般替换过程推广到普适的替换过程,最终得出本题的思路,我们最后还通过Python、C++对这个题目进行了实现,小伙伴们学会了吗?快去实现一


相关文章
|
19天前
|
算法 数据安全/隐私保护 开发者
马特赛特旋转算法:Python的随机模块背后的力量
马特赛特旋转算法是Python `random`模块的核心,由松本真和西村拓士于1997年提出。它基于线性反馈移位寄存器,具有超长周期和高维均匀性,适用于模拟、密码学等领域。Python中通过设置种子值初始化状态数组,经状态更新和输出提取生成随机数,代码简单高效。
102 63
|
2月前
|
机器学习/深度学习 人工智能 自然语言处理
【MM2024】阿里云 PAI 团队图像编辑算法论文入选 MM2024
阿里云人工智能平台 PAI 团队发表的图像编辑算法论文在 MM2024 上正式亮相发表。ACM MM(ACM国际多媒体会议)是国际多媒体领域的顶级会议,旨在为研究人员、工程师和行业专家提供一个交流平台,以展示在多媒体领域的最新研究成果、技术进展和应用案例。其主题涵盖了图像处理、视频分析、音频处理、社交媒体和多媒体系统等广泛领域。此次入选标志着阿里云人工智能平台 PAI 在图像编辑算法方面的研究获得了学术界的充分认可。
【MM2024】阿里云 PAI 团队图像编辑算法论文入选 MM2024
|
2月前
|
机器学习/深度学习 人工智能 算法
【MM2024】面向 StableDiffusion 的多目标图像编辑算法 VICTORIA
阿里云人工智能平台 PAI 团队与华南理工大学合作在国际多媒体顶级会议 ACM MM2024 上发表 VICTORIA 算法,这是一种面向 StableDiffusion 的多目标图像编辑算法。VICTORIA 通过文本依存关系来修正图像编辑过程中的交叉注意力图,从而确保关系对象的一致性,支持用户通过修改描述性提示一次性编辑多个目标。
|
2月前
|
算法 数据安全/隐私保护
织物图像的配准和拼接算法的MATLAB仿真,对比SIFT,SURF以及KAZE
本项目展示了织物瑕疵检测中的图像拼接技术,使用SIFT、SURF和KAZE三种算法。通过MATLAB2022a实现图像匹配、配准和拼接,最终检测并分类织物瑕疵。SIFT算法在不同尺度和旋转下保持不变性;SURF算法提高速度并保持鲁棒性;KAZE算法使用非线性扩散滤波器构建尺度空间,提供更先进的特征描述。展示视频无水印,代码含注释及操作步骤。
|
3月前
|
算法 数据可视化 数据安全/隐私保护
基于LK光流提取算法的图像序列晃动程度计算matlab仿真
该算法基于Lucas-Kanade光流方法,用于计算图像序列的晃动程度。通过计算相邻帧间的光流场并定义晃动程度指标(如RMS),可量化图像晃动。此版本适用于Matlab 2022a,提供详细中文注释与操作视频。完整代码无水印。
|
5月前
|
机器学习/深度学习 编解码 监控
算法金 | 深度学习图像增强方法总结
**图像增强技术概括** 图像增强聚焦于提升视觉效果和细节,广泛应用于医学、遥感等领域。空间域增强包括直方图均衡化(增强对比度)、对比度拉伸、灰度变换、平滑滤波(均值、中值)和锐化滤波(拉普拉斯、高通)。频率域增强利用傅里叶变换、小波变换,通过高频和低频滤波增强图像特征。现代方法涉及超分辨率重建、深度学习去噪(如CNN、Autoencoder)、图像修复(如GAN)和GANs驱动的多种图像处理任务。
174 14
算法金 | 深度学习图像增强方法总结
|
5月前
|
机器学习/深度学习 人工智能 自然语言处理
|
5月前
|
算法
基于粒子群优化的图像融合算法matlab仿真
这是一个基于粒子群优化(PSO)的图像融合算法,旨在将彩色模糊图像与清晰灰度图像融合成彩色清晰图像。在MATLAB2022a中测试,算法通过PSO求解最优融合权值参数,经过多次迭代更新粒子速度和位置,以优化融合效果。核心代码展示了PSO的迭代过程及融合策略。最终,使用加权平均法融合图像,其中权重由PSO计算得出。该算法体现了PSO在图像融合领域的高效性和融合质量。
|
4月前
|
算法 前端开发 计算机视觉
基于均值坐标(Mean-Value Coordinates)的图像融合算法的优化实现
基于均值坐标(Mean-Value Coordinates)的图像融合算法的优化实现
48 0
|
4月前
|
自然语言处理 并行计算 算法
基于均值坐标(Mean-Value Coordinates)的图像融合算法的具体实现
基于均值坐标(Mean-Value Coordinates)的图像融合算法的具体实现
48 0