Leetcode每日一题】 二维前缀和 - 矩阵区域和(难度⭐⭐)(31)

1. 题目解析

题目链接:1314. 矩阵区域和

题目乍一看很晦涩难懂,又是大于等于又是k的

仔细分析,题目所说的意思就是以[i,j]为中心,求上下左右向外拓展k个单位的矩阵和,放在名为answer的矩阵中,最后返回answer矩阵即可

2.算法原理

在填写结果矩阵的过程中,一个核心步骤是确定原矩阵中对应区域的"左上角"和"右下角"的坐标。为了更好地理解,建议大家通过画图来辅助。

  • 首先,我们考虑左上角的坐标。理论上,它的x坐标是i减去k,y坐标是j减去k。但是,由于坐标可能超出原矩阵的范围,我们必须确保坐标不会小于0。因此,我们需要对0取最大值。经过修正,左上角的坐标为:x1 = max(0, i - k),y1 = max(0, j - k)。
  • 接下来,我们确定右下角的坐标。理论上,它的x坐标是i加上k,y坐标是j加上k。但同样地,我们也要考虑坐标不能超出原矩阵的边界,即不能大于m-1和n-1。因此,我们需要对m-1和n-1取最小值。修正后的右下角坐标为:x2 = min(m - 1, i + k),y2 = min(n - 1, j + k)。
  • 一旦我们得到了这两个关键坐标,就可以将它们代入到二维前缀和矩阵的计算公式中。不过,需要注意的是,在代入坐标时,我们可能需要考虑到下标的映射关系,确保计算的准确性。

通过这样的步骤,我们可以有效地确定原矩阵中对应区域的边界,进而进行后续的计算和填写结果矩阵的操作。

3.代码编写

复制代码
class Solution 
{
public:
    vector<vector<int>> matrixBlockSum(vector<vector<int>>& mat, int k) 
    {
        int m = mat.size(), n = mat[0].size();
        vector<vector<int>> dp(m + 1, vector<int>(n + 1));
        for(int i = 1; i <= m; i++)
            for(int j =1; j <= n; j++)
                dp[i][j] = dp[i - 1][j] + dp[i][j - 1] - dp[i - 1][j - 1] + mat[i - 1][j - 1];//减一为了匹配原来的mat
        vector<vector<int>> ret(m, vector<int>(n));
        for(int i = 0; i < m; i++)
            for(int j = 0; j < n; j++)
            {
                int x1 = max(0, i - k) + 1, y1 = max(0, j - k) + 1;
                int x2 = min(m - 1, i + k) + 1, y2 = min(n - 1, j + k) + 1;//加一为了匹配dp表
                ret[i][j] = dp[x2][y2] - dp[x1 - 1][y2] - dp[x2][y1 - 1] + dp[x1 - 1][y1 - 1];
            }
        return ret;
    }
};

写在最后

嗯,就是这样啦,文章到这里就结束啦,真心感谢你花时间来读。

觉得有点收获的话,不妨给我点个吧!

如果发现文章有啥漏洞或错误的地方,欢迎私信我或者在评论里提醒一声~

相关推荐
灵感__idea13 小时前
Hello 算法:众里寻她千“百度”
前端·javascript·算法
Wect1 天前
LeetCode 130. 被围绕的区域:两种解法详解(BFS/DFS)
前端·算法·typescript
NAGNIP1 天前
一文搞懂深度学习中的通用逼近定理!
人工智能·算法·面试
颜酱2 天前
单调栈:从模板到实战
javascript·后端·算法
CoovallyAIHub2 天前
仿生学突破:SILD模型如何让无人机在电力线迷宫中发现“隐形威胁”
深度学习·算法·计算机视觉
CoovallyAIHub2 天前
从春晚机器人到零样本革命:YOLO26-Pose姿态估计实战指南
深度学习·算法·计算机视觉
CoovallyAIHub2 天前
Le-DETR:省80%预训练数据,这个实时检测Transformer刷新SOTA|Georgia Tech & 北交大
深度学习·算法·计算机视觉
CoovallyAIHub2 天前
强化学习凭什么比监督学习更聪明?RL的“聪明”并非来自算法,而是因为它学会了“挑食”
深度学习·算法·计算机视觉
CoovallyAIHub2 天前
YOLO-IOD深度解析:打破实时增量目标检测的三重知识冲突
深度学习·算法·计算机视觉
NAGNIP2 天前
轻松搞懂全连接神经网络结构!
人工智能·算法·面试