洛谷 P10719 \[GESP202406 五级] 黑白格——暴力美学与图像处理的最小外接矩形

洛谷 P10719 $GESP202406 五级$ 黑白格------暴力美学与图像处理的最小外接矩形

📌 摘要

P10719 给定一个 n×m 的 01 网格，找至少包含 k 个黑格的最小子矩形面积。n,m≤100，暴力枚举所有矩形 O(n²×m²) 可以通过。本文分析了暴力解法的设计思路------从左上角出发，逐步扩展宽度和高度，遇到满足条件的就记录面积并跳出------并延伸到二值图像处理中的最小外接矩形（Minimum Bounding Rectangle），从 1970 年代卫星遥感到现代目标检测 YOLO 的 bounding box，核心操作都是同一个：在二值网格上找一个满足条件的最小矩形。

题目链接 ：P10719 黑白格

📚 目录

[📝 前言](#📝 前言)
[🔍 题目在考什么](#🔍 题目在考什么)
[💡 思路](#💡 思路)
[📝 伪代码](#📝 伪代码)
[🎯 关键点](#🎯 关键点)
[⚠️ 注意事项](#⚠️ 注意事项)
[🌳 延伸：从黑白格到目标检测------最小外接矩形的故事](#🌳 延伸：从黑白格到目标检测——最小外接矩形的故事)
- [🖼️ 二值图像：最简单的图像](#🖼️ 二值图像：最简单的图像)
- [📐 最小外接矩形：1970 年代的卫星眼睛](#📐 最小外接矩形：1970 年代的卫星眼睛)
- [🔍 目标检测：从滑动窗口到 YOLO](#🔍 目标检测：从滑动窗口到 YOLO)
- [📊 前缀和：从暴力到高效](#📊 前缀和：从暴力到高效)
- [🗺️ 地理信息系统：栅格数据无处不在](#🗺️ 地理信息系统：栅格数据无处不在)
[📚 延伸阅读文献](#📚 延伸阅读文献)

📝 前言

这篇题解没有源代码，只有伪代码。

作为一名信奥教练，我不提倡复制粘贴。我见过太多学生搜到题解、复制、粘贴、提交、AC------代码跑通了，脑子没跑通。下次遇到变体题，还是不会。

伪代码剥掉了语言的壳，只留算法的骨架。你看不到 #include，看不到 cin、cout，看不到那些让你以为"我会了"的语法细节。你能看到的只有：这一步做什么、下一步做什么、为什么这么做。

如果你是路过的友友，已经在这道题上挣扎了很久------先去喝杯水，回来重新看看自己卡在哪一步。是没读懂题意？是思路方向偏了？还是代码有 bug 但逻辑其实对？大多数时候不是不会，是走偏了。偏了不可怕，可怕的是偏了之后直接放弃，去抄一份能 AC 的代码。抄完你以为你懂了，其实你只是搬了别人的结论。

除非你时间真的紧张------比赛临近、作业要交------那种情况先 AC 再说，能理解。但平时练习，给自己一点耐心。先自己想、自己写、自己调，跑不过了再来看伪代码：你的思路和这里差在哪一步。那一步，就是你真正学到的东西。

🔍 题目在考什么

给定 n×m 的 01 网格（0=白，1=黑），找至少包含 k 个 1 的最小面积子矩形。

参数	范围
n, m	≤100
k	≤n×m

n,m≤100 意味着：矩形数量最多 C(100,2)×C(100,2) ≈ 2.5×10⁷ 个，暴力枚举所有矩形在 1 秒内可行。

核心是矩形枚举 + 计数：怎么遍历所有可能的矩形，怎么高效计算每个矩形内 1 的个数。

💡 思路

暴力做法：枚举所有子矩形的左上角 (y, x) 和宽高，逐个扫描矩形内的格子数 1 的个数，满足 ≥k 就记录面积，取最小值。

原始代码的枚举策略比较特别------不是标准的"四重循环枚举左上右下"，而是渐进扩展宽度：

固定起始行 y
从 x=0 开始，初始宽度 end_x=1
对于当前 (y, x, end_x)，逐行向下扫描，累加 1 的个数
一旦 1 的个数 ≥k，记录面积 = end_x × 行数，跳出
宽度 end_x++，回到同一 x 重试（x-- 让 for 循环不前进）
当宽度扩展到 m-x（到达右边界），重置 end_x=1，移到下一个 x

这个策略的特点是宽度优先扩展------对每个起始位置，先试窄矩形（宽度 1），不够就加宽，找到第一个满足条件的就记录。因为面积 = 宽×高，窄矩形如果行数少，面积可能更小，所以先试窄的有道理。

更标准的暴力写法：四重循环枚举左上角 (r1,c1) 和右下角 (r2,c2)，对每个矩形数 1 的个数。复杂度 O(n²×m²×nm)------太慢。加上前缀和优化到 O(n²×m²)------可行。

📝 伪代码

原始代码的暴力版本（渐进扩展宽度）：

text 复制代码

读取 n, m, k
读取网格 grid[0..n-1][0..m-1]     // 每行是一个 01 串
最小面积 = n*m + 1                  // 初始化为不可能的大值

对 y = 0 到 n-1:                    // 起始行
    宽度 = 1                         // 从宽度 1 开始
    对 x = 0 到 m-1:                 // 起始列
        计数 = 0
        对 行 = y 到 n-1:            // 逐行向下扩展
            对 列 = x 到 x+宽度-1:   // 扫描当前行的宽度范围
                如果 grid[行][列] == '1':
                    计数++
            如果 计数 >= k:          // 满足条件
                面积 = 宽度 × (行 - y + 1)
                如果 面积 < 最小面积:
                    最小面积 = 面积
                跳出行循环           // 找到了就停，加宽没意义

        // 扩展宽度，重试同一 x
        如果 宽度 < m - x:
            宽度++
            x--                      // 让 for 循环不前进，重试同一 x
        如果 宽度 >= m - x:           // 到达右边界
            宽度 = 1                 // 重置宽度

如果 最小面积 == n*m + 1:
    输出 0                           // 无解
否则:
    输出 最小面积

标准暴力 + 前缀和版本（O(n²×m²)）：

text 复制代码

读取 n, m, k
读取网格 grid[0..n-1][0..m-1]

// 预处理二维前缀和
前缀和 pre[i][j] = 矩形 (0,0) 到 (i-1,j-1) 内 1 的个数
pre[i][j] = pre[i-1][j] + pre[i][j-1] - pre[i-1][j-1] + (grid[i-1][j-1]=='1')

最小面积 = n*m + 1

// 枚举所有子矩形
对 r1 = 0 到 n-1:                    // 上边界
    对 r2 = r1 到 n-1:               // 下边界
        对 c1 = 0 到 m-1:            // 左边界
            对 c2 = c1 到 m-1:       // 右边界
                // O(1) 计算矩形内 1 的个数
                计数 = pre[r2+1][c2+1] - pre[r1][c2+1] - pre[r2+1][c1] + pre[r1][c1]
                如果 计数 >= k:
                    面积 = (r2-r1+1) × (c2-c1+1)
                    如果 面积 < 最小面积:
                        最小面积 = 面积

输出 最小面积（如果仍为 n*m+1 则输出 0）

🎯 关键点

⚠️ 最常见的误解：矩形不需要全是 1。 题目说"至少包含 k 个黑色格子"------意思是矩形内 1 的个数 ≥ k 就行，允许夹杂 0。但很多人下意识理解成"矩形必须全部是 1"，于是去找纯黑矩形。更糟的是，样例的矩形恰好全是 1（6 个格子 6 个 1），加深了这个误解。

实际上，如果一个 2×3 矩形里有 5 个 1 和 1 个 0，面积 6、含 5 个 1 ≥ k=5，它同样合法。甚至可能比纯黑矩形更优------因为纯黑矩形可能需要更大的面积才能凑够 k 个 1。

正确理解：矩形内 1 的个数 ≥ k，不管 0 有几个。

理解	含 5 个 1 的 2×3 矩形（5 个 1 + 1 个 0）	合法？
❌ 全是 1	有 0，不满足	否
✅ 至少 k 个 1	5 ≥ 5，满足	是

"渐进扩展宽度"的设计思路。 原始代码不是朴素地枚举所有矩形，而是对每个起始位置，从宽度 1 开始逐步加宽。找到满足条件的就记录面积并跳出------因为继续加宽只会让面积更大。这是一种贪心剪枝：窄矩形如果已经满足条件，就不需要试更宽的。

为什么要 x--。 当宽度从 end_x 扩展到 end_x+1 时，需要重新从同一列 x 开始扫描。但 for 循环的 x++ 会跳到下一列，所以用 x-- 抵消，让下一轮循环仍然处理同一 x。这是一个常见的"手动控制循环变量"技巧。

前缀和的威力。 标准暴力每次数矩形内 1 的个数要 O(n×m)，总共 O(n²×m²×nm) = O(10¹⁰)，太慢。前缀和把"数 1 的个数"从 O(n×m) 降到 O(1)，总共 O(n²×m²) = O(10⁸)，1 秒内能过。

用样例追踪（n=4, m=5, k=5）：

复制代码

最优矩形：第 2-4 行（0 基下标 1-3），第 4-5 列（0 基下标 3-4），面积 2×3=6，含 6 个 1 ≥ 5。

起始 (y,x)	宽度	向下扫描	1 的个数	≥k？	面积
(0,0)	1	4行	0	否	---
(0,0)	2	4行	0	否	---
...	...	...	...	...	...
(1,3)	1	第1行:1, 第2行:1, 第3行:1 → 累计3	3	否	---
(1,3)	2	第1行:2, 第2行:2, 第3行:2 → 累计6	6	是	2×3=6
(1,4)	1	第1行:1, 第2行:1, 第3行:1 → 累计3	3	否	---
...	...	...	...	...	...

最小面积：6。

⚠️ 注意事项

暴力能过但有风险。 n,m=100 时，矩形数量约 2.5×10⁷ 个。如果每个矩形都 O(n×m) 扫描，总共 O(10¹⁰)，会超时。原始代码的渐进扩展有剪枝效果，但最坏情况仍可能慢。加前缀和是更稳妥的做法。
int 溢出。 n,m=100，k≤10⁴，面积最大 10⁴，int 范围足够。但如果用前缀和，累加 1 的个数最多 10⁴，也在 int 范围内。
VLA 问题。 string str01[n] 是变长数组，不是标准 C++。可用 vector<string> 或固定大小数组替代。
无解情况。 如果网格中 1 的总数 < k，没有任何矩形满足条件，应输出 0。原始代码用 min_area = n*m+1 初始化，最后检查是否仍为此值来判断无解------正确。
宽度重置时机。 end_x 在到达右边界（end_x >= m-x）时重置为 1。如果重置逻辑有误，可能漏掉某些矩形或重复扫描。
x-- 的边界。 当 x=0 时 x-- 变成 -1，但下一轮 for 循环 x++ 变回 0，不会有问题。但如果 x 已经在边界，x-- 可能让循环多跑一轮------需要确认逻辑正确。

🌳 延伸：从黑白格到目标检测------最小外接矩形的故事

你在 P10719 里做的事------在二值网格上找一个包含足够多"目标"的最小矩形------在计算机视觉里有一个正式名字：最小外接矩形（Minimum Bounding Rectangle, MBR）。这个操作从 1970 年代的卫星遥感到今天的目标检测，无处不在。

🖼️ 二值图像：最简单的图像

你的 01 网格就是一张二值图像 （Binary Image）------每个像素只有两种值：黑（1）或白（0）。这是图像处理中最基础的表示形式（Binary Image --- Wikipedia）。

二值图像的历史比计算机还早：1900 年代初的电报传真就是二值传输------"有信号=黑，无信号=白"。1960 年代第一台扫描仪把照片转成数字网格时，第一步就是二值化：设定一个阈值，比阈值暗的标 1（黑），比阈值亮的标 0（白）（Image Thresholding --- OpenCV）。

你在 P10719 里输入的 00000 / 01111 / 00011 / 00011，和卫星图、医学切片、文档扫描的二值化结果在数学上完全一样------一个 n×m 的 0/1 矩阵。

📐 最小外接矩形：1970 年代的卫星眼睛

1972 年，美国发射 Landsat-1 卫星，传回地球表面的数字图像。分析师面对的是 185km×185km 的多光谱图像，需要从中提取有用信息------森林面积、城市边界、农作物分布（Landsat Program --- NASA）。

他们的第一步操作就是：把多光谱图像二值化（你的 01 网格），然后找目标区域的最小外接矩形 。比如把植被指数 > 0.3 的像素标 1（是植被），其余标 0，然后找包含足够多 1 的最小矩形------这就是你在 P10719 里做的事。

P10719	卫星遥感
01 网格	二值化后的卫星图（1=植被/水体/建筑）
k 个黑格	k 个目标像素（"这块够大，值得关注"）
最小矩形	目标区域的外接矩形（用于面积估算和定位）
min_area	最小外接矩形面积

1970 年代美国地质调查局（USGS）开发的 GIS 系统里，最小外接矩形是最基本的几何操作之一------它把不规则的像素块压缩成一个矩形，用四个数字（xmin, ymin, xmax, ymax）代替成千上万个像素坐标（GIS --- Wikipedia）。

🔍 目标检测：从滑动窗口到 YOLO

在计算机视觉中，"在图像里找包含目标的矩形"就是目标检测 （Object Detection）的核心任务。你的 P10719 是它的最简化版本（Object Detection --- Wikipedia）。

2001 年------Viola-Jones 人脸检测器。 Paul Viola 和 Michael Jones 发表了实时人脸检测算法。核心思想：在图像上滑动一个矩形窗口，对每个窗口判断"是不是人脸"。窗口从小到大逐级扫描------和你从宽度 1 逐步扩展的思路异曲同工（Viola-Jones --- Wikipedia）。

P10719	Viola-Jones
枚举所有矩形	滑动所有窗口位置和尺寸
数 1 的个数 ≥k	Haar 特征 ≥ 阈值
最小面积	最高置信度
O(n²×m²)	O(n×m×scale)（用积分图加速）

积分图（Integral Image） 是 Viola-Jones 的关键加速------它就是你在前缀和版本里用的二维前缀和 。任何一个矩形内的像素和可以在 O(1) 时间内算出来，不需要逐个扫描。Viola 和 Jones 的贡献正是把这个技巧用在了实时检测上（Viola-Jones --- Wikipedia）。

2012 年------深度学习时代。 AlexNet 在 ImageNet 上的突破让卷积神经网络（CNN）成为图像识别的标准。R-CNN（2014）用 CNN 对每个候选矩形分类，YOLO（2016）把整个检测变成单次前向传播 $（YOLO --- Wikipedia）$ (https://en.wikipedia.org/wiki/YOLO_(algorithm)）。

时代	方法	怎么找矩形	和你的关系
2001	Viola-Jones	滑动窗口 + Haar 特征	你的暴力枚举 + 前缀和
2014	R-CNN	候选区域 + CNN 分类	你枚举矩形 + 判断
2016	YOLO	单次 CNN 直接预测矩形	端到端，不枚举
2024	DETR	Transformer 直接输出矩形	注意力机制替代枚举

YOLO 不再枚举所有矩形------它直接从图像预测"哪里有矩形"。但底层逻辑没变：在二值网格上找满足条件的最小矩形。你的 P10719 暴力解法是 YOLO 的远古祖先------区别只是 YOLO 用神经网络学会了"哪些位置值得看"，而你老实地看遍了所有位置。

📊 前缀和：从暴力到高效

你在伪代码里看到的两种版本------暴力逐格扫描 O(n×m) 和前缀和 O(1)------对应了两种工业级算法：

方法	你的代码中的对应	复杂度	工业应用
逐格扫描	`for 列: if grid[行][列]=='1': 计数++`	O(n×m) per 矩形	朴素的区域统计
二维前缀和	`pre[r2+1][c2+1] - pre[r1][c2+1] - ...`	O(1) per 矩形	Viola-Jones 积分图
滑动窗口	固定行对，双指针扫列	O(n²×m)	直方图分析、柱状图

二维前缀和 = 积分图。 这个等价关系是 2001 年 Viola-Jones 论文的核心贡献之一。他们在不知道"前缀和"这个名字的情况下，独立提出了完全相同的数学结构，命名为"Integral Image"（Viola-Jones --- Wikipedia）。你在洛谷上用的前缀和技巧，和 2001 年让实时人脸检测成为可能的积分图，是同一个数学工具。

🗺️ 地理信息系统：栅格数据无处不在

你的 01 网格在 GIS 中叫栅格数据 （Raster Data）。每一格代表一块地面的属性：是/不是森林、是/不是水体、是/不是建筑（Raster Data --- GIS Wiki）。

P10719	GIS 栅格
n×m 网格	遥感影像或分类图
1 = 黑格	1 = 目标类别（森林/水体/建筑）
k 个 1	k 个目标像素（"这块足够大"）
最小矩形	最小外接矩形（面积估算、定位）
min_area	面积统计（环境保护、城市规划）

USGS 3DEP （3D Elevation Program）提供全美 1 米分辨率的数字高程模型------一张图就是 10⁸ 个格子。在这些数据上找"海拔 > 某值的连续区域的最小外接矩形"，就是你 P10719 的工业版（USGS 3DEP --- USGS）。

你的 for 循环遍历 n×m 的网格，和 ArcGIS、QGIS 在处理卫星数据时做的事一模一样------只是你的网格 100×100，它们的网格 10⁴×10⁴。

📚 延伸阅读文献

论文与技术文档

P. Viola, M. Jones. Robust Real-Time Face Detection. International Journal of Computer Vision, 2004. ------ 积分图（前缀和）在目标检测中的经典应用。
J. Redmon, S. Divvala, R. Girshick, A. Farhadi. You Only Look Once: Unified, Real-Time Object Detection. CVPR, 2016. ------ YOLO 目标检测，从图像直接预测矩形。
R. C. Gonzalez, R. E. Woods. Digital Image Processing (4th Edition). Pearson, 2018. ------ 第 10 章图像分割，含二值图像处理。

在线资源

洛谷. P10719 $GESP202406 五级$ 黑白格 . https://www.luogu.com.cn/problem/P10719
Binary Image --- Wikipedia . （Binary Image） ------ 二值图像的基础概念。
Viola-Jones Object Detection Framework --- Wikipedia . （Viola-Jones） ------ 积分图和滑动窗口检测。
Object Detection --- Wikipedia . （Object Detection） ------ 目标检测综述，从滑动窗口到 YOLO。
YOLO (Algorithm) --- Wikipedia . （YOLO） ------ YOLO 算法，单次前向预测矩形。
Landsat Program --- NASA . https://landsat.gsfc.nasa.gov/ ------ Landsat 卫星计划，1972 年开始的地球观测。
USGS 3D Elevation Program . https://www.usgs.gov/3d-elevation-program ------ 全美 1 米分辨率数字高程模型。
Image Thresholding --- OpenCV . https://docs.opencv.org/4.x/d7/d4d/tutorial_py_thresholding.html ------ 二值化教程，灰度图→01 网格。
Geographic Information System --- Wikipedia . （GIS） ------ 地理信息系统，栅格数据和最小外接矩形。

洛谷 P10719 \[GESP202406 五级] 黑白格——暴力美学与图像处理的最小外接矩形