暴力匹配算法

针对问题:
给定一个源文本串S,和一个模式匹配串P,需要查找P在S中第一次出现的下标位置。
若P在S中存在,则返回下标值;若P在S中不存在,则返回-1。

算法思路:
- 如果当前字符匹配成功,即 S[i]==P[j],则i++,j++,继续匹配下一个字符
- 如果当前字符匹配失败,即 S[i]!=p[j],则i回溯到i-(j-1),j被重置为0。

代码:

//java
int match(char []s, char []p){
    int sLen = s.length;
    int pLen = p.length;
    int i = 0;
    int j = 0;
    while(i<sLen && j<pLen){
        if(s[i] == p[j]){//匹配成功
            i++;
            j++;
        }else{//匹配不成功
            i = i-j+1;
            j = 0;
        }
    }
    if(j == pLen)//匹配成功,返回下标位置
        return i-j;
    else//匹配不成功,返回-1
        return -1;
}

执行过程:
前提:
S为”bbc abcdab abcdabcdabde“,P为”abcdabd“。
过程:
1>>S[0]为b,P[0]为a,不匹配,执行第②个条件:“如果失配(即S[i]! = P[j]),令i = i - (j - 1),j =0”,S[1]跟P[0]匹配,相当于模式串要往右移动一位(i=1,j=0)
**b**bc abcdab abcdabcdabde
**a**bcdabd
2>> S[1]跟P[0]还是不匹配,继续执行第②个条件:“如果失配(即S[i]! = P[j]),令i = i - (j - 1),j = 0”,S[2]跟P[0]匹配(i=2,j=0),从而模式串不断的向右移动一位(不断的执行“令i = i - (j - 1),j = 0”,i从2变到4,j一直为0)
b**b**c abcdab abcdabcdabde
**a**bcdabd
3>>直到S[4]跟P[0]匹配成功(i=4,j=0),此时按照上面的暴力匹配算法的思路,转而执行第①个条件:“如果当前字符匹配成功(即S[i] == P[j]),则i++,j++”,可得S[i]为S[5],P[j]为P[1],即接下来S[5]跟P[1]匹配(i=5,j=1)
bbc **a**bcdab abcdabcdabde
**a**bcdabd
4>>S[5]跟P[1]匹配成功,继续执行第①个条件:“如果当前字符匹配成功(即S[i] == P[j]),则i++,j++”,得到S[6]跟P[2]匹配(i=6,j=2),如此进行下去
bbc a**b**cdab abcdabcdabde
a**b**cdabd
5>>直到S[10]为空格字符,P[6]为字符D(i=10,j=6),因为不匹配,重新执行第②个条件:“如果失配(即S[i]! = P[j]),令i = i - (j - 1),j = 0”,相当于S[5]跟P[0]匹配(i=5,j=0)
bbc abcdab** **abcdabcdabde
abcdab**d**
6>>至此,我们可以看到,如果按照暴力匹配算法的思路,尽管之前文本串和模式串已经分别匹配到了S[9]、P[5],但因为S[10]跟P[6]不匹配,所以文本串回溯到S[5],模式串回溯到P[0],从而让S[5]跟P[0]匹配
bbc a**b**cdab abcdabcdabde
**a**bcdabd
而S[5]肯定跟P[0]失配。为什么呢?因为在之前第4步匹配中,我们已经得知S[5] = P[1] = b,而P[0] = a,即P[1] != P[0],故S[5]必定不等于P[0],所以回溯过去必然会导致失配。

衍生问题:
那有没有一种算法,让i 不往回退,只需要移动j 即可呢???
答案是肯定的。这就是KMP算法,它利用之前已经部分匹配这个有效信息,保持i 不回溯,通过修改j 的位置,让模式串尽量地移动到有效的位置。

http://blog.youkuaiyun.com/u013076044/article/details/41833325

### 关于图像特征暴力匹配算法的图表与可视化 图像特征暴力匹配算法是一种基于逐一对比的方式寻找最佳匹配点的方法。该方法的核心在于计算两个特征向量之间的距离,通常采用欧氏距离或其他相似性度量标准来评估匹配程度。 #### 暴力匹配算法的工作原理 暴力匹配算法会逐一比较查询图像中的每一个特征点与目标图像中的所有特征点,找到最接近的一个作为匹配结果。这种简单粗暴的策略虽然效率较低,但在小型数据集上表现良好[^1]。 #### 常见的可视化形式 对于暴力匹配的结果展示,常见的可视化方式包括连线图和热力图: 1. **连线图** 这种图形通过在两幅图像之间绘制线条连接对应的特征点对,直观显示哪些部分被成功匹配。例如,在一幅图像中标记出关键点位置,并用颜色编码表示匹配质量或置信度等级。 ```python import cv2 import matplotlib.pyplot as plt # 加载两张图片并提取ORB特征 img1 = cv2.imread('image1.jpg', 0) img2 = cv2.imread('image2.jpg', 0) orb = cv2.ORB_create() kp1, des1 = orb.detectAndCompute(img1, None) kp2, des2 = orb.detectAndCompute(img2, None) # 创建BFMatcher对象 bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True) matches = bf.match(des1, des2) # 绘制前10个匹配项 matched_img = cv2.drawMatches(img1, kp1, img2, kp2, matches[:10], None, flags=cv2.DrawMatchesFlags_NOT_DRAW_SINGLE_POINTS) plt.imshow(matched_img), plt.show() ``` 2. **热力图** 使用热力图可以更细致地反映匹配强度的空间分布情况。通过对每一对匹配点赋予不同的权重值(如距离倒数),并将这些数值映射到色彩空间中形成渐变效果。这种方法特别适合分析大规模场景下的全局匹配模式[^2]。 3. **散点图** 散点图可用于呈现原始特征点的位置及其对应关系。每个点代表一个检测出来的兴趣区域中心坐标;当存在多组候选解时,则可通过大小或者透明度的变化体现优先级差异。 #### 结合直方图的应用案例 如果希望进一步探索特征描述子内部结构特性的话,还可以考虑引入直方图统计手段辅助解释现象背后规律。比如针对SIFT/SURF等局部不变量生成器所产生的维度较高的浮点型数组序列执行频率计数操作后得到累积概率曲线形状变化趋势观察是否存在某些特定区间聚集效应明显等问题解答线索支持决策制定过程优化改进方向探讨研究价值所在领域应用前景展望未来发展方向预测可能性结论总结全文要点概括重点强调贡献意义阐述局限不足之处反思改进建议措施提出具体实施方案路径规划路线安排时间进度表设定里程碑事件标记重要节点提醒注意事项规避风险因素控制成本预算分配资源利用最大化效益提升综合评价整体性能指标体系构建完善标准化流程规范化管理机制建立健全监督考核制度强化执行力落实到位保障项目顺利推进完成预期目标任务达成共识推动行业发展进步贡献力量实现共赢共享美好愿景共同奋斗努力拼搏共创辉煌成就梦想成真!
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值