search-a-2d-matrix

本文介绍了一种高效的矩阵搜索算法,用于在一特殊类型的二维矩阵中查找特定数值。该矩阵每一行的整数从左到右递增排序,并且每行的第一个整数大于前一行的最后一个整数。文中提供了两种实现思路及其代码示例。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

题目描述


Write an efficient algorithm that searches for a value in an m x n matrix. This matrix has the following properties:


  • Integers in each row are sorted from left to right.
  • The first integer of each row is greater than the last integer of the previous row.


For example,

Consider the following matrix:

[
  [1,   3,  5,  7],
  [10, 11, 16, 20],
  [23, 30, 34, 50]
]

Given target =3, returntrue.


思路:

思路1:二分法确定target可能在第几行出现。再用二分法在该行确定target可能出现的位置。时间复杂度O(logn+logm)
思路2:从右上角元素开始遍历,每次遍历中若与target相等则返回true;若小于则行向下移动;若大于则列向左移动。时间复杂度m+n

思路1代码:
class Solution {
public:
    bool searchMatrix(vector<vector<int> > &matrix, int target) {
        int left = 0;
        int right = matrix.size()-1;
        if(left != right)
        {
            while(left<=right)
            {
                int middle = left + (right-left)/2;
                if(matrix[middle][0] < target)
                {
                    left = middle+1;
                }
                else if(matrix[middle][0] > target)
                {
                    right = middle-1;
                }
                else
                {
                    return true;
                }
            }
        }
        if(right == -1)
        {
            return false;
        }
        else
        {
            int row = right;
            int left = 0;
            int right = matrix[row].size()-1;
            while(left<=right)
            {
                int middle = left + (right-left)/2;
                if(matrix[row][middle] < target)
                {
                    left = middle+1;
                }
                else if(matrix[row][middle] > target)
                {
                    right = middle-1;
                }
                else
                {
                    return true;
                }
            }
            return false;
        }
        
    }
};
思路2代码:

package com.leetcode;

public class SearchMatrix {

	public boolean searchMatrix(int[][] matrix, int target) {

		int n = matrix.length;
		int m = matrix[0].length;

		int i = n - 1;
		int j = 0;

		while (j < m && i >= 0) {
			if (matrix[i][j] > target) {
				i--;
			} else if (matrix[i][j] < target) {
				j++;
			} else {
				return true;
			}
		}

		return false;
	}
}



### 实现基于视觉导航课程中的基本视觉里程计 #### 使用2D-2D方法实现视觉里程计 对于2D-2D特征匹配的方法,通常采用光流法或者其他图像特征描述子来进行前后帧之间的同名点匹配。一旦获得了这些匹配关系,则可以利用本质矩阵(Essential Matrix)或者基础矩阵(Fundamental Matrix)[^1]来计算相机的相对运动。 ```python import cv2 import numpy as np def estimate_motion_2d_to_2d(prev_img, curr_img): # 初始化SIFT检测器 sift = cv2.SIFT_create() # 寻找关键点和描述符 kp1, des1 = sift.detectAndCompute(prev_img, None) kp2, des2 = sift.detectAndCompute(curr_img, None) # FLANN参数配置 index_params = dict(algorithm=0, trees=5) search_params = dict(checks=50) flann = cv2.FlannBasedMatcher(index_params, search_params) matches = flann.knnMatch(des1, des2, k=2) good_matches = [] pts_prev = [] pts_curr = [] for m,n in matches: if m.distance < 0.7*n.distance: good_matches.append(m) pts_prev.append(kp1[m.queryIdx].pt) pts_curr.append(kp2[m.trainIdx].pt) E, mask = cv2.findEssentialMat(np.int32(pts_prev), np.int32(pts_curr)) _, R, t, _ = cv2.recoverPose(E, np.int32(pts_prev), np.int32(pts_curr)) return R, t ``` 此代码片段展示了如何使用OpenCV库执行两幅连续图片间的2D-2D匹配,并从中恢复出旋转和平移向量。 #### 使用3D-2D方法实现视觉里程计 当涉及到3D-2D对应时,最常用的技术之一就是PnP (Perspective-n-Point),它能够根据已知的世界坐标系下的若干个三维点及其对应的二维投影位置来估算摄像机的姿态变化[PnP算法]。这里给出一段简单的Python代码用于说明: ```python from scipy.optimize import least_squares import open3d as o3d def pnp_ransac(points_3d, points_2d, camera_matrix): n_iter = 100 threshold = 1e-4 best_inliers = set() best_model = None max_num_inliers = 0 for i in range(n_iter): sample_idx = np.random.choice(len(points_3d), size=4, replace=False) model = solve_pnp( points_3d[sample_idx], points_2d[sample_idx], camera_matrix, method=cv2.SOLVEPNP_ITERATIVE ) reprojection_error = compute_reprojection_errors(model, points_3d, points_2d, camera_matrix) current_inliers = {i for i,err in enumerate(reprojection_error) if err<threshold} if len(current_inliers)>max_num_inliers: best_inliers = current_inliers best_model = model optimized_pose = refine_with_gauss_newton(best_model, list(best_inliers), points_3d, points_2d, camera_matrix) return optimized_pose def solve_pnp(obj_points, img_points, cam_mat, flags=None): success, rvec, tvec = cv2.solvePnP(objectPoints=obj_points.astype(&#39;float64&#39;), imagePoints=img_points.astype(&#39;float64&#39;), cameraMatrix=camera_matrix, distCoeffs=None,flags=flags) rotmat,_ = cv2.Rodrigues(rvec) pose = np.hstack((rotmat,tvec.reshape(-1,1))) return pose ``` 上述代码实现了带有RANSAC策略的PnP求解以及后续通过高斯牛顿迭代进一步精调得到更精确的结果。 为了完成整个流程并输出最终结果,在实际应用中还需要考虑初始化、累积误差校正等问题;此外,也可以借助g2o工具包进行图优化以提高精度[^4]。
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