IT数码 购物 网址 头条 软件 日历 阅读 图书馆
TxT小说阅读器
↓语音阅读,小说下载,古典文学↓
图片批量下载器
↓批量下载图片,美女图库↓
图片自动播放器
↓图片自动播放器↓
一键清除垃圾
↓轻轻一点,清除系统垃圾↓
开发: C++知识库 Java知识库 JavaScript Python PHP知识库 人工智能 区块链 大数据 移动开发 嵌入式 开发工具 数据结构与算法 开发测试 游戏开发 网络协议 系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑 笔记本 显卡 显示器 固态硬盘 硬盘 耳机 手机 iphone vivo oppo 小米 华为 单反 装机 图拉丁
 
   -> 数据结构与算法 -> 图像压缩动态规划(感觉书上代码有点问题) -> 正文阅读

[数据结构与算法]图像压缩动态规划(感觉书上代码有点问题)

动态规划图像压缩算法

看了很多博客,感觉对于b[i]数组(本文中的bitnum数组)的定义都不是很正确,自己思考了很久,记录一下!

①递归算法的实现

设置递归函数compress(px, bitnum, length, index)

  1. 参数px:输入的数组( i从0开始,0 =< px[i] <= 255)
  2. 参数bitnum:bitnum[i]表示存储px[i]所需的存储位数(按照其他博客的意思是表示px[0…i]最优分段中最后一段中的最大存储位数,但这样的定义很明显与他们的代码不相符)
  3. 参数length:length[i]表示以px[0…i]的最优分段中的最后一段的像素点的个数
  4. 参数index:表示要将px[0…index]进行最优分段
//length[i]: px[0..i]最优分段中最后一段的像素点个数
//bitnum[i]: px[i]的存储位数
int compress(const vector<int>& px, vector<int>& bitnum, vector<int>& length, int index) {
	if (index < 0) return 0;
	bitnum[index] = ceil(log(px[index] + 1) / log(2));
	int bmax = bitnum[index];
	int pre = compress(px, bitnum, length, index - 1);
	int ans = pre + bmax + 11;
	length[index] = 1;
	for (int k = 2; k <= index + 1 && k <= 255; ++k) {
		pre = compress(px, bitnum, length, index - k);
		if (bmax < bitnum[index - k + 1]) {
			bmax = bitnum[index - k + 1];
		}
		if (pre + k * bmax + 11 < ans) {
			ans = pre + k * bmax + 11;
			//bitnum[index] = bmax;
			length[index] = k;
		}
	}
	return ans;
}

以上代码有很多的重复计算

②动态规划算法实现

动态规划相较于递归最明显的好处之一就是避免了重复计算
根据递归代码比较容易将其改为动态规划算法:

int main() {
	int n;
	cin >> n;
	vector<int> px(n);
	for (int i = 0; i < n; ++i) {
		cin >> px[i];
	}
	vector<int> length(n);
	vector<int> bitnum(n);
	vector<int> dp(n);
	for (int i = 0; i < n; ++i) {
		bitnum[i] = ceil(log(px[i] + 1) / log(2));
		int bmax = bitnum[i];
		length[i] = 1;
		if (i == 0) {
			dp[i] = 0 + bmax + 11;
		}
		else {
			dp[i] = dp[i - 1] + bmax + 11;
		}
		for (int k = 2; k <= i + 1 && k <= 255; ++k) {
			if (bmax < bitnum[i - k + 1]) {
				bmax = bitnum[i - k + 1];
			}
			if ((i - k < 0 ? 0 : dp[i - k]) + k * bmax + 11 < dp[i]) {
				dp[i] = (i - k < 0 ? 0 : dp[i - k]) + k * bmax + 11;
				length[i] = k;
			}
		}
	}
	//cout << "the optimal value is " << compress(px, bitnum, length, n - 1) << endl;
	cout << "the optimal value is " << dp[n - 1] << endl;
	return 0;
}

输出最优分段结果

此时length[i]存储px[0…i]最优分段中的最后一段的像素点的个数
bitnum[i]存储px[i]所需要的存储位数
根据这两个信息使用递归回溯算法输出结果:

int traceback(const vector<int>& v, const vector<int>& bitnum, const vector<int>& length, int index) {
	if (index < 0) {
		return 0;
	}
	int prenum = traceback(v, bitnum, length, index - length[index]);
	int start = index - length[index] + 1;
	int maxn = INT_MIN;
	cout << "第" << prenum + 1 << "段: ";
	for (int i = start; i <= index; i++) {
		cout << v[i] << " ";
		maxn = max(maxn, bitnum[i]);
	}
	cout << " 所需存储位数: " << maxn << endl;
	return prenum + 1;
}

最终代码

#include<iostream>
#include<vector>
#include<limits.h>
#include<algorithm>
using namespace std;

//length[i]: px[0..i]最优分段中最后一段的像素点个数
//bitnum[i]: px[i]的存储位数
//int compress(const vector<int>& px, vector<int>& bitnum, vector<int>& length, int index) {
//	if (index < 0) return 0;
//	bitnum[index] = ceil(log(px[index] + 1) / log(2));
//	int bmax = bitnum[index];
//	int pre = compress(px, bitnum, length, index - 1);
//	int ans = pre + bmax + 11;
//	length[index] = 1;
//	for (int k = 2; k <= index + 1 && k <= 255; ++k) {
//		pre = compress(px, bitnum, length, index - k);
//		if (bmax < bitnum[index - k + 1]) {
//			bmax = bitnum[index - k + 1];
//		}
//		if (pre + k * bmax + 11 < ans) {
//			ans = pre + k * bmax + 11;
//			//bitnum[index] = bmax;
//			length[index] = k;
//		}
//	}
//	return ans;
//}

int traceback(const vector<int>& v, const vector<int>& bitnum, const vector<int>& length, int index) {
	if (index < 0) {
		return 0;
	}
	int prenum = traceback(v, bitnum, length, index - length[index]);
	int start = index - length[index] + 1;
	int maxn = INT_MIN;
	cout << "第" << prenum + 1 << "段: ";
	for (int i = start; i <= index; i++) {
		cout << v[i] << " ";
		maxn = max(maxn, bitnum[i]);
	}
	cout << " 所需存储位数: " << maxn << endl;
	return prenum + 1;
}

int main() {
	int n;
	cin >> n;
	vector<int> px(n);
	for (int i = 0; i < n; ++i) {
		cin >> px[i];
	}
	vector<int> length(n);
	vector<int> bitnum(n);
	vector<int> dp(n);
	for (int i = 0; i < n; ++i) {
		bitnum[i] = ceil(log(px[i] + 1) / log(2));
		int bmax = bitnum[i];
		length[i] = 1;
		if (i == 0) {
			dp[i] = 0 + bmax + 11;
		}
		else {
			dp[i] = dp[i - 1] + bmax + 11;
		}
		for (int k = 2; k <= i + 1 && k <= 255; ++k) {
			if (bmax < bitnum[i - k + 1]) {
				bmax = bitnum[i - k + 1];
			}
			if ((i - k < 0 ? 0 : dp[i - k]) + k * bmax + 11 < dp[i]) {
				dp[i] = (i - k < 0 ? 0 : dp[i - k]) + k * bmax + 11;
				length[i] = k;
			}
		}
	}
	//cout << "the optimal value is " << compress(px, bitnum, length, n - 1) << endl;
	cout << "the optimal value is " << dp[n - 1] << endl;
	traceback(px, bitnum, length, n - 1);
	return 0;
}

在这里插入图片描述

  数据结构与算法 最新文章
【力扣106】 从中序与后续遍历序列构造二叉
leetcode 322 零钱兑换
哈希的应用:海量数据处理
动态规划|最短Hamilton路径
华为机试_HJ41 称砝码【中等】【menset】【
【C与数据结构】——寒假提高每日练习Day1
基础算法——堆排序
2023王道数据结构线性表--单链表课后习题部
LeetCode 之 反转链表的一部分
【题解】lintcode必刷50题<有效的括号序列
上一篇文章      下一篇文章      查看所有文章
加:2022-07-03 11:03:35  更:2022-07-03 11:06:39 
 
开发: C++知识库 Java知识库 JavaScript Python PHP知识库 人工智能 区块链 大数据 移动开发 嵌入式 开发工具 数据结构与算法 开发测试 游戏开发 网络协议 系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑 笔记本 显卡 显示器 固态硬盘 硬盘 耳机 手机 iphone vivo oppo 小米 华为 单反 装机 图拉丁

360图书馆 购物 三丰科技 阅读网 日历 万年历 2024年11日历 -2024/11/25 23:22:12-

图片自动播放器
↓图片自动播放器↓
TxT小说阅读器
↓语音阅读,小说下载,古典文学↓
一键清除垃圾
↓轻轻一点,清除系统垃圾↓
图片批量下载器
↓批量下载图片,美女图库↓
  网站联系: qq:121756557 email:121756557@qq.com  IT数码