Gaussian Blur là một phương pháp được sử dụng để làm mờ hình ảnh một cách mượt mà. Nó liên quan đến việc tạo ra một ma trận sẽ được sử dụng bằng cách kết hợp nó với các pixel của hình ảnh. Trong thử thách này, nhiệm vụ của bạn là xây dựng ma trận được sử dụng trong mờ Gaussian. Bạn sẽ mất một đầu vào r mà sẽ là bán kính mờ và một đầu vào σ đó sẽ là độ lệch chuẩn để xây dựng một ma trận với kích thước (2 r + 1 × 2 r + 1). Mỗi giá trị trong ma trận đó sẽ có giá trị ( x , y ) phụ thuộc vào khoảng cách tuyệt đối của nó theo từng hướng từ tâm và sẽ được sử dụng để tính G ( x , y ) trong đó công thứcG là
Ví dụ: nếu r = 2, chúng tôi muốn tạo ma trận 5 x 5. Đầu tiên, ma trận của các giá trị ( x , y ) là
(2, 2) (1, 2) (0, 2) (1, 2) (2, 2)
(2, 1) (1, 1) (0, 1) (1, 1) (2, 1)
(2, 0) (1, 0) (0, 0) (1, 0) (2, 0)
(2, 1) (1, 1) (0, 1) (1, 1) (2, 1)
(2, 2) (1, 2) (0, 2) (1, 2) (2, 2)
Sau đó, chúng ta hãy σ = 1,5 và áp dụng G với nhau ( x , y )
0.0119552 0.0232856 0.0290802 0.0232856 0.0119552
0.0232856 0.0453542 0.0566406 0.0453542 0.0232856
0.0290802 0.0566406 0.0707355 0.0566406 0.0290802
0.0232856 0.0453542 0.0566406 0.0453542 0.0232856
0.0119552 0.0232856 0.0290802 0.0232856 0.0119552
Thông thường trong làm mờ hình ảnh, ma trận này sẽ được chuẩn hóa bằng cách lấy tổng của tất cả các giá trị trong ma trận đó và chia cho nó. Đối với thử thách này, điều đó là không cần thiết và các giá trị thô được tính theo công thức là đầu ra phải là gì.
Quy tắc
- Đây là môn đánh gôn nên mã ngắn nhất sẽ thắng.
- Đầu vào r sẽ là số nguyên không âm và σ sẽ là số thực dương.
- Đầu ra phải đại diện cho một ma trận. Nó có thể được định dạng như một mảng 2d, một chuỗi đại diện cho một mảng 2d hoặc một cái gì đó tương tự.
- Không chính xác điểm nổi sẽ không được tính vào bạn.
Các trường hợp thử nghiệm
(r, σ) = (0, 0.25)
2.54648
(1, 7)
0.00318244 0.00321509 0.00318244
0.00321509 0.00324806 0.00321509
0.00318244 0.00321509 0.00318244
(3, 2.5)
0.00603332 0.00900065 0.0114421 0.012395 0.0114421 0.00900065 0.00603332
0.00900065 0.0134274 0.0170696 0.0184912 0.0170696 0.0134274 0.00900065
0.0114421 0.0170696 0.0216997 0.023507 0.0216997 0.0170696 0.0114421
0.012395 0.0184912 0.023507 0.0254648 0.023507 0.0184912 0.012395
0.0114421 0.0170696 0.0216997 0.023507 0.0216997 0.0170696 0.0114421
0.00900065 0.0134274 0.0170696 0.0184912 0.0170696 0.0134274 0.00900065
0.00603332 0.00900065 0.0114421 0.012395 0.0114421 0.00900065 0.00603332
(4, 3.33)
0.00339074 0.00464913 0.00582484 0.00666854 0.00697611 0.00666854 0.00582484 0.00464913 0.00339074
0.00464913 0.00637454 0.00798657 0.0091434 0.00956511 0.0091434 0.00798657 0.00637454 0.00464913
0.00582484 0.00798657 0.0100063 0.0114556 0.011984 0.0114556 0.0100063 0.00798657 0.00582484
0.00666854 0.0091434 0.0114556 0.013115 0.0137198 0.013115 0.0114556 0.0091434 0.00666854
0.00697611 0.00956511 0.011984 0.0137198 0.0143526 0.0137198 0.011984 0.00956511 0.00697611
0.00666854 0.0091434 0.0114556 0.013115 0.0137198 0.013115 0.0114556 0.0091434 0.00666854
0.00582484 0.00798657 0.0100063 0.0114556 0.011984 0.0114556 0.0100063 0.00798657 0.00582484
0.00464913 0.00637454 0.00798657 0.0091434 0.00956511 0.0091434 0.00798657 0.00637454 0.00464913
0.00339074 0.00464913 0.00582484 0.00666854 0.00697611 0.00666854 0.00582484 0.00464913 0.00339074