【矩阵】48. 旋转图像【中等】

旋转图像

  • 给定一个 n × n 的二维矩阵 matrix 表示一个图像。请你将图像顺时针旋转 90 度。
  • 你必须在 原地 旋转图像,这意味着你需要直接修改输入的二维矩阵。
  • 请不要 使用另一个矩阵来旋转图像。

示例 1:

在这里插入图片描述

输入:matrix = [[1,2,3],[4,5,6],[7,8,9]]
输出:[[7,4,1],[8,5,2],[9,6,3]]

解题思路

  • 1、首先,我们将矩阵沿着主对角线(左上到右下的对角线)进行镜像翻转,即将矩阵的行和列互换。
  • 2、然后,再将每一行按照中心水平轴进行翻转,即将每一行的元素顺序颠倒。

Java实现

public class RotateImage {public void rotate(int[][] matrix) {int n = matrix.length;// Transpose the matrix 转换矩阵for (int i = 0; i < n; i++) {//注意,这里是j=i,只能遍历左上角到右下角一半的矩阵for (int j = i; j < n; j++) {int temp = matrix[i][j];matrix[i][j] = matrix[j][i];matrix[j][i] = temp;}}// Reverse each row 反转每一行for (int i = 0; i < n; i++) {int left = 0, right = n - 1;while (left < right) {int temp = matrix[i][left];matrix[i][left] = matrix[i][right];matrix[i][right] = temp;left++;right--;}}}public static void main(String[] args) {RotateImage rotateImage = new RotateImage();int[][] matrix = {{1, 2, 3},{4, 5, 6},{7, 8, 9}};int[][] test = {{ 1,  2,  3,  4},{ 5,  6,  7,  8},{ 9, 10, 11, 12},{13, 14, 15, 16}};System.out.println("Original Matrix:");printMatrix(matrix);rotateImage.rotate(matrix);System.out.println("Rotated Matrix:");printMatrix(matrix);System.out.println("Original Matrix:");printMatrix(test);rotateImage.rotate(test);System.out.println("Rotated Matrix:");printMatrix(test);}private static void printMatrix(int[][] matrix) {for (int[] row : matrix) {for (int num : row) {System.out.print(num + " ");}System.out.println();}}
}

时间空间复杂度

  • 时间复杂度:O(n^2),其中 n 是矩阵的边长。
  • 空间复杂度:O(1),只需要使用常数级别的额外空间

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.hqwc.cn/news/540882.html

如若内容造成侵权/违法违规/事实不符,请联系编程知识网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

数字人解决方案——Wav2lip语音驱动唇部动作的技术原理(附整合包下载)

简介 数字人技术可以分为3D和2D两种类型。在3D数字人领域&#xff0c;虚幻引擎的MetaHuman备受瞩目&#xff0c;其背后的技术涉及到诸如blendshape等技术。然而&#xff0c;2D的数字人可以选择的算法就有很多&#xff0c;比如最常见的Wav2Lip。Wav2Lip算法主要实现的是语音驱动…

【知识简知】DDD方法论的基本思想,以及常用的基本概念和分层架构

了解DDD方法论的基本思想&#xff0c;以及常用的基本概念和分层架构。 目录 DDD方法论的基本思想基本概念分层架构调用链路 DDD方法论的基本思想 领域驱动设计&#xff08;Domain-Driven Design, DDD&#xff09;是一种针对复杂业务场景的软件开发方法论&#xff0c;它倡导通过…

【网络安全渗透】常见文件上传漏洞处理与防范

✨✨ 欢迎大家来到景天科技苑✨✨ &#x1f388;&#x1f388; 养成好习惯&#xff0c;先赞后看哦~&#x1f388;&#x1f388; 所属的专栏&#xff1a;网络安全渗透 景天的主页&#xff1a;景天科技苑 文章目录 1.文件上传漏洞1.1. 描述1.2. 危害1.3. 有关文件上传的知识1.4…

武汉灰京文化:游戏行业领军者的成功之路

武汉灰京文化是一家拥有高度创造力和凝聚力的公司&#xff0c;他们建立了一支充满创新力的团队&#xff0c;吸引了业内的精英&#xff0c;构筑了一支高度创造力和凝聚力的团队。在这个团队的不断协作中&#xff0c;他们不断突破游戏领域的边界&#xff0c;推出了一款又一款让玩…

Vue3 ElementPlus-table组件(合计)合并列

在使用ElementPlus的table组件的时候&#xff0c;我们通常会处理合计&#xff0c;当遇到合计行需要合并列的时候&#xff0c;可以这样做。 核心就是获取标签&#xff0c;对标签的CSS样式进行设置&#xff0c;以达到合并单元格的效果。 Template <el-tablemax-height"ca…

软件实例,餐厅酒水寄存管理系统软件,酒水寄存登记表软件操作教程

软件实例&#xff0c;餐厅酒水寄存管理系统软件&#xff0c;酒水寄存登记表软件操作教程 一、前言 以下软件操作以 佳易王酒水寄存管理系统软件V16.0为例说明 件文件下载可以点击最下方官网卡片——软件下载——试用版软件下载 1、酒水寄存管理系统软件可以管理多个品类的物…

8. C++对象模型

1. 普通类对象是什么布局&#xff1f; struct Base {Base() default;~Base() default;void Func() {}int a;int b; };int main() {Base a;return 0; }2. 带虚函数的类对象是什么布局&#xff1f; struct Base {Base() default;virtual ~Base() default;void FuncA() {}v…

Unity类银河恶魔城学习记录10-1 10-2 P89,90 Character stats - Stat script源代码

Alex教程每一P的教程原代码加上我自己的理解初步理解写的注释&#xff0c;可供学习Alex教程的人参考 此代码仅为较上一P有所改变的代码 【Unity教程】从0编程制作类银河恶魔城游戏_哔哩哔哩_bilibili Stat.cs using System.Collections; using System.Collections.Generic; us…

算法打卡day14|二叉树篇03|Leetcode 104.二叉树的最大深度、559.n叉树的最大深度、111.二叉树的最小深度、222.完全二叉树的节点个数

算法题 Leetcode 104.二叉树的最大深度 题目链接:104.二叉树的最大深度 大佬视频讲解&#xff1a;二叉树的最大深度视频讲解 个人思路 可以使用层序遍历&#xff0c;因为层序遍历会有一个层数的计算&#xff0c;最后计算到的层数就是最大深度&#xff1b; 解法 迭代法 就是…

Python:如何统计特定返回周期下的GEV分布值和实际观测值的超越概率?

处理数据样式如下&#xff1a; 01 reuturn_periods函数说明 def return_periods(data, years[10, 20, 30, 50, 80, 100]):data np.array(data) # data为ndarray格式# Fit the generalized extreme value distribution to the data.shape, loc, scale genextreme.fit(data)p…

代码随想录刷题笔记 Day 52 | 打家劫舍 No.198 | 打家劫舍 II No.213 | 打家劫舍III No.337

文章目录 Day 5201. 打家劫舍&#xff08;No. 198&#xff09;<1> 题目<2> 笔记<3> 代码 02. 打家劫舍 II&#xff08;No. 213&#xff09;<1> 题目<2> 笔记<3> 代码 03.打家劫舍III&#xff08;No. 337&#xff09;<1> 题目<2&g…

【学习】感受野

感受野&#xff08;receptive field&#xff09;是指在神经网络中&#xff0c;某一层输出的特征图上的一个像素点对应输入图像的区域大小。在深度神经网络中&#xff0c;随着网络层数的增加&#xff0c;特征图的感受野也会逐渐增大。这是因为每一层的卷积操作都会扩大感受野。 …